检索结果-内蒙古大学图书馆

数据采集与处理 2020年第4期35卷 613-629页

作者：张春英高瑞艳刘凤春王佳昊陈松冯晓泽任静华北理工大学理学院唐山063210 华北理工大学迁安学院唐山063210 河北省数据科学与应用重点实验室唐山063210

针对不完备信息系统的数据聚类问题,将集对分析理论引入k-means聚类中,同时为了更好地表示样本与类簇的关系,构建了一种面向不完备信息系统的集对k-means(Set pair k-means,SPKM)聚类算法。首先,基于集对理论提出了一种集对距离度量方法... 详细信息

针对不完备信息系统的数据聚类问题,将集对分析理论引入k-means聚类中,同时为了更好地表示样本与类簇的关系,构建了一种面向不完备信息系统的集对k-means(Set pair k-means,SPKM)聚类算法。首先,基于集对理论提出了一种集对距离度量方法,并将该度量方法运用到k-means算法中,得到初步聚类结果;随后,对于同时属于多个类的样本,将其分配到相应类的边界域,对于只属于一个类的样本,将其分配到相应类的正同域或边界域,其中聚类结果由肯定属于该类簇的正同域、可能属于该类簇的边界域以及肯定不属于该类簇的负反域3个部分共同表示;最后通过选取UCI数据库中的6个数据集与4种对比算法进行实验评价。实验结果表明,SPKM算法在准确率、F1值、Jaccard系数、FMI和ARI等指标上均具有良好的聚类性能。

关键词：集对信息粒不完备信息 k‑means 集对距离度量集对k‑means聚类

来源：评论

学校读者我要写书评

暂无评论

满足个性化差分隐私的社交网络图生成方法

引用

太原理工大学学报 2024年第1期55卷 163-171页

作者：高瑞陈学斌谷铮邹元怀华北理工大学理学院河北省数据科学与应用重点实验室唐山市数据科学重点实验室河北唐山063210

【目的】针对现有本地化差分隐私社交网络图生成算法中直接扰动邻居列表的方法会导致引入过多噪声且隐私保护程度不均衡的问题,提出了一种满足个性化的本地差分隐私社交网络图生成方法(GPDP)。【方法】首先,使用传统的社区发现算法Louv... 详细信息

【目的】针对现有本地化差分隐私社交网络图生成算法中直接扰动邻居列表的方法会导致引入过多噪声且隐私保护程度不均衡的问题,提出了一种满足个性化的本地差分隐私社交网络图生成方法(GPDP)。【方法】首先,使用传统的社区发现算法Louvain对原始社交网络图进行划分,保留社区信息;其次,对于划分后的社区根据其社区内部平均权重度比值作为新的隐私预算参数分配给每个节点;然后,每个节点根据新的隐私预算各自扰动其邻居列表,同时利用随机邻接位向量(RABV)方法降低通讯成本;最后合并邻居列表形成生成图。【结果】通过在真实数据集上的实验结果表明,该算法在发布合成图数据时保证了数据隐私性和可用性的均衡,同时保留了更多的社区结构信息。

关键词：个性化差分隐私社交网络隐私保护合成图生成

来源：评论

学校读者我要写书评

暂无评论

面向方面级情感分析的外部知识增强图注意力网络

引用

计算机工程与应用 2024年

作者：马英硕张春英杨光辉王静薛涛刘璐华北理工大学理学院华北理工大学河北省数据科学与应用重点实验室华北理工大学唐山市工程计算重点实验室

方面级情感分析，作为一种细粒度的情感分析任务，旨在识别文本中特定方面的情感倾向。然而，传统的分析方法常受限于文本内部信息，忽视了外部知识及上下文与方面词间的关系。此外，图注意力网络模型在结合外部知识时往往会忽略情感方... 详细信息

