检索结果-内蒙古大学图书馆

清华大学学报（自然科学版） 2022年第5期62卷 832-841页

作者：宋宇波朱靖恺赵灵奇胡爱群东南大学网络空间安全学院江苏省计算机网络技术重点实验室南京211189 紫金山实验室南京211189 东南大学信息科学与工程学院移动通信国家重点实验室南京211189

现有的联邦学习存在恶意中央服务器和恶意参与者发布虚假数据毒害模型等问题。针对此情况,该文提出了一种去中心化的联邦学习模型,该模型将聚合工作由中央服务器移至参与者本地,各个参与者依据聚合算法将训练之后的模型参数写入交易,生... 详细信息

现有的联邦学习存在恶意中央服务器和恶意参与者发布虚假数据毒害模型等问题。针对此情况,该文提出了一种去中心化的联邦学习模型,该模型将聚合工作由中央服务器移至参与者本地,各个参与者依据聚合算法将训练之后的模型参数写入交易,生成区块发布到区块链网络中。采用一种基于模型准确率的Byzantine容错共识算法构建共识小组,通过建立节点信息表实现节点动态加入。对所提的链上去中心化联邦学习模型的吞吐量、时延等性能进行了相关测试,结果表明:在相同条件下,基于模型准确率的高性能Byzantine容错共识算法相较于传统的Byzantine容错共识算法,吞吐量提升60%,系统平均时延从6 s减少到1 s。

关键词：联邦学习区块链共识机制模型准确率去中心化学习

来源：评论

学校读者我要写书评

暂无评论

浅层模型剪枝对准确率及计算量变化探究

引用

电脑知识与技术 2024年第18期20卷 11-14页

作者：岑华峰中国工程物理研究院电子工程研究所四川绵阳621999

剪枝算法能显著降低模型的计算量,是一种在模型计算量和准确率间寻求平衡的方法。现有剪枝算法往往在稀疏性维度进行调整,以不同稀疏度的模型来满足不同计算量和准确率需求的任务。该文从浅层网络剪枝的粒度控制出发,提出了两种新的剪... 详细信息

剪枝算法能显著降低模型的计算量,是一种在模型计算量和准确率间寻求平衡的方法。现有剪枝算法往往在稀疏性维度进行调整,以不同稀疏度的模型来满足不同计算量和准确率需求的任务。该文从浅层网络剪枝的粒度控制出发,提出了两种新的剪枝策略:减少浅层剪枝与增大浅层剪枝,在稀疏性相近的情况下分别达到进一步提高准确率和降低计算量的作用。通过该文的策略,可以从浅层模型的粒度控制维度去满足不同的任务需求。

关键词：剪枝浅层网络粒度控制模型准确率模型计算量

来源：评论

学校读者我要写书评

暂无评论

网页新闻流行度预测研究

网页新闻流行度预测研究

引用

作者：柳彩云中国科学院大学

学位级别：硕士

当下，网络安全影响着千千万万普通百姓的生活。作为信息安全领域的研究者，我们有义务为公众提供一个权威的、及时的安全新闻资讯发布平台和安全知识普及平台。为了保证信息的及时性，就需要将多个安全新闻网站进行数据分析与预测，找... 详细信息

当下，网络安全影响着千千万万普通百姓的生活。作为信息安全领域的研究者，我们有义务为公众提供一个权威的、及时的安全新闻资讯发布平台和安全知识普及平台。为了保证信息的及时性，就需要将多个安全新闻网站进行数据分析与预测，找出最有价值的新闻。但是目前的新闻流行度研究主要针对的是单一网站的预测，且对流行情况进行分类的研究居多，回归研究较少，准确率也有待提升。同时，这样的研究不能很好地解决不显示点击量网站的冷启动问题。　　本文为此展开网页新闻流行度预测的研究工作，并提出针对模型准确率和冷启动问题的解决方案，已经取得的主要工作成果和创新性体现在以下几个方面:　　(1)本文改进并扩展了流行度预测的特征集。提出了语法结构特征，主要通过对新闻标题的词语进行拆分，统计每个热点词词性和热点标点符号，赋予词语权重来计算语法结构分数，将模型的判别系数提高了6.62％。同时，改进了作者、类别特征，通过计算对数分数来增加特征对于浏览量的线性关系。所提出的特征和改进的特征均对提升流行度预测的准确性有很大的改善。　　(2)本文提出了基于LSTM的流行度预测回归模型(UDFL，User-defined Features and LSTM)，该模型将自定义特征和深度学习模型结合，基于LSTM（Long Short-Term Memory）网络学习历史新闻中的特征，从而预测新发布新闻在稳定时期的浏览量。为了说明该模型的性能，本文对freebuf网站、信息安全博士网以及腾讯新闻网进行了实验分析和对比。实验表明该模型性能优于目前的两种传统预测模型（自定义特征结合机器学习算法与文本特征结合深度学习算法）。以freebuf网站的预测为例，当训练集与测试集的比例值为30％时，模型的平均绝对误差分别降低了25％和23％。　　(3)本文提出了一个多源新闻网络的流行度预测系统(OLNPP，Online News Popularity Predict)，并以微信公众平台为发布平台进行了实现。该系统实现了一键式的多网站新闻抓取、特征提取、模型预测的全部过程。据我们调查，目前没有类似的跨平台开源系统能够实现一键式的多源新闻网站的流行度预测功能。与目前大量只针对单一网站进行预测的研究相比，该系统基于多源新闻网站来设计，通过识别新闻网站是否可训练将其分为两组进行预测，如果网站显示浏览量，则对网站分别训练UDFL预测模型，如果网站不显示浏览量，也无评论数等可以表征流行度的指标，则通过已有模型的模型融合来进行预测，通过这种方式解决了无法训练的网站的冷启动问题。　　本文所提出的特征、模型和系统对于降低网页新闻流行度预测的误差起到了重要作用，也为多源网站的预测提供了一个新的思路，所实现的新闻发布平台也为信息安全知识的传播做出了一定的贡献。

