-
公开(公告)号：CN118313445A
公开(公告)日：2024-07-09
申请号：CN202410529143.5
申请日：2024-04-29
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 鹏城实验室
IPC: G06N3/098 , G06N3/096 , G06N3/084 , G06N3/0464 , G06N3/0499 , G06F18/2415 , G06F18/2431 , G06N3/048
Abstract: 本发明涉及联邦学习技术领域，公开了一种基于受约束梯度更新的联邦类增量学习方法及系统，该方法包括：接收服务器发送的上一任务的个性化全局模型和跨任务协作损失；当获取到新的任务数据时，基于上一任务的梯度空间的基向量、新的任务的预测标签和真实标签以及跨任务协作损失，对上一任务的模型参数沿着与其梯度空间正交的方向进行更新，得到新的任务在本轮训练中的模型参数；对新的任务的类原型进行加权平均，得到新的任务在本轮训练中的类平均原型；重复上述模型参数和类平均原型的更新，进行预设轮次训练，在每一轮训练完成后，向服务器发送新的任务的模型参数和类平均原型。本发明在客户端有新增任务时，避免灾难性遗忘和模型漂移问题。
-
Patent Agency Ranking
公开(公告)号：CN118277669A
公开(公告)日：2024-07-02
申请号：CN202410462841.8
申请日：2024-04-17
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 鹏城实验室
IPC: G06F16/9535 , G06F18/214 , G06F18/23 , G06F17/16 , G06N3/098
Abstract: 本发明公开了一种基于超图信号分解的联邦跨域推荐方法，属于数据挖掘技术领域。解决了现有技术中传统的跨域推荐方法的难以避免全局模型混入领域特有信息的问题；本发明设定总通信轮次，使用本地数据初始化训练客户端模型，服务器随机选取客户端训练；客户端使用本地的低通超图滤波器和高通超图滤波器分别得到领域特定和领域共享的用户表征和物品表征；客户端和服务器之间运行本地‑全局知识迁移算法；服务器对得到的领域共享的用户表征和更新后的低通超图滤波器的模型进行聚合；服务器将聚合后的全局用户表征和聚合后的低通超图滤波器的模型发送给客户，重复上述步骤直至执行完总通信轮次。本发明避免了出现负迁移问题，可以应用于联邦跨域推荐。
-
公开(公告)号：CN117573975A
公开(公告)日：2024-02-20
申请号：CN202311548012.3
申请日：2023-11-17
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 鹏城实验室
IPC: G06F16/9535 , G06N3/0455 , G06N3/042 , G06N3/048 , G06N3/098
Abstract: 本发明提供了一种联邦跨领域的信息推荐方法、装置、终端设备及介质，所述信息推荐方法从服务器获取预先训练好的跨域序列推荐模型，并且通过用户的交互信息，确定对用户的推荐建议。该模型由服务器将多个本地模型聚合得到，每个本地模型对应一个客户端，并且每个本地模型在对应的客户端本地训练得到，这样，对于客户端来说，不需要将本地的数据上传到服务器，也可以通过服务器训练得到跨域序列推荐模型，然后从服务器获取该模型并进行应用，确保了客户端数据拥有方的数据隐私，此外相比现有的定制化推荐模型，跨域序列推荐模型通过多个本地模型聚合得到并且各本地模型分别由对应客户端本地训练得到，可以有效提高跨域序列推荐模型的性能和质量。
-
公开(公告)号：CN117573975B
公开(公告)日：2024-12-13
申请号：CN202311548012.3
申请日：2023-11-17
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 鹏城实验室
IPC: G06F16/9535 , G06N3/0455 , G06N3/042 , G06N3/048 , G06N3/098
Abstract: 本发明提供了一种联邦跨领域的信息推荐方法、装置、终端设备及介质，所述信息推荐方法从服务器获取预先训练好的跨域序列推荐模型，并且通过用户的交互信息，确定对用户的推荐建议。该模型由服务器将多个本地模型聚合得到，每个本地模型对应一个客户端，并且每个本地模型在对应的客户端本地训练得到，这样，对于客户端来说，不需要将本地的数据上传到服务器，也可以通过服务器训练得到跨域序列推荐模型，然后从服务器获取该模型并进行应用，确保了客户端数据拥有方的数据隐私，此外相比现有的定制化推荐模型，跨域序列推荐模型通过多个本地模型聚合得到并且各本地模型分别由对应客户端本地训练得到，可以有效提高跨域序列推荐模型的性能和质量。
-
公开(公告)号：CN116306986A
公开(公告)日：2023-06-23
申请号：CN202211569899.X
申请日：2022-12-08
Applicant: 哈尔滨工业大学(深圳)
IPC: G06N20/20
Abstract: 本发明公开一种基于动态亲和力聚合的联邦学习方法及相关设备，所述方法包括：服务器端发送初始化模型至所有客户端；客户端利用预存的本地数据对初始化模型进行模型训练，得到经过训练后的模型参数后；服务器端根据类别数量组成数据分布向量后，计算所有客户端之间的亲和力值；服务器端根据经过训练后的模型参数和亲和力值生成每个客户端在本轮中的个性化全局模型；客户端在每轮通信上结合个性化全局模型更新经过训练后的模型参数，直至服务器端执行完所有的通信轮次。通过服务器端根据经过训练后的模型参数和所有客户端之间的亲和力值，生成每个客户端的个性化全局模型，以便客户端进行更新训练后的模型参数，从而有效地提升联邦学习的模型性能。
-
公开(公告)号：CN116306986B
公开(公告)日：2024-01-12
申请号：CN202211569899.X
申请日：2022-12-08
Applicant: 哈尔滨工业大学(深圳)
IPC: G06N20/20
Abstract: 本发明公开一种基于动态亲和力聚合的联邦学习方法及相关设备，所述方法包括：服务器端发送初始化模型至所有客户端；客户端利用预存的本地数据对初始化模型进行模型训练，得到经过训练后的模型参数后；服务器端根据类别数量组成数据分布向量后，计算所有客户端之间的亲和力值；服务器端根据经过训练后的模型参数和亲和力值生成每个客户端在本轮中的个性化全局模型；客户端在每轮通信上结合个性化全局模型更新经过训练后的模型参数，直至服务器端执行完所有的通信轮次。通过服务器端根据经过训练后的模型参数和所有客户端之间的亲和力值，生成每个客户端的个性化全局模型，以便客户端进行更新训练后的模型参数，从而有效地提(56)对比文件应作斌等.动态聚合权重的隐私保护联邦学习框架《.网络与信息安全学报》.2022,第8卷(第5期),56-65.陈飞扬等.FCAT-FL:基于Non-IID数据的高效联邦学习算法《.南京邮电大学学报(自然科学版)》.2022,第42卷(第3期),90-99.Zhiyuan Zhao等.A Dynamic ReweightingStrategy For Fair Federated Learning.《2022 IEEE International Conference onAcoustics, Speech and Signal Processing》.2022,8772-8776.You Jun Kim等.Blockchain-based Node-aware Dynamic Weighting Methods forImproving Federated Learning Performance.《2019 20th Asia-Pacific NetworkOperations and Management Symposium》.2019,1-4.
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
