检索结果-内蒙古大学图书馆

通信学报 2023年第2期44卷 198-209页

作者：张淑芬董燕灵徐精诚王豪石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河北唐山063210 唐山市大数据安全与智能计算重点实验室河北唐山063210 唐山市数据科学重点实验室河北唐山063210

针对AdaBoost算法的多轮迭过程会放大为实现差分隐私保护而添加的噪声,从而导致模型收敛缓慢、数据可用性大幅降低的问题,提出了一种基于目标扰动的AdaBoost算法——DPAda,采用目标扰动的方式对样本权值进行加噪,精确计算其敏感度,并赋... 详细信息

针对AdaBoost算法的多轮迭过程会放大为实现差分隐私保护而添加的噪声,从而导致模型收敛缓慢、数据可用性大幅降低的问题,提出了一种基于目标扰动的AdaBoost算法——DPAda,采用目标扰动的方式对样本权值进行加噪,精确计算其敏感度,并赋予其动态的隐私预算。为了解决噪声叠加过多的问题,提出基于摆动数列、随机响应和改进的随机响应3种噪声注入算法。实验结果表明,与DPAda_Random算法和DPAda_Swing算法相比,DPAda_Improved算法能实现数据的隐私保护,拥有更高的分类准确率,优于其他差分隐私AdaBoost算法,并能解决连续加噪带来的噪声过大的问题。

关键词：差分隐私摆动数列随机响应隐私预算分配 AdaBoost算法

来源：评论

学校读者我要写书评

暂无评论

基于原始单通道脑电图的高效睡眠自动分期方法

引用

郑州大学学报（理学版） 2022年第3期54卷 40-44页

作者：陶雨洁杨云云南大学软件学院云南昆明650504 昆明市数据科学与智能计算重点实验室云南昆明650504 云南省高校数据科学与智能计算重点实验室云南昆明650504

提出一种基于单通道脑电数据的睡眠自动分期方法。利用多个并行的卷积操作学习脑电的多尺度空间特征,使用长短期记忆网络挖掘局部时不变特征中的时间信息。针对类别不平衡问题,采用时移滚动方法和加权交叉熵损失函数。在公开数据集Sleep... 详细信息

提出一种基于单通道脑电数据的睡眠自动分期方法。利用多个并行的卷积操作学习脑电的多尺度空间特征,使用长短期记忆网络挖掘局部时不变特征中的时间信息。针对类别不平衡问题,采用时移滚动方法和加权交叉熵损失函数。在公开数据集Sleep-EDF上的实验结果表明,所提方法仅使用单通道数据实现了端到端的高效睡眠自动分期,缓解了不平衡数据集的分类问题。

关键词：睡眠分期单通道脑电图类别不平衡端到端

来源：评论

学校读者我要写书评

暂无评论

面向Stacking算法的差分隐私保护研究

引用

计算机工程与科学 2024年第2期46卷 244-252页

作者：董燕灵张淑芬徐精诚王豪石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河北唐山063210 唐山市数据科学重点实验室河北唐山063210 唐山市大数据安全与智能计算重点实验室河北唐山063210

为解决同质集成学习算法对噪声更敏感,难以兼顾较好的预测性能和有效的隐私保护这一问题,提出一种基于差分隐私的DPStacking算法,将异质Stacking算法与差分隐私技术相结合,以优化算法的隐私保护和预测性能。但是,由于Stacking算法的低... 详细信息

为解决同质集成学习算法对噪声更敏感,难以兼顾较好的预测性能和有效的隐私保护这一问题,提出一种基于差分隐私的DPStacking算法,将异质Stacking算法与差分隐私技术相结合,以优化算法的隐私保护和预测性能。但是,由于Stacking算法的低层和高层模型都可以由不同的学习器构成,若对某个具体学习器设计隐私预算分配方案来提供差分隐私保护,该方案往往无法适用于由任意基学习器和元学习构成的Stacking算法。基于此,设计了一种基于元学习器的隐私预算分配方案,此方案根据皮尔逊相关系数及差分隐私并行组合的特性为元学习器输入的不同构成体分配不同的隐私预算。通过理论与实验验证,DPStacking算法符合ε-差分隐私保护,与基于差分隐私的随机森林算法(DiffRFs)、Adaboost算法(DP-AdaBoost)、XGBoost算法(DPXGB)相比,能有效保护数据隐私的同时拥有更好的预测性能,并较好地解决了单一同质集成学习算法对噪声更加敏感的问题。

关键词：差分隐私隐私预算分配 Stacking算法集成学习

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

基于自适应差分隐私与客户选择优化的联邦学习方法

引用

计算机应用 2025年第2期45卷 482-489页

作者：徐超张淑芬陈海田彭璐璐张帅华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 北京交通大学唐山市大数据安全与智能计算重点实验室河北唐山063210 唐山市数据科学重点实验室(华北理工大学) 河北唐山063210