关键词：网页信息流行度预测特征提取深度学习模型准确率冷启动

来源：评论

学校读者我要写书评

暂无评论

基于二值离散余弦变换的轻量级图像分类系统实现

基于二值离散余弦变换的轻量级图像分类系统实现

引用

作者：邢翔瑞厦门大学

学位级别：硕士

随着当前社会信息化、自动化、智能化程度的不断提高,计算机视觉受到了各个领域内的研究者们越来越多的重视。图像分类系统应运而生,图像分类系统就是部署在计算机或运算平台上,将低层次的图像数据提取为高层次的语义特征,实现图像分类... 详细信息

随着当前社会信息化、自动化、智能化程度的不断提高,计算机视觉受到了各个领域内的研究者们越来越多的重视。图像分类系统应运而生,图像分类系统就是部署在计算机或运算平台上,将低层次的图像数据提取为高层次的语义特征,实现图像分类功能的系统。在图像分类系统中,有两个标准共同来衡量系统的性能:第一个标准是准确率,准确率越高说明系统越可靠;第二个标准是系统的算法复杂度,算法复杂度低的系统更加易于部署并且运行更快速。基于卷积神经网络的图像分类系统能够自适应提取图像特征,准确率对比基于手工挑选特征的图像分类系统较高,但是比较耗费运算资源和存储资源。本文针对已有算法的不足,运用二值离散余弦变换算法,在保证模型高准确率的基础上设计了轻量级图像分类系统。本文独立完成了以下工作:(1)设计图像分类系统。特征提取阶段运用离散余弦变换对图像中的局部小块进行有效、快速的特征提取。在特征精简阶段,运用多图合并的二值化哈希变换与分块直方图量化拼接进行特征的合并。引入超参数对特征进行采样精简。(2)将二值离散余弦变换算法与图像特征提取相结合。将二维离散余弦变换分解为正交的一维变换,降低运算消耗。将矩阵化的离散余弦变换算法与二值离散余弦变换算法相结合,将特征提取过程中浮点乘法运算替换为定点加法运算,极大缩减了模型运算量。(3)在两个数据集上完成验证。通用手写字符MNIST数据集和车标图像VLOGO数据集上均达到了已知最佳的分类准确率。设计的图像分类系统相比主流的深度学习模型和轻量级模型,分类准确率更高,存储复杂度与运算复杂度大幅度缩减,在现实运用中具有实用性和易部署性。

关键词：图像分类系统离散余弦变换模型准确率算法复杂度

来源：评论

学校读者我要写书评

暂无评论

基于CNN的手写体数字识别模型影响因素研究

引用

河北建筑工程学院学报 2023年第1期41卷 232-237页

作者：邹其王翊同葛成鹏李鸿强河北建筑工程学院河北张家口075000

采用文献查阅法和实验对比法,研究了卷积神经网络(CNN)的经典LeNet-5网络结构在手写体数字识别应用中的模型准确率影响因素,分别对训练集数量、测试集数量和训练迭代次数三个因素进行控制变量对照实验,并通过实验对比的方式评估各因素... 详细信息

采用文献查阅法和实验对比法,研究了卷积神经网络(CNN)的经典LeNet-5网络结构在手写体数字识别应用中的模型准确率影响因素,分别对训练集数量、测试集数量和训练迭代次数三个因素进行控制变量对照实验,并通过实验对比的方式评估各因素对模型产生的影响。得到结论:训练集数量与训练迭代次数对模型准确率存在正相关影响,测试集数量对模型准确率不产生影响,训练集数量与训练迭代次数是影响模型准确率的因素。

关键词：卷积神经网络手写体识别模型准确率影响因素

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：