-
公开(公告)号：CN114818959B
公开(公告)日：2024-10-29
申请号：CN202210504092.1
申请日：2022-05-10
Applicant: 西安交通大学
IPC: G06F18/23213 , G06F18/25 , G01C21/28
Abstract: 本发明公开了一种多传感器异步信息融合方法及系统，通过将采集的多传感器的原始数据信息进行滤波核信息提取，利用滤波核信息计算聚类簇的个数k，然后以聚类簇的个数k为基础，对聚类簇的个数k进行分析计算，将计算得到的每个聚类簇的中心数据信息进行加权组合求解后及进行信息融合，完成多传感器异步信息融合，本发明根据多传感器的原始数据信息的滤波核信息进行聚类分析，能够有效避免传感器信息异步或者丢包等情况，然后以聚类簇的个数K为基础进行分析计算，得到每个聚类簇的中心数据信息，确保了信息融合的稳定性，降低了融合的难度，解决了实际应用中实时多传感器难融合的问题。
-
公开(公告)号：CN119921939A
公开(公告)日：2025-05-02
申请号：CN202411973233.X
申请日：2024-12-30
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于选择性同态加密的联邦学习隐私保护方法及系统，包括：客户端根据模型参数敏感性定义敏感性向量，聚合服务器根据相似性对客户端进行聚类，得到客户端集群。在各个集群内，服务器评估客户端系统能力，并推导加密预算。客户端通过多目标优化问题构建加密掩码，并对模型参数、敏感性向量和加密掩码进行迭代更新，对模型参数部分加密，并将加密后的模型参数与加密掩码发送给服务器。服务器完成模型参数聚合，并生成加密掩码的并集，发送回客户端。客户端根据该并集解密模型参数，并以集群为单位进行训练，直至模型收敛。本发明克服了现有技术中同态加密通信与计算成本高、跨设备数据异构和系统异构下的安全性与加密开销不平衡问题。
-
公开(公告)号：CN118153099A
公开(公告)日：2024-06-07
申请号：CN202410274351.5
申请日：2024-03-11
Applicant: 西安交通大学
Abstract: 本发明公开了一种云际联邦学习客户端模型聚合信息上传隐私保护方法及系统，根据中心服务器端下发的初始化模型参数，对云服务商客户端中的本地模型进行多轮模型更新训练，并获取连续多个梯度样本集合直到达到设定的训练轮数；从梯度样本集合中选择部分梯度样本形成梯度子集，利用梯度均值的方式对梯度子集进行计算得到梯度补偿值，将梯度样本集合中未选择的一个样本与梯度补偿值进行加权平均，通过对相邻几次梯度信息进行离散化随机选择，并对挑选的梯度信息以求均值的方式形成新梯度信息，在防御攻击者利用梯度信息反向推理隐私数据的同时，亦可维持全局模型的正确更新方向，确保模型的准确性和训练效率，提高云际联邦学习的隐私保护强度。
-
公开(公告)号：CN117390448B
公开(公告)日：2024-04-26
申请号：CN202311396231.4
申请日：2023-10-25
Applicant: 西安交通大学
IPC: G06F18/214 , G06N20/00
Abstract: 本发明公开了一种用于云际联邦学习的客户端模型聚合方法及相关系统，在每一轮联邦学习训练中云服务商在本地完成本地模型的训练，利用训练得到的模型参数进行组内和组间模型参数的差异性计算，然后计算组间差异与组内差异之间的绝对差距得到差异因子。根据确定的收敛阈值选择差异因子大于阈值的客户端参与下一轮联邦学习训练；解决了现有分布式云际计算缺乏隐私保护，在高异构客户端的云际联邦学习模型训练中，收敛效率和模型精度低下的问题。通过在每一轮联邦学习训练中筛选有益于加速模型收敛的客户端参与训练，本发明能实现高效的全局模型聚合，同时分别适配中心服务端及各个云服务商模型的训练数据和系统性能，保证模型的准确性和训练效率。
-
公开(公告)号：CN117390448A
公开(公告)日：2024-01-12
申请号：CN202311396231.4
申请日：2023-10-25
Applicant: 西安交通大学
IPC: G06F18/214 , G06N20/00
Abstract: 本发明公开了一种用于云际联邦学习的客户端模型聚合方法及相关系统，在每一轮联邦学习训练中云服务商在本地完成本地模型的训练，利用训练得到的模型参数进行组内和组间模型参数的差异性计算，然后计算组间差异与组内差异之间的绝对差距得到差异因子。根据确定的收敛阈值选择差异因子大于阈值的客户端参与下一轮联邦学习训练；解决了现有分布式云际计算缺乏隐私保护，在高异构客户端的云际联邦学习模型训练中，收敛效率和模型精度低下的问题。通过在每一轮联邦学习训练中筛选有益于加速模型收敛的客户端参与训练，本发明能实现高效的全局模型聚合，同时分别适配中心服务端及各个云服务商模型的训练数据和系统性能，保证模型的准确性和训练效率。
