期刊文献+
共找到13篇文章
< 1 >
每页显示 20 50 100
联邦学习综述:概念、技术、应用与挑战 被引量:23
1
作者 梁天恺 曾碧 陈光 《计算机应用》 CSCD 北大核心 2022年第12期3651-3662,共12页
在强调数据确权以及隐私保护的时代背景下,联邦学习作为一种新的机器学习范式,能够在不暴露各方数据的前提下达到解决数据孤岛以及隐私保护问题的目的。目前,基于联邦学习的建模方法已成为主流并且获得了很好的效果,因此对联邦学习的概... 在强调数据确权以及隐私保护的时代背景下,联邦学习作为一种新的机器学习范式,能够在不暴露各方数据的前提下达到解决数据孤岛以及隐私保护问题的目的。目前,基于联邦学习的建模方法已成为主流并且获得了很好的效果,因此对联邦学习的概念、技术、应用和挑战进行总结与分析具有重要的意义。首先,阐述了机器学习的发展历程以及联邦学习出现的必然性,并给出联邦学习的定义与分类;其次,介绍并分析了目前业界认可的三种联邦学习方法:横向联邦学习、纵向联邦学习和联邦迁移学习;然后,针对联邦学习的隐私保护问题,归纳并总结了目前常见的隐私保护技术;此外,还对联邦学习的现有主流开源框架进行了介绍与对比,同时给出了联邦学习的应用场景;最后,展望了联邦学习所面临的挑战和未来的研究方向。 展开更多
关键词 联邦学习 隐私保护 横向联邦学习 纵向联邦学习 联邦迁移学习 开源框架
下载PDF
利用联邦学习技术促进大数据中心的集成应用
2
作者 陈家良 冯金顺 +5 位作者 董少然 郭新苍 范烁晨 朱光耀 高静 马胤垚 《计算机与网络》 2024年第4期289-295,共7页
基于开源联邦学习框架,构建支持横向联邦学习、纵向联邦学习以及联邦迁移学习的联邦学习平台,提供从数据接入到模型部署的一站式开发能力,简化联邦学习模型的开发和上线工作,降低使用的门槛。联邦学习平台能够有机地融入现有大数据中心... 基于开源联邦学习框架,构建支持横向联邦学习、纵向联邦学习以及联邦迁移学习的联邦学习平台,提供从数据接入到模型部署的一站式开发能力,简化联邦学习模型的开发和上线工作,降低使用的门槛。联邦学习平台能够有机地融入现有大数据中心,结合现有的数据资源分布特点,灵活运用平台的角色分配机制,创建有效的联邦学习模型。联邦学习平台及其部署方案能够打破现在大数据中心独立建设带来的“数据孤岛”局面,全方位提升大数据平台的使用效率。 展开更多
关键词 联邦学习 大数据中心 横向联邦学习 纵向联邦学习 联邦迁移学习
下载PDF
城市多模式交通大模型MT-GPT:点线面的分层技术与应用场景 被引量:1
3
作者 周臻 顾子渊 +2 位作者 曲小波 刘攀 刘志远 《中国公路学报》 EI CAS CSCD 北大核心 2024年第2期253-274,共22页
城市多模式交通系统是一个高度复杂而多元的交通网络,旨在有效地满足城市内人员、货物和服务的流动需求。多模式交通系统复杂性源于许多因素,包括不同交通模式间的耦合性,交通需求和供应之间复杂的相互作用,以及开放、异质和自适应交通... 城市多模式交通系统是一个高度复杂而多元的交通网络,旨在有效地满足城市内人员、货物和服务的流动需求。多模式交通系统复杂性源于许多因素,包括不同交通模式间的耦合性,交通需求和供应之间复杂的相互作用,以及开放、异质和自适应交通系统的固有随机特性。因此,理解和管理这样一个复杂系统是一个非常复杂且困难的任务。随着交通以及其他领域多源大数据可获取性的增加,计算机硬件算力的增强,以及机器学习模型的飞速发展,大模型的概念被许多领域应用与实践,包括计算机视觉、自然语言处理等。将大模型的概念应用于交通领域,提出了一种根据交通拓扑结构分层“点线面”的多模式交通大模型框架(Multimodal Transportation Generative Pre-trained Transformer,MT-GPT),旨在为复杂多模式交通系统中的多方位决策任务提供数据驱动的大模型。