方面级情感分析，作为一种细粒度的情感分析任务，旨在识别文本中特定方面的情感倾向。然而，传统的分析方法常受限于文本内部信息，忽视了外部知识及上下文与方面词间的关系。此外，图注意力网络模型在结合外部知识时往往会忽略情感方面的知识表达。针对这些问题，提出一种基于外部知识增强图注意力网络的方面级情感分析模型(External Knowledge Enhanced Graph Attention Network，EK-GAT)。具体来说，该网络利用外部情感词典为依赖树的每个单词分配情感分数，从而构建具有丰富情感表示的增强图。此外，为了进一步优化这些情感信息的使用，设计一种图注意力网络策略(SignGAT)，这使得模型处理图数据时能够准确地捕捉节点间的情感表示。实验结果显示，在四个公开数据集上，EK-GAT模型的准确率比最优基线模型分别提高了1.08%、2.40%、0.81%和2.50%。

关键词：方面级情感分析外部知识增强图注意力网络情感词典依赖树

来源：评论

学校读者我要写书评

暂无评论

基于差分隐私的直方图发布方法综述

引用

计算机应用 2024年第10期44卷 3114-3121页

作者：陈学斌单丽洋郭如敏华北理工大学理学院河北唐山063210 河北省数据科学与应用重点实验室(华北理工大学) 河北唐山063210 华北理工大学唐山市数据科学重点实验室河北唐山063210

在数字经济时代,数据发布是数据共享的重要环节。直方图数据发布是数据发布的常见方式,但它面临着隐私泄露的问题。为此,对基于差分隐私(DP)的直方图数据发布方法进行了研究。首先,介绍了DP和直方图的相关性质,以及近5年国内外针对静态... 详细信息

在数字经济时代,数据发布是数据共享的重要环节。直方图数据发布是数据发布的常见方式,但它面临着隐私泄露的问题。为此,对基于差分隐私(DP)的直方图数据发布方法进行了研究。首先,介绍了DP和直方图的相关性质,以及近5年国内外针对静态数据集和流数据的直方图发布方法的研究,并讨论了静态数据下直方图分组数、分组方式、噪声误差和分组误差的均衡,以及隐私预算分配问题。其次,探讨了动态数据下数据采样、数据预测以及滑动窗口实现分组的问题;同时针对面向区间树结构的DP直方图发布方法,将原始数据与树结构进行转化,并讨论了树结构数据的加噪、基于树结构的优化、树结构的隐私预算的分配等;此外,还讨论了直方图发布数据的可用性和隐私性、查询范围和查询精度问题。最后,通过对相关算法进行对比分析,总结了各算法的优缺点,以及部分算法的定量分析比较及适用场景,展望了未来基于DP的直方图在不同数据场景中的研究方向。

关键词：数据发布直方图发布差分隐私隐私预算均方误差

来源：评论

学校读者我要写书评

暂无评论

面向个性化与公平性的联邦学习算法fedPF

引用

计算机应用 2024年

作者：张宏扬张淑芬谷铮华北理工大学理学院河北省数据科学与应用重点实验室(华北理工大学) 唐山市数据科学重点实验室(华北理工大学) 唐山市大数据安全与智能计算重点实验室(华北理工大学)

作为一种分布式优化范式，联邦学习允许大量资源有限的客户端节点能够在不共享数据的情况下协同训练模型。然而，传统联邦学习(fedavg)通常未充分考虑公平性的问题。在实际场景中，数据分布通常具备高度异构性，常规的聚合操作可能会使... 详细信息

作为一种分布式优化范式，联邦学习允许大量资源有限的客户端节点能够在不共享数据的情况下协同训练模型。然而，传统联邦学习(fedavg)通常未充分考虑公平性的问题。在实际场景中，数据分布通常具备高度异构性，常规的聚合操作可能会使模型对某些客户端产生偏见，导致全局模型在客户端本地的性能分布出现巨大差异。针对这一问题，提出了一种面向个性化与公平性的算法fedPF。fedPF旨在有效减少联邦学习中低效的聚合行为，并通过寻找全局模型与本地模型的相关性，在客户端之间分配个性化模型，在保证全局模型性能的同时，使客户端本地性能分布更均衡。fedPF在Synthetic、MNIST以及CIFAR10数据集上进行实验和性能分析，并与fedprox、qfedavg和fedavg三种联邦学习算法进行对比。实验结果表明，fedPF在有效性和公平性上均得到显著提升。

