-
公开(公告)号：CN118734990A
公开(公告)日：2024-10-01
申请号：CN202410716626.6
申请日：2024-06-04
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06N20/00 , H04L67/104 , G06F16/182 , G06F16/22 , G06F16/27
Abstract: 本发明涉及模型训练技术领域，公开了一种基于IPFS和区块链的联邦学习模型去中心化学习方法，该方法包括：使用区块链上的全局参数哈希链接从星际文件系统中获取联邦学习模型的全局模型参数，根据全局模型参数初始化本地模型，并对本地模型进行训练，更新客户端本地参数和本地模型平均回合奖励，将客户端本地参数和本地模型平均回合奖励上传到星际文件系统存储并将对应的本地参数哈希链接存储到区块链中，从星际文件系统中获取根据若干客户端本地参数和本地模型平均回合奖励更新后的全局模型参数，本发明利用IPFS进行模型参数的去中心化存储，整合区块链技术和星际文件系统以进行联邦学习，提高联邦学习的可扩展性。
-
公开(公告)号：CN117556305A
公开(公告)日：2024-02-13
申请号：CN202311599043.1
申请日：2023-11-27
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F18/24 , G06F18/213
Abstract: 本发明实施例提供一种网络节点的识别方法、系统及电子设备，属于互联网领域。该方法包括：构建待识别网络节点图数据集；将待识别网络节点图数据集输入至预先构建的网络关键节点识别模型进行测试，获得各节点对应的测试得分，其中，网络关键节点识别模型是基于聚合邻居节点信息的多层参数化量子电路对应的Q函数构建的；根据各节点对应的测试得分，确定待识别网络节点图数据集中的关键节点。通过网络关键节点识别模型对待识别网络节点图数据集合进行测试，获得图中各节点的测试得分，基于各节点的测试得分确定图中关键节点，不仅可以快速确定关键节点而且其准确度更高，而且构建的网络关键节点识别模型应用范围较广。
-
公开(公告)号：CN117539923A
公开(公告)日：2024-02-09
申请号：CN202311428334.4
申请日：2023-10-31
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F16/2458 , G06F17/16 , G06N3/0464 , G06N3/045 , G06N3/0985
Abstract: 本发明提供了一高阶结构嵌入及重要性排序的方法、设备及存储介质。通过收集现实场景中实体间的合作数据，构建基于合作数据的高阶网络；通过构建的高阶网络计算高阶关联矩阵；根据高阶关联矩阵计算高阶邻接矩阵；根据高阶邻接矩阵进行高阶随机游走采样，得到若干h‑胞腔序列并生成h‑胞腔的特征；将输入中的非中心层胞腔的特征转换为中心层h‑胞腔的特征；利用高阶卷积神经网络计算中心层h‑胞腔的嵌入矩阵Y；利用上一步中计算得到的高阶结构嵌入矩阵Y，对合作网络中的不同胞腔进行重要性打分，得到h阶胞腔的影响力分数并进行排名，确定合作数据中的重要高阶结构。相比于现有技术，结合高阶结构嵌入的方法来实现合作网络中高阶结构的嵌入和排序，能够更加准确的挖掘出合作网络中的重要高阶结构。
-
公开(公告)号：CN116822574A
公开(公告)日：2023-09-29
申请号：CN202310636538.0
申请日：2023-05-31
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06N3/0442 , G06N3/045 , G06N3/092
Abstract: 本发明提供了一种基于海马回放和深度强化学习的多智能体感知框架，包括海马回放模块和深度强化学习模块；所述海马回放模块用于使感知代理端回放过去的经验并从中学习；所述深度强化学习模块用于使代理端学习和适应当前环境。将海马特征与深度强化学习相结合，能够模拟海马回放过去经验并利用它们来指导决策，同时融合深度学习算法以提高决策过程的效率。
-
公开(公告)号：CN116701928A
公开(公告)日：2023-09-05
申请号：CN202310612029.4
申请日：2023-05-25
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06F18/214 , G06F21/64 , G06F21/60 , G06N20/00
Abstract: 本发明提供了个性化联邦学习的区块链增强循环蒸馏引导信道解耦框架，所述框架包括以下部分：建立蒸馏引导的信道解耦联邦学习框架；将区块链集成到联邦学习过程中；采用循环蒸馏，并将自我蒸馏引入个性化联邦学习中。本发明具有个性化机器学习模型的效率和安全性高，隐私泄露风险低的优点。