将差分隐私应用于联邦学习的方法是保护训练数据隐私的关键技术之一。针对之前多数工作未考虑参数的异质性,对训练参数均匀裁剪使每轮加入的噪声都是均匀的,从而影响模型收敛和训练参数质量的问题,提出一种基于梯度裁剪的自适应噪声添... 详细信息

将差分隐私应用于联邦学习的方法是保护训练数据隐私的关键技术之一。针对之前多数工作未考虑参数的异质性,对训练参数均匀裁剪使每轮加入的噪声都是均匀的,从而影响模型收敛和训练参数质量的问题,提出一种基于梯度裁剪的自适应噪声添加方案。考虑梯度的异质性,在不同轮次为不同客户端执行自适应的梯度裁剪,从而使噪声大小自适应调整;同时,为进一步提升模型性能,对比传统的客户端随机采样方式,提出一种结合轮盘赌与精英保留的客户端采样方法。结合上述2种方法,提出一种结合客户端选择的自适应差分隐私联邦学习(CS&AGC DP_FL)方法。实验结果表明,在隐私预算为0.5时,相较于自适应差分隐私的联邦学习方法(Adapt DP_FL),所提方法能在相同级别的隐私约束下使最终的模型分类准确率提升4.9个百分点,并且在收敛速度方面,所提方法相较于对比方法进入收敛状态所需的轮次减少了4~10轮。

关键词：联邦学习差分隐私自适应噪声轮盘赌精英保留

来源：评论

学校读者我要写书评

暂无评论

联邦学习的公平性综述

引用

计算机应用 2025年第1期45卷 1-14页

作者：张淑芬张宏扬任志强陈学斌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 唐山市大数据安全与智能计算重点实验室(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(FL)凭借分布式结构和隐私安全的优势快速发展,但大规模FL引发的公平性问题影响了FL系统的可持续性。针对FL的公平性问题,对近年FL公平性的研究工作进行了系统梳理和深度分析。首先,对FL的工作流程和定义进行了解释,总结了FL中... 详细信息

联邦学习(FL)凭借分布式结构和隐私安全的优势快速发展,但大规模FL引发的公平性问题影响了FL系统的可持续性。针对FL的公平性问题,对近年FL公平性的研究工作进行了系统梳理和深度分析。首先,对FL的工作流程和定义进行了解释,总结了FL中的偏见和公平性概念;其次,详细归纳了FL公平性研究中常用的数据集,探讨了公平性研究所面临的挑战;最后,从数据源选择、模型优化、贡献评估和激励机制这4个方面归纳梳理了相关研究工作的优缺点、适用场景以及实验设置等,并展望了FL公平性未来的研究方向和趋势。

关键词：联邦学习公平性数据选择模型优化贡献评估激励机制

来源：评论

学校读者我要写书评

暂无评论

基于半监督联邦学习的恶意流量检测模型

引用

计算机应用 2024年第11期44卷 3487-3494页

作者：张帅华张淑芬周明川徐超陈学斌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 唐山市大数据安全与智能计算重点实验室(北京交通大学) 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

恶意流量检测是应对网络安全挑战的关键技术之一。针对采用联邦学习进行恶意流量检测时,本地标记数据不足,非独立同分布(non-IID)导致协同训练模型性能下降的问题,构建一种基于半监督联邦学习的恶意流量检测模型。该模型借助伪标记和一... 详细信息

恶意流量检测是应对网络安全挑战的关键技术之一。针对采用联邦学习进行恶意流量检测时,本地标记数据不足,非独立同分布(non-IID)导致协同训练模型性能下降的问题,构建一种基于半监督联邦学习的恶意流量检测模型。该模型借助伪标记和一致性正则化项的半监督学习技术,有效地从未标记数据中提取信息进行训练;同时,设计一种非线性函数,用于动态调整客户端本地有监督和无监督损失在聚合时的权重,以充分利用未标记数据,提高模型的准确性。为降低non-IID问题对全局模型性能的影响,提出一种联邦聚合算法FedLD(Federated-Loss-Data),通过结合训练损失和数据量的权重计算方法,自适应地调整全局模型聚合过程中各客户端模型的权重。实验结果表明,在NSL-KDD数据集上,所提模型在标记数据有限的情况下能够实现较高的检测准确率,与基线模型FedSem(Federated Semi-supervised)相比,检测准确率提升了4.11个百分点,在正常流量(Normal)、拒绝服务(DoS)攻击和探测(Probe)等类别上的召回率也提升了1.65~7.66个百分点,说明所提模型更适用于恶意流量检测领域。

