公开(公告)号：CN116911379A

公开(公告)日：2023-10-20

申请号：CN202310741144.1

申请日：2023-06-21

Applicant: 南京邮电大学

Inventor： 吴飞 ,  张家宾 ,  季一木 ,  金昊 ,  黄庆花

IPC: G06N3/098 ,  G06N3/0464 ,  G06F18/15

Abstract: 本发明涉及一种基于自步学习与邻接矩阵的标签噪声鲁棒联邦学习方法，基于客户端‑服务器模式的横向联邦学习框架，进行分布式训练，包括以下步骤：步骤S1，选取可信客户端；步骤S2，根据可信客户端计算所有客户端样本的近邻关系：根据步骤S1中获得的可信客户端进行联邦学习，得到全局联邦模型，使用所述全局联邦模型为所有客户端样本计算近邻关系；步骤S3，自步更新样本近邻关系以及标签评估与矫正；步骤S4，离群样本处理。本发明提供一种安全可靠的基于自步学习与邻接矩阵的标签噪声鲁棒联邦学习方法，能够有效地减少噪声数据对模型的干扰，并提高模型收敛速度。

公开(公告)号：CN118644867A

公开(公告)日：2024-09-13

申请号：CN202410815593.0

申请日：2024-06-24

Applicant: 南京邮电大学

Inventor： 陶宇坤 ,  吴飞 ,  周俊杰 ,  金昊 ,  曲永轩 ,  黄庆花

IPC: G06V30/41 ,  G06V30/18 ,  G06V30/19 ,  G06V10/82 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/094

Abstract: 本发明公开了一种基于图卷积神经网络的假新闻检测方法，属于图卷积神经网络机器学习技术，包括如下步骤：S1、使用预训练模型提取待检测新闻集合的图像模态特征集合和文本模态特征集合；S2、将图像模态特征与文本模态特征作为初始无向图的节点分别构造图像模态和文本模态的初始无向图，初始无向图用初始邻接矩阵和节点特征表示；S3，将初始无向图输入到图结构学习网络中进行图结构优化，得到优化后的图结构；S4、将优化后的图结构输入到两层跨模态共享权重的图卷积神经网络中，最终得到跨模态的特征；S5、将得到的跨模态的特征输入到模态鉴别器中学习模态不变的特征；S6、将S5中得到的模态不变的特征输入到分类器中得到该条新闻为假新闻的可能性。