公开(公告)号：CN119204170A

公开(公告)日：2024-12-27

申请号：CN202411293542.2

申请日：2024-09-14

Applicant: 上海交通大学

Inventor： 陈智勇 ,  王钟苇 ,  吴桐 ,  钱良

IPC: G06N3/098 ,  G06N3/0895 ,  G06N3/096 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0475 ,  G06F18/214 ,  G06F18/241

Abstract: 本发明提供一种基于生成模型的辅助少样本联邦学习方法、系统及介质，方法包括步骤S1，构建基础分类器；步骤S2，伪标签生成；步骤S3，训练生成模型；步骤S4，分布信息交换；步骤S5，生成合成数据；步骤S6，将标注数据和合成数据合并，联邦训练最终分类器。系统包括：构建基础分类器模块、伪标签生成模块、生成模型训练模块、分布信息交换模块、合成数据生成模块和最终分类器训练模块。本发明基于机器学习，充分利用分散客户端上的数据资源，借助生成模型弥合本地数据分布和全局分布之间的差异，即使在复杂的数据分布场景下仍具有较好的表现，克服少样本和数据分布不平衡的负面影响，降低现有方法中由于数据标注和预训练模型所带来的资源成本。