关键词：联邦学习半监督学习恶意流量检测一致性正则化动态聚合权重

来源：评论

学校读者我要写书评

暂无评论

一种简单的共享式多层梯度补给方法

引用

软件学报 2020年第7期31卷 2157-2168页

作者：杜飞杨云胡媛媛曹丽娟云南大学国家示范性软件学院云南昆明650504 昆明市数据科学与智能计算重点实验室云南昆明650504 云南省高校数据科学与智能计算重点实验室云南昆明650504

深度学习通过多层特征提取方式,可以将原始复杂数据自动表征为高级抽象特征,该模型具有很强的建模能力,普遍应用于图像识别语音识别、自然语言处理等高复杂问题中.但深度学习由于网络层数深、参数规模庞大,训练时常常会产生梯度消失、... 详细信息

深度学习通过多层特征提取方式,可以将原始复杂数据自动表征为高级抽象特征,该模型具有很强的建模能力,普遍应用于图像识别语音识别、自然语言处理等高复杂问题中.但深度学习由于网络层数深、参数规模庞大,训练时常常会产生梯度消失、陷入局部最优解、过度拟合等现象.借鉴集成学习的思想,提出一个新颖的深度共享集成网络,该网络通过在深度学习各隐藏层引出多个独立输出层的联合训练的方式,在网络的各层注入梯度,从而对低层隐藏层进行梯度补给,从而降低深度学习中的梯度消失现象,并通过集成多输出层的方式使得整个网络拥有更强的泛化性能.

关键词：深度学习集成学习堆叠泛化梯度消失梯度注入

来源：评论

学校读者我要写书评

暂无评论

基于个性化差分隐私的联邦学习方法

引用

华北理工大学学报（自然科学版） 2024年第2期46卷 133-144页

作者：徐超张淑芬彭璐璐张帅华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河北唐山063210 唐山市大数据安全与智能计算重点实验室河北唐山063210 唐山市数据科学重点实验室河北唐山063210

联邦学习的模型参数可能导致用户隐私信息泄露,为解决此问题,将联邦学习和差分隐私进行结合的方法被广泛使用,但目前大多数方法只关注统一的隐私预算分配,忽略了由于用户数据分布不平衡带来的不同隐私预算需求。针对上述问题,提出一种... 详细信息

联邦学习的模型参数可能导致用户隐私信息泄露,为解决此问题,将联邦学习和差分隐私进行结合的方法被广泛使用,但目前大多数方法只关注统一的隐私预算分配,忽略了由于用户数据分布不平衡带来的不同隐私预算需求。针对上述问题,提出一种基于数据分布的个性化差分隐私的联邦学习方法,根据用户间数据分布的差异,提出一种基于信息熵的隐私预算分配方案,依据信息熵为用户分配不同的隐私预算,信息熵越大的用户分配的隐私预算越高,从而量化了用户的隐私需求,实现对用户隐私的个性化保护。实验结果表明,在数据分布不平衡的场景下,相比基于统一的隐私预算分配方法,基于信息熵的隐私预算分配方法的模型准确率在不同的隐私预算下均有提高。

关键词：联邦学习差分隐私信息熵数据分布个性化差分隐私

来源：评论

学校读者我要写书评

暂无评论

零样本学习综述

引用

计算机工程与应用 2021年第19期57卷 1-17页

作者：王泽深杨云向鸿鑫柳青云南大学软件学院昆明650504 云南省数据科学与智能计算重点实验室昆明650504

尽管自深度学习发展以来,减少大量人工标记样本的需求使得零样本学习取得了不错的进展,以至于已经拥有比较完善的理论体系。但是对于零样本学习应用的研究寥寥无几,如何有效地对应用领域进行梳理是现阶段急需解决的问题。对零样本的理... 详细信息

尽管自深度学习发展以来,减少大量人工标记样本的需求使得零样本学习取得了不错的进展,以至于已经拥有比较完善的理论体系。但是对于零样本学习应用的研究寥寥无几,如何有效地对应用领域进行梳理是现阶段急需解决的问题。对零样本的理论体系进行介绍,通过一个例子引出零样本学习的定义,继而与广义零样本、监督学习比较,再而列举4个关键问题以及现有的解决方案,给出文本、图像、视频三方面常用的数据集;按照关键技术(属性、嵌入以及生成模型)出现时间顺序,对13个典型模型如何进行零样本学习展开描述,并对优点、缺点、创新点、挑选数据集以及表现进行总结;从词、图像、视频3个维度详细介绍了零样本学习在各个领域的应用;提出了零样本学习过程中出现的挑战并给出了对应的潜在研究方向。

关键词：零样本学习属性嵌入空间生成模型

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：