-
公开(公告)号：CN115169582A
公开(公告)日：2022-10-11
申请号：CN202210809648.8
申请日：2022-07-11
Applicant: 河南大学
Abstract: 本发明提供一种聚类联邦学习方法及装置。该方法包括：步骤1：获取客户端的本地数据分布的特征向量；所述特征向量是在客户端上使用Deep Sets模型对本地数据分布进行特征提取得到的；步骤2：使用K‑Means聚类算法对所有客户端的本地数据分布的特征向量进行聚类，以便将数据分布相似的客户端分入至相同组；步骤3：为每个分组设定对应的聚簇标识，不同分组对应不同的聚簇标识，相同组内的客户端具有相同的聚簇标识；步骤4：根据客户端的聚簇标识对客户端进行调度，使得具有相同聚簇标识的客户端采用联邦学习算法共同训练一个模型。
-
公开(公告)号：CN115049007A
公开(公告)日：2022-09-13
申请号：CN202210699849.7
申请日：2022-06-20
Applicant: 河南大学
Abstract: 本发明公开一种改进的联邦加权聚合方法及系统，该方法包括：客户端发送训练后的人类活动识别模型到服务器端，服务器端对客户端上传的模型进行minhash聚类；服务器端基于聚类后的模型进行等量抽样；结合服务器端的人类活动无标签数据，利用选举机制获取抽样的每个客户端人类活动识别模型的准确率，并对模型准确率进行评估，从而获取参与服务器端全局模型聚合的模型，进而得到服务器端模型聚合时的准确率；把得到的参与全局模型聚合的模型和服务器端模型聚合时的准确率一起加权到模型聚合更新中，得到联邦加权聚合后的人类活动识别模型以进行人类活动识别。本发明提升了人类活动识别模型聚合速度，提高了人类活动识别模型聚合的准确率。
-
公开(公告)号：CN114386621B
公开(公告)日：2025-03-18
申请号：CN202111501125.9
申请日：2021-12-09
Applicant: 河南大学
IPC: G06N3/098 , G06N3/0985 , G06F18/21 , G06F21/62
Abstract: 本发明提供一种基于联邦学习的人类活动识别方法和系统。该方法包括：步骤1：服务器确定训练任务和对应的活动数据特征，生成初始模型参数并下发至各个客户端；步骤2：每个客户端根据接收到的初始模型参数或新的全局模型参数，结合自身的本地活动数据进行本地训练，生成本地更新参数，将本地更新参数上传到服务器；步骤3：服务器将接收到的各个客户端的本地更新参数进行加权平均聚合以产生新的全局模型参数，将新的全局模型参数下发至各个客户端；步骤4：重复执行步骤2至步骤3，直至达到训练停止条件得到最终的全局模型参数，服务器将最终的全局模型参数下发至各个客户端。本发明在保护用户隐私的同时提升了HAR识别的准确率。
-
公开(公告)号：CN114386621A
公开(公告)日：2022-04-22
申请号：CN202111501125.9
申请日：2021-12-09
Applicant: 河南大学
Abstract: 本发明提供一种基于联邦学习的人类活动识别方法和系统。该方法包括：步骤1：服务器确定训练任务和对应的活动数据特征，生成初始模型参数并下发至各个客户端；步骤2：每个客户端根据接收到的初始模型参数或新的全局模型参数，结合自身的本地活动数据进行本地训练，生成本地更新参数，将本地更新参数上传到服务器；步骤3：服务器将接收到的各个客户端的本地更新参数进行加权平均聚合以产生新的全局模型参数，将新的全局模型参数下发至各个客户端；步骤4：重复执行步骤2至步骤3，直至达到训练停止条件得到最终的全局模型参数，服务器将最终的全局模型参数下发至各个客户端。本发明在保护用户隐私的同时提升了HAR识别的准确率。
-
-
-
Search Results
4
records
(took 0.038 seconds)