考虑到不同交通模式的特征,探讨了实现这一概念框架的核心技术及其整合方式,构思了适配交通的大模型数据范式与改进的分层多任务学习、分层联邦学习、分层迁移学习与分层Transformer框架。最后,通过搭建“任务岛”与“耦合桥”的框架讨论了这样一个多模式交通大模型框架在“点线面”3层大模型框架下的应用案例,从而为多尺度的多模式交通规划、网络设计、基础设施建设和交通管理提供智能化的支持。 展开更多
关键词 交通工程 多模式交通 大模型 交通管理与决策 TRANSFORMER 多任务学习 联邦学习 迁移学习
原文传递
基于差分隐私保护知识迁移的联邦学习方法 被引量:3
4
作者 徐晨阳 葛丽娜 +3 位作者 王哲 周永权 秦霞 田蕾 《计算机应用研究》 CSCD 北大核心 2023年第8期2473-2480,共8页
联邦学习解决了机器学习的数据孤岛问题,然而,各方的数据集在数据样本空间和特征空间上可能存在较大差异,导致联邦模型的预测精度下降。针对上述问题,提出了一种基于差分隐私保护知识迁移的联邦学习方法。该方法使用边界扩展局部敏感散... 联邦学习解决了机器学习的数据孤岛问题,然而,各方的数据集在数据样本空间和特征空间上可能存在较大差异,导致联邦模型的预测精度下降。针对上述问题,提出了一种基于差分隐私保护知识迁移的联邦学习方法。该方法使用边界扩展局部敏感散列计算各方实例之间的相似度,根据相似度对实例进行加权训练,实现基于实例的联邦迁移学习。在此过程中,实例本身无须透露给其他方,防止了隐私的直接泄露。同时,为了减少知识迁移过程的隐私间接泄露,在知识迁移过程中引入差分隐私机制,对需要在各方之间传输的梯度数据进行扰动,实现知识迁移过程的隐私保护。理论分析表明,知识迁移过程满足ε-差分隐私保护。在XGBoost梯度提升树模型上实现了所提方法,实验结果表明,与无知识迁移方法相比,所提方法使联邦模型测试误差平均下降6%以上。 展开更多
关键词 联邦学习 迁移学习 局部敏感散列 差分隐私 梯度提升树
下载PDF
保证数据隐私的装备协同智能故障诊断联邦迁移学习方法 被引量:2
5
作者 李响 付春霖 +2 位作者 雷亚国 李乃鹏 杨彬 《机械工程学报》 EI CAS CSCD 北大核心 2023年第6期1-9,共9页
大数据驱动的机械装备智能故障诊断方法在近年来取得了显著的成果,当前良好的诊断效果主要依赖于大量有标注的状态监测数据以中心化的方式训练模型,然而在实际工程问题中,单一用户往往难以收集充足的高质量训练数据,因此智能诊断方法的... 大数据驱动的机械装备智能故障诊断方法在近年来取得了显著的成果,当前良好的诊断效果主要依赖于大量有标注的状态监测数据以中心化的方式训练模型,然而在实际工程问题中,单一用户往往难以收集充足的高质量训练数据,因此智能诊断方法的实际应用仍存在巨大困难。在工业界,多个用户往往拥有相似的机械装备与各自收集的监测数据,因此联合多用户协同进行故障诊断建模能够良好解决数据稀缺问题。然而,数据隐私性至关重要,不同用户往往不愿将私有数据与其他用户共享,给协同建模带来巨大挑战。提出保证数据隐私的装备协同智能故障诊断方法FedTL,各用户私有数据不出本地完成模型训练,多用户间传输共享数据高级表征;提出软标签信息传输方法,通过捕捉共享数据不同故障模式关系实现对私有数据诊断知识的传递;考虑多用户装备工况不同等场景,提出联邦迁移学习方法。通过轴承状态监测试验对所提方法进行验证,结果表明所提方法能够保证数据隐私良好完成多用户协同智能故障诊断。 展开更多
关键词 机械装备 故障诊断 数据隐私 联邦学习 迁移学习
原文传递
基于联邦迁移的跨项目软件缺陷预测
