-
公开(公告)号：CN117914668A
公开(公告)日：2024-04-19
申请号：CN202410073938.X
申请日：2024-01-18
Applicant: 南京邮电大学 , 江苏省未来网络创新研究院
Abstract: 本发明公开了一种面向卫星通信的OTFS辅助端到端学习方法及系统，包括：构建面向卫星通信场景下端到端学习方法场景，结合通感一体化的方法优化地面用户的接收效率。提出OTFS辅助的信道通感一体化信号编码方式。构建面向卫星通信的OTFS辅助端到端学习方法，建立以符号错误率为目标函数的优化模型。本发明提供的面向卫星通信的OTFS辅助端到端学习方法及系统在卫星侧发送采用通感一体化技术优化不同用户群收到的波束功率，从而降低误码率。通过将大规模数据传送到地面基站进行模型驱动的端到端学习，这大大优化了整个系统的传输效率与数据处理能力。
-
公开(公告)号：CN115526313B
公开(公告)日：2023-10-24
申请号：CN202211238940.5
申请日：2022-10-11
Applicant: 南京邮电大学
IPC: G06N3/098 , G06N3/0464
Abstract: 本发明提供了基于预测精度的跨域异质联邦学习架构运行效率评测方法，涉及联邦学习、迁移学习、深度领域，旨在解决研究跨域异质联邦学习架构过程中无法评测架构运行效率的问题，采用的技术方案是，其以评测跨域异质联邦学习架构的运行效率为目标，首先从数据跨域和客户端异质这两个主要概念解释跨域异质的定义；接着准备跨域异质联邦数据集，划分数据集来生成联邦学习中的Non‑IID数据，并选择基本测试模型；然后设定联邦学习方法，详细描述联邦学习的主要步骤；最后重复运行步骤三固定轮次后，统计多个基本测试模型的全局权重在测试数据集上的性能评测指标，加权后作为不同跨域异质联邦学习架构运行效率的评价指标。
-
公开(公告)号：CN118536154A
公开(公告)日：2024-08-23
申请号：CN202410594123.6
申请日：2024-05-14
Applicant: 南京邮电大学
IPC: G06F21/62 , G06N3/0455 , G06N3/098 , G06N3/084
Abstract: 本发明涉及多模态联邦学习、差分隐私、大数据技术领域，公开了一种面向跨域异质多模态联邦学习的差分隐私防御机制性能评估方法，通过获取跨域异质场景下的数据集，搭建联邦学习任务和联邦学习模型，配置模态特征融合，得到跨域异质场景下的多模态联邦学习模型；确定梯度泄露风险，选择面向不同模态数据的模拟攻击模型；构建不同机制的差分隐私防御；从面向防御下模型质量的代价、面向重构成功率、面向重构质量三个方面，对差分隐私防御机制进行多维度性能评估；能够综合考虑不同差分隐私机制下的防御性能的优劣，有助于用户选择添加的差分隐私的机制，从而降低隐私泄露的风险，能普遍适用于联邦学习任务和图像文本数据集。
-
公开(公告)号：CN118509824A
公开(公告)日：2024-08-16
申请号：CN202410536180.9
申请日：2024-04-30
Applicant: 南京邮电大学
IPC: H04W4/44 , H04W16/28 , H04B7/0413 , H04B7/0426 , H04B7/0456 , G06N3/082 , G06N3/048 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了基于多模态感知数据的毫米波波束预测方法，属于毫米波波束预测技术领域，包括如下步骤：路边单元RSU获取每个时隙的信道CSI矩阵和雷达LIDAR图像，并进行角度特征提取和LIDAR特征提取以得到角度特征和LIDAR特征；利用自适应权重网络对角度特征和LIDAR特征进行权重分配和融合，将得到将加权后的多模态特征分别进行X轴MLP预测和Y轴循环预测以预测下一个时隙波束成形角度；路边单元RSU向车辆发送一个下行定向数据流，以使车辆响应根据传输的预测波束成形角度构建接收波束成形器以接收路边单元RSU发送信号在下一个时隙建立通信链接，充分利用多种传感器数据中的丰富信息，提升了波束成形角度预测精确，降低了通信中断概率。
-
公开(公告)号：CN118297337A
公开(公告)日：2024-07-05
申请号：CN202410460373.0
申请日：2024-04-17
Applicant: 南京邮电大学
IPC: G06Q10/0631 , G06N3/098
Abstract: 本发明公开了多维资源联合优化的空域联邦学习客户端激励调度方法，包括无人机和模型所有者，步骤一，发布联邦学习任务和合同项：模型所有者根据其神经网络模型训练的任务需求和激励预算设计联邦学习的合同项，用于激励无人机采集图像数据，并为其提供模型训练服务，并向无人机广播其合同项和联邦学习任务邀请；步骤二，无人机进行合同项选择：无人机选择合同项后向模型所有者返回所选合同项信息，并入选联邦学习任务的模型训练无人机候选池；本方案可以使模型所有者在不了解无人机客户端信息的情况下，根据无人机的数据质量和数据代表性，选择使模型收敛最快的无人机，该方法节省了模型训练的激励成本，加快了模型的收敛速度和训练精度。
