-
Patent Agency Ranking
公开(公告)号：CN115061909A
公开(公告)日：2022-09-16
申请号：CN202210676451.1
申请日：2022-06-15
Applicant: 哈尔滨理工大学
Abstract: 本发明为一种基于联邦强化学习的异构软件缺陷预测方法；该方法首先使用主成分分析法(Principal Component Analysis，PCA)进行数据降维。中心服务器初始化全局参数发送给所有参与方，参与方将该全局参数作为本地强化学习dueling Deep Q Network(dueling DQN)模型的初始参数。所有参与方使用降维数据和上轮全局参数来更新本地dueling DQN模型，中心服务器随机选择参与方，选中的参与方将本地模型参数加入高斯噪声进行差分隐私加密。使用K‑means对选中的参与方进行聚类，通过本地聚合与全局聚合形成全局模型发送给所有参与方。当通信次数到达最大通信轮次或本地dueling DQN模型已经收敛，输出预测结果。本发明在保证数据隐私安全前提下通过结合多方数据模型，有效的提高了异构软件缺陷的预测效果。
-
公开(公告)号：CN114896169A
公开(公告)日：2022-08-12
申请号：CN202210677415.7
申请日：2022-06-15
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于联邦原型学习的异构软件缺陷预测方法，该方法包括：联邦参与方对度量元数据使用单边选择OSS(One‑Sided Selection)方法去除异常样本点；对去除异常样本点后的度量元数据进行缺陷率统计获得特征数据；利用卡方检验(chi‑square test)方法对特征数据筛选获得最优特征子集；将最优特征子集输入本地模型，生成预测标签和同类样本嵌入向量均值表示的局部原型；服务器对局部原型平均聚合得到全局原型，并将全局原型返回参与方；参与方利用全局原型正则化局部模型参数；利用测试样本的嵌入向量与全局原型的最短欧氏距离进行分类，获得分类结果。本发明在软件缺陷预测领域存在数据孤岛的背景下，以联邦学习和原型学习为理论基础，采用OSS方法去除异常样本点和卡方检验特征选择方法，在实现联邦通信过程中的数据隐私保护的基础上，有效提高软件缺陷预测模型的分类精度。
-
公开(公告)号：CN116628589A
公开(公告)日：2023-08-22
申请号：CN202310589844.3
申请日：2023-05-24
Applicant: 国网山东省电力公司营销服务中心(计量中心) , 哈尔滨理工大学
IPC: G06F18/2415 , G01R22/06 , G06N3/098 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/09 , G06N5/04
Abstract: 本发明涉及电能质量扰动分类技术领域，具体涉及一种基于联邦学习的电能质量扰动分类方法；以联邦学习和原型学习为理论基础，考虑在新型分布式电力系统下，不同电力部门之间电能质量扰动数据存在的异质性和隐私性，提出了一种基于联邦学习的电能质量扰动分类方法；该方法以联邦学习为框架实现多个参与方协同训练扰动信号分类模型，利用原型在样本空间中具有较强的覆盖性以及能够反映数据全局特性的优点，作为电能质量扰动异构数据的优化方法，同时本地原型是通过平均样本的深度特征生成的，因此具有不可逆的特点，无法通过反向推理攻击手段获得确切的敏感信息，具有较强的隐私保护能力。
-
公开(公告)号：CN115061909B
公开(公告)日：2024-08-16
申请号：CN202210676451.1
申请日：2022-06-15
Applicant: 哈尔滨理工大学
IPC: G06F11/36 , G06F21/60 , G06F21/62 , G06F18/23213 , G06F18/2135 , G06N3/0464 , G06N3/045 , G06N3/098 , G06N3/092
Abstract: 本发明为一种基于联邦强化学习的异构软件缺陷预测方法；该方法首先使用主成分分析法(Principal Component Analysis，PCA)进行数据降维。中心服务器初始化全局参数发送给所有参与方，参与方将该全局参数作为本地强化学习dueling Deep Q Network(dueling DQN)模型的初始参数。所有参与方使用降维数据和上轮全局参数来更新本地dueling DQN模型，中心服务器随机选择参与方，选中的参与方将本地模型参数加入高斯噪声进行差分隐私加密。使用K‑means对选中的参与方进行聚类，通过本地聚合与全局聚合形成全局模型发送给所有参与方。当通信次数到达最大通信轮次或本地dueling DQN模型已经收敛，输出预测结果。本发明在保证数据隐私安全前提下通过结合多方数据模型，有效的提高了异构软件缺陷的预测效果。
-
公开(公告)号：CN116303002A
公开(公告)日：2023-06-23
申请号：CN202310188453.0
申请日：2023-03-01
Applicant: 哈尔滨理工大学
Abstract: 本发明为基于top‑k的通信高效联邦学习的异构软件缺陷预测算法；该方法步骤如下：所有参与方将收到的全局参数进行解码，利用解码后的全局模型梯度参数与各自缺陷数据基于胶囊神经网络(CapsNet)进行本地训练，更新本地模型；各参与方利用高斯差分隐私对本地模型梯度参数进行加密；加密后的梯度参数进行稀疏二值压缩；将非零元素之间的相对距离进行Golomb编码发送到服务器端进行聚合；服务器端将接收到的数据进行解码，并对数据进行聚合；服务器端对聚合后参数进行稀疏二值压缩和Golomb编码并发送回每个参与方。本发明可以在模型预测性能可接受情况下，有效减少通信比特量并提高通信效率。
-
-
-
-
Search Results
5
records
(took 0.037 seconds)