6
作者 宋慧玲 李勇 张文静 《南京师大学报(自然科学版)》 CAS 北大核心 2024年第3期122-128,共7页
跨项目软件缺陷预测基于已标注的多源项目数据构建模型,可以解决软件历史数据不足和标注代价高的问题.但在传统跨项目缺陷预测中,源项目数据持有者为了保护软件数据的商业隐私,而导致的“数据孤岛”问题直接影响了跨项目预测的模型性能... 跨项目软件缺陷预测基于已标注的多源项目数据构建模型,可以解决软件历史数据不足和标注代价高的问题.但在传统跨项目缺陷预测中,源项目数据持有者为了保护软件数据的商业隐私,而导致的“数据孤岛”问题直接影响了跨项目预测的模型性能.本文提出基于联邦迁移的跨项目软件缺陷预测方法(FT-CPDP).首先,针对数据隐私泄露和项目间特征异构问题,提出基于联邦学习与迁移学习相结合的模型算法,打破各数据持有者间的“数据壁垒”,实现隐私保护场景下的跨项目缺陷预测模型.其次,在联邦通信过程中添加满足隐私预算的噪声来提高隐私保护水平,最后构建卷积神经网络模型实现软件缺陷预测.基于NASA软件缺陷预测数据集进行实验,结果表明与传统跨项目缺陷预测方法相比,本文提出的FT-CPDP方法在实现软件数据隐私保护的前提下,模型的综合性能表现较优. 展开更多
关键词 软件缺陷预测 联邦学习 迁移学习 差分隐私 卷积神经网络
下载PDF
基于联邦模型迁移的不同规格滚动轴承故障诊断方法
7
作者 康守强 肖杨 +3 位作者 王玉静 王庆岩 梁欣涛 V.I.Mikulovich 《振动与冲击》 EI CSCD 北大核心 2023年第22期184-192,共9页
数据隐私与数据安全问题逐渐受到社会关注,各用户隐私的滚动轴承振动数据存在孤岛且不共享的问题,同时不同规格滚动轴承振动数据分布差异大、部分已知标签数据稀缺,使得诊断准确率不高。针对上述问题,提出一种基于联邦模型迁移的不同规... 数据隐私与数据安全问题逐渐受到社会关注,各用户隐私的滚动轴承振动数据存在孤岛且不共享的问题,同时不同规格滚动轴承振动数据分布差异大、部分已知标签数据稀缺,使得诊断准确率不高。针对上述问题,提出一种基于联邦模型迁移的不同规格滚动轴承故障诊断框架。该方法对多个用户振动数据做短时傅里叶变换,构建时频图数据集;各用户训练本地模型并将模型参数上传至服务器,同时引入差值更新和参数稀疏化算法改进联邦学习中本地模型参数传递策略;服务器采用联邦平均算法聚合模型参数并更新本地模型,迭代后建立用于迁移学习的共享模型;提出逐层解冻策略保留共享模型部分参数并发送给每个用户,再利用本地数据微调共享模型,获得适用于每个用户的个性化模型。经试验验证,所提方法在数据孤岛和标签稀缺的前提下,可实现不同规格滚动轴承故障诊断,并具有较高的准确率和良好的泛化性能。 展开更多
关键词 联邦学习 迁移学习 滚动轴承 故障诊断 不同规格
下载PDF
反迁移学习的隐私保护联邦学习
8
作者 许勐璠 李兴华 《西安电子科技大学学报》 EI CAS CSCD 北大核心 2023年第4期89-99,共11页
模型窃取和梯度泄露两大攻击日益成为限制联邦学习广泛应用的瓶颈。现有基于授权的知识产权保护方案和联邦学习隐私保护方案已针对上述挑战开展了大量研究,但仍存在授权失效和计算开销大的问题。针对上述问题,提出了一种联邦学习下的模... 模型窃取和梯度泄露两大攻击日益成为限制联邦学习广泛应用的瓶颈。现有基于授权的知识产权保护方案和联邦学习隐私保护方案已针对上述挑战开展了大量研究,但仍存在授权失效和计算开销大的问题。针对上述问题,提出了一种联邦学习下的模型知识产权与隐私保护方法。该方法能够在保护本地梯度隐私的同时,确保聚合后的模型授权不失效。具体来说,设计了一种基于盲化因子的轻量级梯度聚合方法,通过聚合密文盲化因子,大幅度降低加解密过程的计算开销。在此基础上,进一步提出了一种基于反迁移学习的交互式协同训练方法,在训练过程增大辅助域数据的表征向量与阻碍之间的香农互信息,实现在保护本地梯度隐私的同时,确保模型仅能被授权用户在已授权的领域使用。从理论上证明了该方案的安全性和正确性,并在公开数据集上验证了该方案的优越性。结果表明,所提方案确保联邦学习全局模型在未授权领域的性能较现有方案至少降低了约47%,计算复杂度实现了梯度维度级的降低。 展开更多