-
Patent Agency Ranking
公开(公告)号：CN116579416A
公开(公告)日：2023-08-11
申请号：CN202310431723.6
申请日：2023-04-19
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06N3/098 , G06N3/0455 , G06F21/62 , G06F21/64
Abstract: 本发明提供了一种基于区块链的多代理异构学习框架，包括以下步骤：S1，使用自编码器进行本地辨别性特征提取；S2，在非独立同分布数据上进行联邦学习；S3，使用区块链进行梯度和权重隐私保护；S4，使用选择性梯度追踪实现通信效率和更快收敛，本发明具有更快的训练收敛速度、更高的通信效率，且隐私性和保密性高的优点。
-
公开(公告)号：CN116319352A
公开(公告)日：2023-06-23
申请号：CN202211563058.8
申请日：2022-12-06
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明涉及网络技术领域，公开了一种广义度分布连续可调的高阶网络生成方法及系统，所述方法利用配置模型生成广义度为异质性分布的高阶网络，在生成的高阶网络上利用重连方法调节广义度分布，重新生成平均广义度不变的高阶网络。解决了现有技术无法在改变广义度分布同时保持平均广义度不变的缺陷。
-
公开(公告)号：CN117669680A
公开(公告)日：2024-03-08
申请号：CN202311649266.4
申请日：2023-12-04
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明提供一种高阶网络特征值调整方法及装置，属于高阶网络特征值调整技术领域，所述方法包括如下步骤：获取目标高阶单纯复形网络，并基于拉普拉斯矩阵特征值调整方向确定d阶单纯形结构的优化目标；计算目标高阶单纯复形网络中每个已标记d阶单纯形对d阶拉普拉斯矩阵特征值的贡献值，并依据贡献值大小对目标高阶单纯形网络中d阶单纯形结构进行重新标记。本发明通过对拉普拉斯矩阵进行分解，计算出每个单纯形对于拉普拉斯矩阵特征值的贡献，并依据贡献大小对单纯形结构进行重新标记，在不改变单纯形数量的情况下，通过特征值改变最快的方向对单纯形分布进行调整，最终实现特征值的调整，收敛速度块、优化效率高，大大节省了计算硬件资源。
-
公开(公告)号：CN117614832A
公开(公告)日：2024-02-27
申请号：CN202311656621.0
申请日：2023-12-05
Applicant: 电子科技大学长三角研究院(湖州)
IPC: H04L41/0823 , H04L7/027 , H04L67/12 , G06F30/27 , G06F119/14
Abstract: 本发明属于网络技术领域，具体提供一种基于单纯复形网络的同步优化方法、装置、设备及介质，所述方法包括如下步骤：将待优化的系统建模为单纯复形网络；计算单纯复形网络的d阶度向量、d阶度矩阵和d阶邻接矩阵；根据d阶度向量、d阶度矩阵和d阶邻接矩阵构造复合拉普拉斯矩阵；对复合拉普拉斯矩阵进行处理，并结合控制固有频率方差的参数和构建单纯复形网络的系统中节点的数量计算最优固有频率；根据计算的最优固有频率对系统中的节点进行调节以实现各节点频率的匹配。通过本发明计算出固有频率，通过外界刺激反馈调整神经元活动，可以有效提升同步程度。或者在电网同步中，通过调整发电机的功率，可以使系统达到更好的同步状态。
-
公开(公告)号：CN117556896A
公开(公告)日：2024-02-13
申请号：CN202311647875.6
申请日：2023-12-04
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06N5/02
Abstract: 本发明提供一种高阶网络相簇同步能力刻画方法及装置，属于高阶网络相簇同步技术领域，包括如下步骤：将目标高阶网络建模为单纯复形网络，并计算出目标高阶网络中一阶度序列和二阶度序列；根据目标高阶网络的一阶度序列和二阶度序列计算各节点的第一关联比，并根据各节点的第一关联比计算目标高阶网络的第二关联比；根据第一关联比对同一目标高阶网络的各节点的相簇同步能力进行比较，以及根据第二关联比对各目标高阶网络的相簇同步能力进行比较。本发明实现高阶网络中各节点以及整个网络的相簇同步能力计算，有效结合了网络结构与功能之间的联系，避免了序参量计算复杂度高、动力学仿真耗费时间长、对计算机性能要求高的弊端。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.033 seconds)