-
Patent Agency Ranking
公开(公告)号：CN117939416A
公开(公告)日：2024-04-26
申请号：CN202410067882.7
申请日：2024-01-17
Applicant: 南京邮电大学 , 江苏省未来网络创新研究院
Abstract: 本发明公开了一种具备压缩传输和隐私保护的图像自适应语义通信方法，包括：建立用于图像传输的语义通信系统；根据所建系统建立对应图像传输任务的损失函数；构建基于对抗式训练的数据自适应网络；确定对抗式网络的目标函数；将数据自适应网络与语义通信系统合并；分两阶段训练整个系统，使其具备适应不同分布数据的能力。本发明采用对抗性训练方式提升语义通信系统对不同数据集的适应性，减少实用数据和经验数据类型不匹配带来的性能影响，避免系统再训练导致的庞大系统开销及隐私泄露问题。
-
公开(公告)号：CN117556923A
公开(公告)日：2024-02-13
申请号：CN202311556011.3
申请日：2023-11-21
Applicant: 南京邮电大学
IPC: G06N20/00 , G06F18/22 , G06F18/23213
Abstract: 本发明提出了一种跨域异质场景下的去中心化联邦学习方法，包括，去中心化学习对客户端进行训练，并对领居交换的信息进行分散优化，基于流言算法协议对客户端的参数进行传播，通过图论算法将客户端和其它客户端之间建立的通信，最后通过去中心化联邦学习方式得出客户端和其它客户端模型相似度函数，并判断模型是否收敛，是则训练结束，否则返回步骤一；本发明基于模型相似度的GossipDFL的方法，本地客户端只在模型相似度高的模型中寻找通信和聚合的对象，减少了通信次数，提高了模型聚合的精度，而对导致参与训练的数据信息冗余和较高的通信延迟问题进行限制。
-
公开(公告)号：CN116701618A
公开(公告)日：2023-09-05
申请号：CN202310447611.X
申请日：2023-04-24
Applicant: 南京邮电大学
IPC: G06F16/35 , G06F16/36 , G06F40/295 , G06F40/284 , G06N20/00 , G06F21/62 , H04L9/40
Abstract: 本发明涉及联邦学习、工业互联网技术领域，公开了一种面向工业终端网络流量检测的图谱联邦学习隐私增强方法，包括：配置联邦学习环境，包括数据集、联邦学习任务和联邦学习模型；根据所述联邦学习模型的分类学习结果进行知识图谱构建；根据联邦学习环境评估联邦学习过程的隐私性风险；根据隐私性风险添加隐私增强方法以增强联邦学习客户端。本发明提供的方法，结合联邦学习和知识图谱将流量分类和网络流量异常检测相结合，既降低了流量数据隐私泄露的风险，也使得基于联邦学习的检测结果能够反映流量数据和恶意行为间更深层次的因果关联性，进一步提高判断终端是否存在恶意倾向的准确性，并减少人工干预带来的人因误差和人力开销。
-
公开(公告)号：CN116667902A
公开(公告)日：2023-08-29
申请号：CN202310677745.0
申请日：2023-06-08
Applicant: 南京邮电大学
IPC: H04B7/155 , H04B7/145 , H04W24/02 , H04B17/391 , H04B17/40
Abstract: 本发明公开了一种有源智能反射表面(ARIS)辅助通信系统模式选择方法，包括：1)在上一通信时隙末，系统获取当前发射端‑ARIS，ARIS‑接收端的路径损耗，发射端的发射功率，ARIS引入的热噪声功率和接收端处的噪声功率；2)根据获取的系统参数，考虑发射端和ARIS的功率约束，计算阈值；3)将ARIS表面反射单元面积和阈值进行比较，并为系统选择使得接收端信噪比最大的模式进行辅助传输；4)在本通信时隙初，进行ARIS模式设置，并采用系统选择的ARIS模式进行辅助通信；5)在本通信时隙末，重复上述步骤，直至通信结束。本发明以系统接收端的信噪比最大化为目标，对ARIS是否采用放大模式辅助通信系统提供一种选择方法，可以有效提高ARIS辅助通信系统的性能。
-
公开(公告)号：CN116304598A
公开(公告)日：2023-06-23
申请号：CN202211549230.4
申请日：2022-12-05
Applicant: 南京邮电大学
Abstract: 本发明涉及联邦学习技术领域，公开了一种联邦学习安全性测评方法，其以评测联邦学习架构在受到恶意对手攻击后的安全风险程度为目标，首先明确联邦学习网络框架，详细描述在密文域下安全聚合梯度的过程；接着定义漏洞、威胁攻击，明确联邦学习任务；然后采用层次分析法，以漏洞、任务、客户端的顺序展开对联邦学习模型的安全性的评估，最后结合模型分类准确率对联邦学习模型进行综合评价。本发明解决了研究联邦学习框架中无法测评架构运行安全性的问题。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.027 seconds)