关键词 联邦学习 知识产权保护 反迁移学习 隐私保护 公钥密码学
下载PDF
基于联邦学习和重要性加权的疾病得分预测 被引量:1
9
作者 许亚倩 崔文泉 程浩洋 《计算机系统应用》 2022年第12期375-382,共8页
在考虑用户隐私的保护多源域数据背景下预测疾病得分的问题中,来自不同源域的数据分散存储无法合并,且可能服从不同的分布,因此传统的机器学习方法无法合理地利用源域数据的信息.本文结合联邦学习的思想和基于样本的迁移学习方法,提出... 在考虑用户隐私的保护多源域数据背景下预测疾病得分的问题中,来自不同源域的数据分散存储无法合并,且可能服从不同的分布,因此传统的机器学习方法无法合理地利用源域数据的信息.本文结合联邦学习的思想和基于样本的迁移学习方法,提出了联邦重要性加权方法,通过将源域的样本重用于目标域的预测任务,而且不需要进行源域之间的数据共享,实现了在保护源域的数据隐私的情况下利用分布不同的多源域的信息提升目标域预测的精度.并且基于提出的方法,本文构造了一种加权模型并提供了一个简洁通用的算法用于求解目标域的预测模型.数值模拟以及实证结果表明,相对于未考虑分布迁移的传统方法,联邦重要性加权方法可以有效地利用多源域数据的信息,在目标域的预测精度上具有优势,以及在帕金森疾病数据中做出精准的疾病得分预测. 展开更多
关键词 联邦学习 迁移学习 重要性加权 加权模型 疾病得分 机器学习 隐私保护
下载PDF
第107届北美放射学会年会亮点:人工智能 被引量:1
10
作者 林洁琼 黄燕琪 +1 位作者 梁长虹 曾洪武 《磁共振成像》 CAS CSCD 北大核心 2022年第3期111-114,121,共5页
第107届北美放射学会(Radiological Society of North America,RSNA)年会人工智能亮点聚焦于:(1)新技术新算法:联邦学习破解数据孤岛难题,迁移学习应用于多中心数据;(2)真实年龄新概念:“影像-生理年龄”;(3) AI赋能影像,从实验室走向... 第107届北美放射学会(Radiological Society of North America,RSNA)年会人工智能亮点聚焦于:(1)新技术新算法:联邦学习破解数据孤岛难题,迁移学习应用于多中心数据;(2)真实年龄新概念:“影像-生理年龄”;(3) AI赋能影像,从实验室走向临床应用,包括早期诊断、风险评估、预后预测、临床决策辅助、自动化智能测量等;(4) AI应用的挑战:数据“黑盒”、模型适用性,数据管理及法律责任等。结合近年文献,本文对2021 RSNA年会AI研究进行概述。 展开更多
关键词 人工智能 深度学习 卷积神经网络 联邦学习 迁移学习 影像组学
下载PDF
基于数据属性修改的联邦学习隐私保护策略 被引量:1
11
作者 徐硕 张睿 夏辉 《信息网络安全》 CSCD 北大核心 2022年第1期55-63,共9页
