公开(公告)号：CN117575037A

公开(公告)日：2024-02-20

申请号：CN202311403763.6

申请日：2023-10-26

Applicant: 鹏城实验室

Inventor： 杨婷婷 ,  宁嘉鸿 ,  王星翰 ,  杨勇 ,  俸萍

IPC: G06N20/00 ,  G06N20/20

Abstract: 本发明实施例提供了一种抗拜占庭攻击的分布式学习方法、电子设备和存储介质。其中，方法包括：通过梯度投影算法将机器学习客户端提交的本地梯度映射到基于委员会客户端的梯度构成的子空间中，其中，委员会客户端是根据每个训练周期中多个机器学习客户端的性能表现评分动态选出；基于三个超参数计算提交诚实梯度的机器学习客户端在每个训练周期中的得分；委员会客户端根据得分选择目标机器学习客户端；委员会客户端对目标机器学习客户端进行全局模型聚合和权重控制，以生成用于对抗拜占庭攻击的分布式学习模型，基于此，本发明实施例能够在分布式学习场景中有效能够对抗基于梯度的拜占庭攻击，且显著提高分布式学习模型的准确性和安全性。

公开(公告)号：CN117351327A

公开(公告)日：2024-01-05

申请号：CN202310973608.1

申请日：2023-08-02

Applicant: 鹏城实验室

Inventor： 杨婷婷 ,  孙鑫 ,  韩成卓 ,  宁嘉鸿 ,  崔正琦

IPC: G06V10/94 ,  G06V10/774

Abstract: 本申请提供了一种图像识别的方法、分布式系统、设备及存储介质，涉及但不限于图像识别技术领域，本申请应用于由参数服务器及多个客户端系统组成的分布式系统，客户端系统包括至少一个部署有图像模型的第三子模型的边缘服务器及部署有图像模型的第一子模型和第二子模型的客户端；客户端获取第三子模型的第一梯度数据以计算N个训练样本的第二梯度数据；客户端将N个第二梯度数据进行梯度裁剪及噪声叠加得到平均梯度数据以使边缘服务器更新模型参数并重新迭代训练直至达到第一收敛条件；通过参数服务器对模型参数更新以使客户端系统重新训练得到用于图像识别的图像模型；本申请实施例能更加高效以及安全的提供一种图像模型用于图像识别。

公开(公告)号：CN118784550B

公开(公告)日：2025-01-07

申请号：CN202411224704.7

申请日：2024-09-03

Applicant: 鹏城实验室

Inventor： 祝朋艳 ,  杨婷婷 ,  韩成卓 ,  宁嘉鸿 ,  孙鑫

IPC: H04L45/02 ,  H04L45/12

Abstract: 本申请实施例公开一种路由决策模型训练方法、装置、计算机设备及存储介质。在动态网络的多个节点中确定出第一节点，确定第一节点对应的第一网络状态和第一网络动作；将第一网络状态和第一网络动作输入评估子模型中，输出每个第一网络动作的评估值；确定最大的评估值的目标第一网络动作以及目标第一网络动作的第二节点；将第二节点对的第二网络动作、第二网络状态和目标第一网络动作的奖励值输入目标子模型中，输出目标第一网络动作的目标值；根据目标值和最大的评估值确定评估子模型的模型损失，根据模型损失调整评估子模型的模型参数，返回执行在动态网络的多个节点中确定出第一节点，直至模型损失满足预设损失条件，得到训练后的路由决策模型。

公开(公告)号：CN116484980A

公开(公告)日：2023-07-25

申请号：CN202310273893.6

申请日：2023-03-17

Applicant: 鹏城实验室

Inventor： 杨婷婷 ,  宁嘉鸿 ,  王星瀚 ,  钟晓雄

IPC: G06N20/20 ,  G06F18/214

Abstract: 本申请公开了一种分布式联邦学习的两阶段编码方法及相关装置，所述方法包括控制参与工作节点确定各自对应的冗余数据块，并基于所述冗余数据块训练目标模型；接收截止预设时间完成训练的目标工作节点上传的局部梯度；将截止预设时间未完成的目标工作节点作为掉队节点，控制备份工作节点基于其对应的冗余数据块训练目标模型，以及接收备份工作节点上传的局部梯度；对接收到的所有局部梯度进行聚合更新以得到全局梯度。本申请采用数据冗余制度在工作节点间相互备份，仅需部分节点恢复完整梯度，不需要等待掉队者，从而可以避免补偿掉队者对系统造成的影响，减少了因为掉队者产生的数据冗余程度。

公开(公告)号：CN118784550A

公开(公告)日：2024-10-15

申请号：CN202411224704.7

申请日：2024-09-03

Applicant: 鹏城实验室

Inventor： 祝朋艳 ,  杨婷婷 ,  韩成卓 ,  宁嘉鸿 ,  孙鑫

IPC: H04L45/02 ,  H04L45/12

Abstract: 本申请实施例公开一种路由决策模型训练方法、装置、计算机设备及存储介质。在动态网络的多个节点中确定出第一节点，确定第一节点对应的第一网络状态和第一网络动作；将第一网络状态和第一网络动作输入评估子模型中，输出每个第一网络动作的评估值；确定最大的评估值的目标第一网络动作以及目标第一网络动作的第二节点；将第二节点对的第二网络动作、第二网络状态和目标第一网络动作的奖励值输入目标子模型中，输出目标第一网络动作的目标值；根据目标值和最大的评估值确定评估子模型的模型损失，根据模型损失调整评估子模型的模型参数，返回执行在动态网络的多个节点中确定出第一节点，直至模型损失满足预设损失条件，得到训练后的路由决策模型。