-
公开(公告)号：CN115219422B
公开(公告)日：2024-12-27
申请号：CN202210721885.9
申请日：2022-06-24
Applicant: 大连理工大学
IPC: G01N21/01 , G01N21/552
Abstract: 本发明属于微纳光子学及光纤传感技术领域，提出了一种宽带可调谐的光纤表面等离激元传感探针，利用光学胶将三层的光栅耦合结构集成到光纤端面上。在光栅衍射的作用下，入射光可以在金属膜的内表面和外表面分别激发出表面等离激元，使反射谱中出现两个共振峰，利用反射谱中的两个共振峰飘移可以分别实现对生物分子和超声波的检测。该传感器的优势在于，通过改变纳米光栅的周期，两个反射共振峰的位置可以在可见光和近红外范围内连续调谐，这突破了传统光纤表面等离激元激发波长难以扩展到近红外波长的问题，在生物检测、化学分析、以及超声波检测等方面有着广泛的应用前景。
-
公开(公告)号：CN114168988B
公开(公告)日：2024-05-03
申请号：CN202111547242.9
申请日：2021-12-16
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
Abstract: 本发明提供一种联邦学习模型聚合方法及电子装置。方法包括：对第一客户端和第二客户端进行加密样本对齐；服务器端生成公钥和私钥；所述第一客户端计算第一前向传播权重，所述第二客户端计算第二前向传播权重；所述第一客户端基于公钥对所述第一前向传播权重进行加密后，发送至第二客户端，第二客户端将加密的第一前向传播权重和第二前向传播权重整合重构成损失函数；所述第二客户端根据所述重构损失函数求取模型训练梯度更新结果，并基于公钥对所述梯度更新结果进行加密后发送至服务器端；服务器端基于私钥对加密的梯度更新结果进行解密后，获取模型参数更新结果，并将所述模型参数更新结果发送至第一客户端和第二客户端。
-
公开(公告)号：CN116543210A
公开(公告)日：2023-08-04
申请号：CN202310503180.4
申请日：2023-05-06
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/098
Abstract: 本发明提供一种基于联邦学习与注意力机制的医学图像分类方法，包括以下步骤：S1、获取待处理医学图像数据；S2、将所述待处理医学图像数据输入训练好的医学图像分类模型中，获取所述医学图像分类模型输出的分类结果作为医学图像分类结果，所述医学图像分类模型为引入通道注意力机制的ResNet‑50神经网络模型，并基于联邦学习训练获得。本发明以ResNet‑50神经网络模型为基础，引入了通道注意力机制，充分挖掘卷积神经网络与注意力机制之间的潜在联系，同时本发明使用联邦学习框架进行多方数据联合训练深度学习模型，该模型能够保证用户的隐私数据不被泄露。
-
公开(公告)号：CN114707634A
公开(公告)日：2022-07-05
申请号：CN202210225094.7
申请日：2022-03-09
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
Abstract: 本发明提供一种联邦学习卷积神经网络模型聚合方法、装置及存储介质。方法主要包括：在a个用户端安装初始化的模型；各用户端利用本地数据库对模型进行分布式训练；将每个用户模型加密后上传至中央服务器进行聚合从而构建超定方程组；求解所述超定方程组从而获取全局模型参数；中央服务器将所述全局模型参数回传到各用户端，各个用户端根据所述全局模型参数更新各自模型的参数。本发明在联邦学习进行卷积神经网络参数聚合的过程中通过求解超定方程组由各个独立模型计算全局模型的各卷积核参数。相比于传统参数计算方法，本发明在应对非独立同分布数据的情况时可以取得较好的效果。
-
公开(公告)号：CN114742240B
公开(公告)日：2024-09-27
申请号：CN202210226465.3
申请日：2022-03-09
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
Abstract: 本发明提供一种横向联邦学习方法、装置及存储介质。其中方法主要包括：中心服务器选择初始联邦学习模型和参数并下发给各个客户端；各客户端分别基于各自本地训练数据同时开始模型训练，进而得到本地的学习模型；各客户端之间采用循环通信方式将本地的学习模型发送至下一个客户端进行训练，所有客户端完成训练后更新循环通信顺序，继续传递模型并训练直至达到设定的训练次数；各客户端将最后训练的模型发送至中心服务器进行聚合，而后使用聚合结果更新联邦学习模型直至损失函数收敛，训练完成。本发明在训练传递模型或者梯度参数时，首先进行环型模型传播，再进行星型传播到服务器，从而构建了一种新的横向联邦学习模型训练架构。
-
Patent Agency Ranking
