公开(公告)号：CN119831000A

公开(公告)日：2025-04-15

申请号：CN202411887862.0

申请日：2024-12-20

Applicant: 苏州科技大学

Inventor： 陈珍萍 ,  左毅 ,  周怡红 ,  丰静 ,  翟子豪 ,  鞠张琰

IPC: G06N3/098 ,  G06N3/042

Abstract: 本发明属于联邦学习技术领域，涉及一种基于知识蒸馏驱动的自适应去中心化小样本联邦学习框架，首先，提出了基于知识偏移的策略，通过衡量学生模型与教师模型间的知识偏移度，优化各节点的本地模型更新，减少模型间差异，提升整体性能；其次，利用图神经网络构建节点间的邻居关系图，指导知识蒸馏过程，增强模型的泛化能力；最后，设计了一种自适应频率调整算法，根据模型偏移度和通信成本动态调整模型更新频率，以减少不必要的通信开销并提升训练效率；该框架在Mini‑ImageNet和Tiered‑ImageNet数据集上相比传统联邦学习方法显著提高了分类准确率并减少了通信成本。

公开(公告)号：CN118072077A

公开(公告)日：2024-05-24

申请号：CN202410099569.1

申请日：2024-01-24

Applicant: 苏州科技大学

Inventor： 陈珍萍 ,  左毅 ,  范耘豪 ,  陆悠 ,  翟子豪 ,  丰静

IPC: G06V10/764 ,  G06V10/82 ,  G06F21/62

Abstract: 本发明公开了基于联邦学习小样本图像对比数据隐私保护分类方法，具体涉及联邦学习技术领域，建立联邦小样本学习机制，构建模型并应用于所有客户端，实现在训练过程中有效保护数据隐私；通过FFSLCL网络框架识别新类别的样本：通过重要参数的设置在执行已知类别的分类任务外，实现模型快速适应新类别，让模型能够对目标类进行泛化，在各个客户端在自身拥有少量数据的情况下，对目标类进行准确分类；采用patchmix图像增强方法，将图像中的补丁加入到训练过程中，以便模型学习到图像中真实的类别特征。本发明提高模型的准确率，解决了联邦学习中的小样本问题。

公开(公告)号：CN115062857A

公开(公告)日：2022-09-16

申请号：CN202210768422.8

申请日：2022-06-30

Applicant: 苏州科技大学

Inventor： 陈珍萍 ,  季鑫慧 ,  黄慧杰 ,  左毅 ,  施丽佳 ,  贺文

IPC: G06Q10/04 ,  G06Q50/06 ,  H02J3/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种电力系统短期电力负荷预测方法，包括以下步骤：步骤1、构建堆叠的多层Mogrifier LSTM网络作为预测网络；步骤2、构建电力负荷序列、时间增量序列、每小时最高温度序列、每小时最低温度序列作为输入数据集；步骤3、将输入数据集进行归一化处理并转换为输入矩阵；步骤4、将输入矩阵输入预测网络，通过预测网络获取预测结果。本发明可以提高电力系统短期负荷预测精度，且具有良好的泛化能力。