关键词：联邦学习公平个性化异构数据客户端选择

来源：评论

学校读者我要写书评

暂无评论

面向部分图更新的动态社交网络隐私发布方法

引用

计算机应用 2024年第12期44卷 3831-3838页

作者：高瑞陈学斌张祖篡华北理工大学理学院河北唐山063210 河北省数据科学与应用重点实验室(华北理工大学) 河北唐山063210 唐山市数据科学重点实验室(华北理工大学) 河北唐山063210

针对现有动态社交网络隐私保护中存在的添加噪声尺度过大以及迭代过程中误差积累的问题,提出一种面向部分图更新的动态社交网络隐私发布方法 PGU-DNDP(Partial Graph Updating in Dynamic social Network based on Differential Privacy... 详细信息

针对现有动态社交网络隐私保护中存在的添加噪声尺度过大以及迭代过程中误差积累的问题,提出一种面向部分图更新的动态社交网络隐私发布方法 PGU-DNDP(Partial Graph Updating in Dynamic social Network based on Differential Privacy)。首先,通过时间权衡的动态社区发现算法收集网络快照图集合中的更新序列;其次,使用静态图发布方法得到初始生成图;最后,基于上一时刻的生成图和当前时刻更新序列完成部分图更新。部分更新的方法可以降低全图扰动带来的过量噪声并优化时间成本,避免合成图密集情况发生。此外,在部分更新中设计一种边缘更新策略,结合自适应的扰动和下采样机制,通过隐私放大减小迭代过程中的累积误差,从而有效提高合成图的精度。在3个合成数据集和2个真实的动态数据集上的实验结果表明,PGU-DNDP能够在保证动态社交网络隐私需求的同时,比主流的静态图生成方法 PrivGraph(differentially Private Graph data publication by exploiting community information)保留更高的数据效用。

关键词：本地化差分隐私动态社交网络隐私保护动态图发布隐私放大

来源：评论

学校读者我要写书评

暂无评论

XmR控制图的异常点检测算法研究

引用

中国科学技术大学学报 2020年第8期50卷 1110-1115,1186页

作者：陈丽芳王荣杰刘云庆周旭华北理工大学理学院河北唐山063000 河北省数据科学与应用重点实验室河北唐山063000

针对隔离森林异常点检测方法计算烦琐、耗时长等不足,提出基于XmR控制图的异常点检测算法.通过计算样本属性的单值均值、移动极差及其均值,绘制X图与mR图的控制界限和中心线,同时在图中绘制样本的单值属性;根据X图中超出界限的点对应的... 详细信息

针对隔离森林异常点检测方法计算烦琐、耗时长等不足,提出基于XmR控制图的异常点检测算法.通过计算样本属性的单值均值、移动极差及其均值,绘制X图与mR图的控制界限和中心线,同时在图中绘制样本的单值属性;根据X图中超出界限的点对应的样本序号,与mR图中超出界限的点对应的样本序号加1,取并集,从数据中将其删除,然后将删除异常点后的数据代入CART、随机森林和支持向量机算法中进行实验验证.结果表明该方法与隔离森林方法相比具有更快的速度和更好的精度,为异常点检测提供了一种新的研究思路.

关键词： XmR控制图异常点检测控制界限中心线

来源：评论

学校读者我要写书评

暂无评论

联邦学习中的安全威胁与防御措施综述

引用

计算机应用 2024年第6期44卷 1663-1672页

作者：陈学斌任志强张宏扬华北理工大学理学院河北唐山063210 河北省数据科学与应用重点实验室(华北理工大学) 河北唐山063210 唐山市数据科学重点实验室(华北理工大学) 河北唐山063210

联邦学习是一种用于解决机器学习中数据共享问题和隐私保护问题的分布式学习方法,旨在多方共同训练一个机器学习模型并保护数据的隐私;但是,联邦学习本身存在安全威胁,这使得联邦学习在实际应用中面临巨大的挑战,因此,分析联邦学习面临... 详细信息

