一种基于深度强化学习的联邦模型中毒攻击防御方法

    公开(公告)号:CN119513867A

    公开(公告)日:2025-02-25

    申请号:CN202411552915.3

    申请日:2024-11-01

    Abstract: 本发明公开了一种基于深度强化学习的联邦模型中毒攻击防御方法,属于信息安全研究领域。本发明在联邦学习框架的基础上引入了深度强化学习,利用DQN算法根据客户端中用户的局部模型权重及其恶意度筛选出参与全局模型聚合的用户,确保所选用户无恶意并且有利于全局模型性能的优化。此外,在深度强化学习中,本发明设计了一系列具有影响力的状态参数,其中引入马氏距离衡量用户的恶意程度,即该用户是恶意攻击者的概率,并精心构建了一个奖励函数,以提高深度强化学习决策的科学性。本发明能够有效防御恶意用户向数据或模型投毒所导致的模型中毒攻击,在客户端不可信的环境下仍然能够保证最终全局模型的准确性,并优化模型性能。

    一种基于注意力机制的卷积长短期网络的学生成绩预测方法

    公开(公告)号:CN116306785A

    公开(公告)日:2023-06-23

    申请号:CN202310299723.5

    申请日:2023-03-25

    Abstract: 本发明涉及一种基于注意力机制的卷积长短期网络的学生成绩预测方法,利用学生的先修课程成绩来预测专业课成绩,能应用于在专业课程开始前进行预警。本发明将获取的先修课程成绩数据输入到卷积长短期记忆网络层进行特征学习;将学习到的序列特征输入到注意力机制层,对不同的先修课程成绩特征分配不同的权重;将学习到的序列特征与注意力机制生成的权重送入到合并层进行特征合并;将合并的特征送入两个全连接网络层,进行分类,最后的输出即为预测结果;本发明的长短期记忆网络是能处理时间序列数据的预测网络,同时新加入的卷积层能更好的提取先修课程的特征,最后的注意力机制能够给不同的先修课程分配不同的权重来影响最终的预测结果。

Patent Agency Ranking