公开(公告)号：CN114168988A
公开(公告)日：2022-03-11
申请号：CN202111547242.9
申请日：2021-12-16
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
Abstract: 本发明提供一种联邦学习模型聚合方法及电子装置。方法包括：对第一客户端和第二客户端进行加密样本对齐；服务器端生成公钥和私钥；所述第一客户端计算第一前向传播权重，所述第二客户端计算第二前向传播权重；所述第一客户端基于公钥对所述第一前向传播权重进行加密后，发送至第二客户端，第二客户端将加密的第一前向传播权重和第二前向传播权重整合重构成损失函数；所述第二客户端根据所述重构损失函数求取模型训练梯度更新结果，并基于公钥对所述梯度更新结果进行加密后发送至服务器端；服务器端基于私钥对加密的梯度更新结果进行解密后，获取模型参数更新结果，并将所述模型参数更新结果发送至第一客户端和第二客户端。
-
公开(公告)号：CN113240129A
公开(公告)日：2021-08-10
申请号：CN202110497212.5
申请日：2021-05-07
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
Abstract: 本发明属于影像技术领域，且公开了一种面向多类型任务图像分析的联邦学习系统，包括Server与C l i ent，所述C l i ent包括有Decoder、Encoder、Encoder平均值、fc，所述Server包括有Encoder平均值。本发明通过使用联邦学习框架，打破了各方之间的数据孤岛，使得在保护图像数据隐私前提下也能联合各方数据进行建模，比单独建模的准确率高，且还能同时进行多类型任务的图像分析。
-
公开(公告)号：CN119834969A
公开(公告)日：2025-04-15
申请号：CN202411971602.1
申请日：2024-12-30
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
Abstract: 本申请揭示了一种数据加密方法及相关设备，其中，方法包括：通过FIFO结构将待加密数据存储至RAM数据储存单元；获取所述待加密数据的位数数据，并基于所述位数数据确定针对所述待加密数据的计算结构，所述计算结构包括蝶形计算的层数和每层蝶形计算所需的蝴蝶运算子单元的个数；基于所述个数和所述层数构建与所述待加密数据对应的预设蝴蝶运算单元；基于所述预设蝴蝶运算单元和所述RAM数据储存单元中的预设原根值对存储至RAM数据储存单元的待加密数据存储进行蝶形计算。
-
公开(公告)号：CN114707634B
公开(公告)日：2024-10-01
申请号：CN202210225094.7
申请日：2022-03-09
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
IPC: G06N3/0464 , G06N20/20 , G06N3/098 , G16H10/60 , G16H50/20
Abstract: 本发明提供一种联邦学习卷积神经网络模型聚合方法、装置及存储介质。方法主要包括：在a个用户端安装初始化的模型；各用户端利用本地数据库对模型进行分布式训练；将每个用户模型加密后上传至中央服务器进行聚合从而构建超定方程组；求解所述超定方程组从而获取全局模型参数；中央服务器将所述全局模型参数回传到各用户端，各个用户端根据所述全局模型参数更新各自模型的参数。本发明在联邦学习进行卷积神经网络参数聚合的过程中通过求解超定方程组由各个独立模型计算全局模型的各卷积核参数。相比于传统参数计算方法，本发明在应对非独立同分布数据的情况时可以取得较好的效果。
-
公开(公告)号：CN114186263B
公开(公告)日：2024-05-03
申请号：CN202111555002.3
申请日：2021-12-17
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
Abstract: 本发明提供一种基于纵向联邦学习的数据回归方法及电子装置。方法包括：第一客户端和第二客户端分别由本地数据库读取训练数据，初始化本地模型参数；第一客户端和第二客户端分别计算各自的指数数据，所述第二客户端基于公钥将自身计算的指数数据加密后发送至第一客户端；第一客户端计算得到加密后数据特征梯度的部分表达式；所述第一客户端和第二客户端分别得到各自本地回归模型的的梯度，并对梯度加上噪声掩码然后发送给服务器端解密；服务器端对第一客户端和第二客户端发送的梯度数据进行解密并发回第一客户端和第二客户端分别对梯度去噪得到原始梯度，利用新的梯度更新模型参数，得到新一轮的模型参数。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.024 seconds)