联邦学习是一种用于解决机器学习中数据共享问题和隐私保护问题的分布式学习方法,旨在多方共同训练一个机器学习模型并保护数据的隐私;但是,联邦学习本身存在安全威胁,这使得联邦学习在实际应用中面临巨大的挑战,因此,分析联邦学习面临的攻击和相应的防御措施对联邦学习的发展和应用至关重要。首先,介绍联邦学习的定义、流程和分类,联邦学习中的攻击者模型;其次,从联邦学习系统的鲁棒性和隐私性两方面介绍可能遭受的攻击,并介绍不同攻击相应的防御措施,同时也指出防御方案的不足;最后,展望安全的联邦学习系统。

关键词：联邦学习隐私保护攻击与防御机器学习鲁棒性与隐私性

来源：评论

学校读者我要写书评

暂无评论

基于标签分类的联邦学习客户端选择方法

引用

计算机应用 2024年第12期44卷 3759-3765页

作者：张祖篡陈学斌高瑞邹元怀华北理工大学理学院河北唐山063210 河北省数据科学与应用重点实验室(华北理工大学) 河北唐山063210 唐山市数据科学重点实验室(华北理工大学) 河北唐山063210

联邦学习作为一种分布式的机器学习方法,在保护数据隐私的同时可以充分挖掘数据中的价值;然而传统的联邦学习训练方法只是随机选择参与客户端,难以适应非独立同分布(Non-IID)数据集。针对Non-IID数据下联邦学习模型精度低、收敛慢等问题... 详细信息

联邦学习作为一种分布式的机器学习方法,在保护数据隐私的同时可以充分挖掘数据中的价值;然而传统的联邦学习训练方法只是随机选择参与客户端,难以适应非独立同分布(Non-IID)数据集。针对Non-IID数据下联邦学习模型精度低、收敛慢等问题,提出一种基于标签分类的联邦学习客户端选择方法(FedLCCS)。首先,按照频数统计结果分类排序客户端数据集标签;其次,选择拥有高频数标签的客户端参与训练;最后,通过调节自有参数获取不同精度的模型。在MNIST、Fashion-MNIST和Cifar-10数据集上的实验结果表明,结合FedLCCS后的联邦平均(FedAvg)和联邦近端优化(FedProx)这2种基线方法相较于原始方法在初始数据集标签选择比例下的准确率至少提高了9.13和6.53个百分点,收敛速度至少提升了57.41%和18.52%,运行时间至少降低了7.60%和17.62%。以上验证了FedLCCS可以优化联邦模型的精度、收敛速度和运行效率,且能够训练不同准确率的模型以应对多样化的需求。

关键词：联邦学习非独立同分布客户端选择频数统计分类排序

来源：评论

学校读者我要写书评

暂无评论

面向区块链的在线联邦增量学习算法

引用

计算机应用 2021年第2期41卷 363-371页

作者：罗长银陈学斌马春地王君宇华北理工大学理学院河北唐山063210 河北省数据科学与应用重点实验室(华北理工大学) 河北唐山063210 唐山市数据科学重点实验室(华北理工大学) 河北唐山063210

针对传统数据处理技术存在模型过时、泛化能力减弱以及并未考虑多源数据安全性的问题,提出一种面向区块链的在线联邦增量学习算法。该算法将集成学习与增量学习应用到联邦学习的框架下,使用stacking集成算法来整合多方本地模型,且将模... 详细信息

针对传统数据处理技术存在模型过时、泛化能力减弱以及并未考虑多源数据安全性的问题,提出一种面向区块链的在线联邦增量学习算法。该算法将集成学习与增量学习应用到联邦学习的框架下,使用stacking集成算法来整合多方本地模型,且将模型训练阶段的模型参数上传至区块链并快速同步,使得在建立的全局模型准确率仅下降1%的情况下,模型在训练阶段与存储阶段的安全性均得到了提升,降低了数据存储与模型参数传输的成本,同时也降低了因模型梯度更新造成数据泄漏的风险。实验结果表明,在公开的数据集上进行训练,各时间段内模型的准确度均在91.5%以上,且方差均低于10^-5;与传统整合数据训练模型相比,该模型在准确率上略有下降,但能够在保证模型准确率的同时提高数据与模型的安全性。

关键词：区块链集成学习联邦学习增量学习

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

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

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

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

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：