公开(公告)号：CN115859114A

公开(公告)日：2023-03-28

申请号：CN202211619123.4

申请日：2022-12-14

Applicant: 南京邮电大学

Inventor： 陈思光 ,  石雁航 ,  黄宇虹

IPC: G06F18/214 ,  G06N20/00

Abstract: 本发明属于物联网技术领域，公开了一种高效的计算分层的联邦学习训练方法，包括：步骤1：构建一个计算分层的联邦学习系统模型，步骤2：在联邦学习系统模型中允许用户在不需要进行本地梯度计算或连续数据传输的情况下参与联邦训练，该原则通过在线方法和离线方法实现；步骤3：针对联邦学习系统模型中的竞争、用户移动性、新的数据任务不断呈现给联邦学习系统模型和隐私保护的挑战提供解决方案。本发明使资源受限的设备能够在设备训练和轻量级消息传输的基础上执行联邦训练，在线和离线方法允许设备在不需要进行本地梯度计算或连续数据传输的情况下参与联邦训练，在保障性能的基础上减轻训练负担，减少通信开销。

公开(公告)号：CN119204169A

公开(公告)日：2024-12-27

申请号：CN202411292167.X

申请日：2024-09-14

Applicant: 南京邮电大学

Inventor： 陈思光 ,  黄宇虹 ,  沈建华 ,  何小明

IPC: G06N3/098 ,  G06N3/09 ,  G06F18/24 ,  G06N3/084

Abstract: 本发明公开了一种融合双重对比损失的数据类别适应性平衡联邦学习方法，属于联邦学习技术领域。本发明在数据预处理阶段通过过采样操作，解决了训练样本中类别分布不平衡的问题，保证模型对各个类别样本的学习效果，从而减轻模型的偏移程度，通过设计类内紧凑性损失和有监督对比损失这两种对比性质的损失函数，优化了模型在特征空间学习到的样本特征，解决了过采样可能引发的过拟合问题，从而提高模型的分类性能和泛化能力。