针对大部分联邦学习防御方法存在降低联邦学习实用性、计算效率低和防御攻击种类单一等问题,文章提出一种基于变分自编码器的属性修改框架,在客户端对数据预处理以达到保护联邦学习的目的。首先,为了提高算法计算效率,文章提出一种基于... 针对大部分联邦学习防御方法存在降低联邦学习实用性、计算效率低和防御攻击种类单一等问题,文章提出一种基于变分自编码器的属性修改框架,在客户端对数据预处理以达到保护联邦学习的目的。首先,为了提高算法计算效率,文章提出一种基于迁移学习的变分自编码器训练方案来减少客户端训练周期;其次,利用变分自编码器具有连续性的潜变量,设计了一种基于属性分布约束规则的属性修改方案来实现客户端训练数据的重构。实验结果表明,属性修改方案可以成功分离和控制图像的属性向量,通过将原始图像改变为带有相应属性的重构图像,保护了客户端数据隐私。将修改后的图像用于训练联邦学习分类任务,其准确率可达94.44%,体现了方案的可用性,并且该方案可以成功防御非主属性隐私泄露和基于数据中毒的后门攻击。 展开更多
关键词 联邦学习 隐私保护 变分自编码器 迁移学习
下载PDF
FCAT⁃FL:基于Non⁃IID数据的高效联邦学习算法
12
作者 陈飞扬 周晖 张一迪 《南京邮电大学学报(自然科学版)》 北大核心 2022年第3期90-99,共10页
针对非独立同分布(Non⁃IID)数据影响联邦学习收敛速度、公平性和准确性的问题,提出一种基于Non⁃IID数据的快速收敛公平联邦迁移学习框架———FCAT⁃FL。该框架改进传统联邦学习依照客户端数据量占比权衡聚合贡献度的策略,根据客户端本... 针对非独立同分布(Non⁃IID)数据影响联邦学习收敛速度、公平性和准确性的问题,提出一种基于Non⁃IID数据的快速收敛公平联邦迁移学习框架———FCAT⁃FL。该框架改进传统联邦学习依照客户端数据量占比权衡聚合贡献度的策略,根据客户端本地模型参数和服务器聚合模型参数间的关系,在每轮聚合时为客户端动态分配自适应权重,并在客户端引入个性化迁移学习模型和动量梯度下降算法以求加快本地模型训练速度。实验结果表明:与几种基线聚合策略相比,当部分客户端的数据为Non⁃IID时,FCAT⁃FL中聚合策略1的全局迭代轮次有所减少,客户端间公平性和准确性得到提高,并且迁移学习的使用令客户端需训练和上传的模型参数数量减少,使FCAT⁃FL适用于客户端资源有限的移动边缘网络。 展开更多
关键词 联邦学习 非独立同分布 收敛性 公平性 迁移学习 动量梯度下降
下载PDF
基于茫然传输协议的FATE联邦迁移学习方案 被引量:3
13
作者 郑云涛 叶家炜 《计算机工程》 CAS CSCD 北大核心 2023年第2期24-30,共7页
利用不同来源的数据参与机器学习模型的训练,能够使得训练出的模型的预测结果更加准确,然而大量的数据收集则会产生隐私方面的相关问题。FATE联邦迁移学习是一种基于同态加密的联邦学习框架,但FATE联邦迁移学习中同态加密计算复杂,收敛... 利用不同来源的数据参与机器学习模型的训练,能够使得训练出的模型的预测结果更加准确,然而大量的数据收集则会产生隐私方面的相关问题。FATE联邦迁移学习是一种基于同态加密的联邦学习框架,但FATE联邦迁移学习中同态加密计算复杂,收敛速度相对较慢,导致模型训练效率低。提出一种基于茫然传输协议的安全矩阵计算方案。通过实现矩阵加法和乘法及数乘的安全计算,完成参与两方交互下具有数据隐私保护特性机器学习模型的损失函数计算与梯度更新,并以此构造更高效的FATE联邦迁移学习算法方案。在此基础上,通过茫然传输扩展协议和通信批量处理,减少需要调用的茫然传输协议的数量,缩减通信轮数,从而降低茫然传输协议带来的通信消耗。性能分析结果表明,该方案的安全模型满足安全性和隐私保护性,并且具有一定的可扩展性,在局域网环境下,相比基于同态加密的方案,模型收敛的平均时间缩短约25%,并且随着数据样本特征维度的增加,该方案仍能保持稳定的收敛速度。 展开更多
关键词 联邦迁移学习 安全多方计算 秘密共享 茫然传输协议 同态加密
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部