公开(公告)号：CN119558423A

公开(公告)日：2025-03-04

申请号：CN202311128630.2

申请日：2023-09-01

Applicant: 安徽工业大学

Inventor： 耿欢 ,  吴宣够 ,  张卫东 ,  邓东上

IPC: G06N20/00 ,  H04W8/18 ,  G06N3/098

Abstract: 本发明公开了一种基于客户端目标增强的个性化联邦学习方法，涉及无线通信网络技术领域，本发明在联邦学习的过程中，客户端不仅在本地数据集上训练模型，还会在其目标集数据上训练得到目标集模型，更加着重每个客户端的个性化目标，提升每个客户端的模型在特定任务上的性能，根据欧氏距离计算每个客户端的个性化聚合权重，使数据分布相似的客户端在聚合中具有更大的权重，可以更显著地影响模型更新，在通信效率和收敛速度方面，只有更新后的全局模型参数需要上传，减少了通信的开销和本地的计算负担，通过使用个性化聚合权重，可以更有效地利用客户端的贡献，加速联邦学习的收敛速度。

公开(公告)号：CN117909867A

公开(公告)日：2024-04-19

申请号：CN202410101500.8

申请日：2024-01-25

Applicant: 安徽工业大学

Inventor： 邓东上 ,  吴宣够 ,  张卫东 ,  王灿

IPC: G06F18/2415 ,  G06F18/2431 ,  G06N3/084 ,  G06N3/098

Abstract: 本发明公开了一种基于自适应模型上传的联邦故障诊断方法及系统，涉及故障诊断技术领域，本发明从客户端自身的模型差异出发，通过使用公用的辅助数据集及其训练出来的辅助模型自适应地确定客户端的上传模型架构，构建个性化的上传架构，实现个性化的故障诊断，同时在此基础上引入一种自适应上传模型架构确定方案和对应异构模型架构的聚合方法，解决了联邦故障诊断识别精度低的问题，同时自适应地确定上传模型架构，进一步降低现有技术的通信开销，解决了现有技术对故障诊断问题中non‑IID场景导致的识别精度低问题，大大减少了人工成本，降低了通信开销，提高了识别效率。

公开(公告)号：CN119538297A

公开(公告)日：2025-02-28

申请号：CN202311094991.X

申请日：2023-08-28

Applicant: 安徽工业大学

Inventor： 蒋明娜 ,  吴宣够 ,  卫琳娜 ,  邓东上

IPC: G06F21/62 ,  G06N20/00 ,  H04L67/1095 ,  H04L67/104

Abstract: 本发明公开了一种基于客户端分组的联邦学习隐私保护方法，涉及数据安全技术领域，本发明在客户端数据非独立同分布的环境下，为不同客户端提供不同级别的隐私保护，中央服务器基于Jensen‑Shannon散度对数据分布相似的客户端进行分组；通过平衡数据集对客户本地数据集平衡程度量化，确定不同组之间隐私保护级别，并向组内客户端的模型更新中添加特定级别的干扰噪声，再进行组内聚合；组间进行全局聚合，得到全局模型，本发明针对客户端之间不同的隐私保护需求，通过对客户端分组，为不同组添加不同大小的干扰噪声，在满足隐私异构的同时，降低了整个系统中的噪声干扰程度，提高了全局模型精度，解决了传统差分隐私导致的全局模型精度不高的问题。

公开(公告)号：CN115905978A

公开(公告)日：2023-04-04

申请号：CN202211446890.X

申请日：2022-11-18

Applicant: 安徽工业大学

Inventor： 邓东上 ,  吴宣够 ,  张卫东

IPC: G06F18/2415 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/098

Abstract: 本发明提供的基于分层联邦学习的故障诊断方法及系统，涉及故障检测领域；其方法将客户端本地模型分层为用于提取客户端数据之间的共有特征的特征提取器模型、用于提取客户端数据的私有特征的特征分类器模型和用于将提取到的共有特征还原为原始数据的特征重构器模型，训练过程仅在客户端和服务器端联合训练特征提取器模型参数，特征分类器模型和特征重构器模型在客户端本地训练；训练好的特征提取器模型与客户端私有的特征分类器模型组成客户端的本地预测模型进行预测；本发明可以解决由于客户端数据异构导致模型预测精度不高的技术问题。