-
Patent Agency Ranking
公开(公告)号：CN114818959A
公开(公告)日：2022-07-29
申请号：CN202210504092.1
申请日：2022-05-10
Applicant: 西安交通大学
Abstract: 本发明公开了一种多传感器异步信息融合方法及系统，通过将采集的多传感器的原始数据信息进行滤波核信息提取，利用滤波核信息计算聚类簇的个数k，然后以聚类簇的个数k为基础，对聚类簇的个数k进行分析计算，将计算得到的每个聚类簇的中心数据信息进行加权组合求解后及进行信息融合，完成多传感器异步信息融合，本发明根据多传感器的原始数据信息的滤波核信息进行聚类分析，能够有效避免传感器信息异步或者丢包等情况，然后以聚类簇的个数K为基础进行分析计算，得到每个聚类簇的中心数据信息，确保了信息融合的稳定性，降低了融合的难度，解决了实际应用中实时多传感器难融合的问题。
-
公开(公告)号：CN114676908B
公开(公告)日：2025-02-07
申请号：CN202210296047.1
申请日：2022-03-24
Applicant: 西安交通大学
Abstract: 本发明公开了一种城市电动出租车能量预测方法及系统，根据充电站服务商的初始化模型要求训练电动出租车，得到电动出租车的日常充电行为模型，并将生成的日常充电行为模型参数传输至充电站；充电站根据获取的电动出租车的日常充电行为模型参数就能行聚合，根据聚合后的参数优化充电站的局部模型，将优化后的局部模型参数传输至充电站服务商进行全聚合，得到全聚合预测模型，利用全聚合预测模型预测电动出租车能量，解决了机器学习因训练集数据不足而导致能量预测准确度不足的问题，通过本发明的方法可以实现能量供需平衡及低成本电力输送，实现电力波谷时期的能量及时存储，满足电动出租车的正常充电请求。
-
公开(公告)号：CN116055027A
公开(公告)日：2023-05-02
申请号：CN202310033753.1
申请日：2023-01-10
Applicant: 西安交通大学
Abstract: 本发明公开了一种用于同态加密的云际联邦学习模型聚合方法及系统，通过将客户端本地模型的梯度信息都转化成非负浮点数，避免了由负数相加导致的溢出错误，将客户端本地模型的参数都转化成非负浮点数这一过程并不会泄露用户隐私。因为所有客户端只会将其模型参数中最大的绝对值发给服务器；服务器再确定这些绝对值中的最大值，并下发给客户端；客户端的模型参数再通过与此最大值的相加来转化为非负浮点数；然后将每一个非负浮点数转化为二进制数可以避免使用量化技术从而避免模型参数量化导致的精度损失；将由一批量二进制数拼接成的一个二进制数编码为一个十进制数能在很大程度上增加批量数，进而能减少了由同态加密造成的通信和计算成本。
-
公开(公告)号：CN116055027B
公开(公告)日：2025-03-28
申请号：CN202310033753.1
申请日：2023-01-10
Applicant: 西安交通大学
Abstract: 本发明公开了一种用于同态加密的云际联邦学习模型聚合方法及系统，通过将客户端本地模型的梯度信息都转化成非负浮点数，避免了由负数相加导致的溢出错误，将客户端本地模型的参数都转化成非负浮点数这一过程并不会泄露用户隐私。因为所有客户端只会将其模型参数中最大的绝对值发给服务器；服务器再确定这些绝对值中的最大值，并下发给客户端；客户端的模型参数再通过与此最大值的相加来转化为非负浮点数；然后将每一个非负浮点数转化为二进制数可以避免使用量化技术从而避免模型参数量化导致的精度损失；将由一批量二进制数拼接成的一个二进制数编码为一个十进制数能在很大程度上增加批量数，进而能减少了由同态加密造成的通信和计算成本。
-
公开(公告)号：CN118502941A
公开(公告)日：2024-08-16
申请号：CN202410640872.8
申请日：2024-05-22
Applicant: 西安交通大学
IPC: G06F9/50 , G06N20/20 , G06N3/096 , G06N3/045 , G06F18/214
Abstract: 本发明涉及云际计算管理领域，具体涉及一种基于联邦学习的云际资源需求负载预测方法、系统、设备及存储介质。包括：根据不同云服务商的真实资源需求负载数据，通过时域感知特征校准方法生成各自对应的虚拟资源需求负载数据集；根据不同云服务商的虚拟资源需求负载数据集，生成对应的公共本地模型，将所有公共模型参与全局模型联邦学习训练，完成全局模型聚合；本发明利用基于真实资源需求负载数据生成的虚拟资源需求负载数据集进行联邦学习训练，在确保各个云服务商原始数据隐私安全的同时，解决了不同云服务商之间资源需求负载数据异构的问题。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.014 seconds)
