检索结果-维普期刊中文期刊服务平台

基于半监督联邦学习的分布式电源调控安全威胁协同检测: 1; 作者陈明亮卢志学 +3 位作者谢国强余滢婷李媛李元诚《电力系统自动化》 EI CSCD 北大核心 2024年第22期199-209,共11页; 针对现有分布式电源调控系统安全威胁检测存在的检测精度不高、通信效率低等突出问题,以及由于数据手工标注的高成本、低效率等客观原因和模型自动伪标注不可信导致的数据利用不充分问题,提出了一种基于半监督联邦学习(SSFL)的安全威胁... 展开更多; 关键词分布式电源调控半监督联邦学习安全威胁云边协同协同检测; 在线阅读下载PDF 职称材料

一种鲁棒的半监督联邦学习系统被引量：3: 2; 作者王树芬张哲 +2 位作者马士尧陈俞强伍一《计算机工程》 CAS CSCD 北大核心 2022年第6期107-114,123,共9页; 联邦学习允许边缘设备或客户端将数据存储在本地来合作训练共享的全局模型。主流联邦学习系统通常基于客户端本地数据有标签这一假设,然而客户端数据一般没有真实标签,且数据可用性和数据异构性是联邦学习系统面临的主要挑战。针对客户... 展开更多; 关键词联邦学习半监督联邦学习数据异构性一致性损失鲁棒性; 在线阅读下载PDF 职称材料

非独立同分布下联邦半监督学习的数据分享研究被引量：1: 3; 作者顾永跟高凌轩 +1 位作者吴小红陶杰《计算机工程》 CAS CSCD 北大核心 2024年第6期188-196,共9页; 联邦学习作为一种保护本地数据隐私安全的分布式机器学习方法,联合分散的设备共同训练共享模型。通常联邦学习在数据均有标签情况下进行训练,然而现实中无法保证标签数据完全存在,提出联邦半监督学习。在联邦半监督学习中,如何利用无标... 展开更多; 关键词联邦半监督学习联邦学习数据非独立同分布鲁棒性聚合算法数据分享; 在线阅读下载PDF 职称材料

面向开放世界的联邦学习综述:挑战、技术与应用: 4; 作者陆浩天董育宁卢官明《南京邮电大学学报(自然科学版)》北大核心 2025年第3期99-108,共10页; 随着数据隐私保护意识的日益提升和实际应用环境的动态变迁,联邦学习作为一种隐私保护型的机器学习技术备受瞩目。然而,现实世界的应用场景往往是开放且动态的,使得开放世界下的联邦学习成为当前研究的热点之一。全面梳理了当前开放环... 展开更多; 关键词联邦学习非独立同分布联邦半监督学习联邦开放集识别; 在线阅读下载PDF 职称材料

异构联邦双向知识蒸馏传递半监督调制类型识别被引量：1: 5; 作者齐佩汉丁渊磊 +2 位作者尹凯徐佳波李赞《通信学报》 EI CSCD 北大核心 2023年第11期183-200,共18页; 新一代移动通信系统的规模化部署和快速发展支撑巨量多样物联网设备的广泛应用。然而物联网设备的分布式应用导致的私有数据迥异和本地处理模型差别,严重制约全局智能模型的聚合能力。因此,针对认知物联网中智能调制类型识别面临的数据... 展开更多; 关键词联邦半监督学习模型异构变分自编码器知识蒸馏; 在线阅读下载PDF 职称材料

题名基于半监督联邦学习的分布式电源调控安全威胁协同检测: 1; 作者陈明亮卢志学谢国强余滢婷李媛李元诚; 机构西安交通大学电气工程学院国网江西省电力有限公司华北电力大学控制与计算机工程学院; 出处《电力系统自动化》 EI CSCD 北大核心 2024年第22期199-209,共11页; 基金国家电网有限公司科技项目(新型电力系统下分布式电源调度控制安全防护关键技术研究与应用,5108-202325046A-1-1-ZN)。; 文摘针对现有分布式电源调控系统安全威胁检测存在的检测精度不高、通信效率低等突出问题,以及由于数据手工标注的高成本、低效率等客观原因和模型自动伪标注不可信导致的数据利用不充分问题,提出了一种基于半监督联邦学习(SSFL)的安全威胁分布式协同检测方法,在云端和边缘设备之间进行协同训练,并通过未标记数据进行模型自我学习和优化,从而更好适应分布式电源调控系统的安全威胁环境。首先,采用改进Transformer模型有效捕获安全威胁。其次,考虑到分布式电源调控系统的数据具有跨设备、跨区域的特点,引入联邦学习确保本地数据隐私安全。然后,针对未标记数据问题,通过云边协同训练获得全局模型并进行伪标记,设计一致性正则化与信息熵正则的损失函数以保证伪标记的可信度。最后,设计动态加权聚合方法优化参数更新和模型训练。在密西西比大学电力系统数据集上进行仿真实验,实验结果表明,与FedAvg-FixMatch方法和FedMatch方法相比,检测准确率分别提升了8%和4%,且类别召回率和精确率均有提高,显著减少了18%~28%的通信开销,表明了所提方法在分布式电源调控系统安全威胁检测中的有效性和实用性。; 关键词分布式电源调控半监督联邦学习安全威胁云边协同协同检测; Keywords distributed generator regulation semi-supervised federated learning security threat cloud-edge collaboration collaborative detection; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程] TM73 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名一种鲁棒的半监督联邦学习系统被引量：3: 2; 作者王树芬张哲马士尧陈俞强伍一; 机构哈尔滨石油学院信息工程学院黑龙江大学数据科学与技术学院广州航海学院信息与通信工程学院; 出处《计算机工程》 CAS CSCD 北大核心 2022年第6期107-114,123,共9页; 基金国家自然科学基金“基于DIBR绘制3D图像认证的关键技术研究”(61702224)。; 文摘联邦学习允许边缘设备或客户端将数据存储在本地来合作训练共享的全局模型。主流联邦学习系统通常基于客户端本地数据有标签这一假设,然而客户端数据一般没有真实标签,且数据可用性和数据异构性是联邦学习系统面临的主要挑战。针对客户端本地数据无标签的场景,设计一种鲁棒的半监督联邦学习系统。利用FedMix方法分析全局模型迭代之间的隐式关系,将在标签数据和无标签数据上学习到的监督模型和无监督模型进行分离学习。采用FedLoss聚合方法缓解客户端之间数据的非独立同分布(non-IID)对全局模型收敛速度和稳定性的影响,根据客户端模型损失函数值动态调整局部模型在全局模型中所占的权重。在CIFAR-10数据集上的实验结果表明,该系统的分类准确率相比于主流联邦学习系统约提升了3个百分点,并且对不同non-IID水平的客户端数据更具鲁棒性。; 关键词联邦学习半监督联邦学习数据异构性一致性损失鲁棒性; Keywords Federated Learning(FL) Semi-Supervised Federated Learning(SSFL) data heterogeneity consistency loss robustness; 分类号 TP301.6 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名非独立同分布下联邦半监督学习的数据分享研究被引量：1: 3; 作者顾永跟高凌轩吴小红陶杰; 机构湖州师范学院信息工程学院; 出处《计算机工程》 CAS CSCD 北大核心 2024年第6期188-196,共9页; 基金浙江省现代农业资源智慧管理与应用研究重点实验室项目(2020E10017)。; 文摘联邦学习作为一种保护本地数据隐私安全的分布式机器学习方法,联合分散的设备共同训练共享模型。通常联邦学习在数据均有标签情况下进行训练,然而现实中无法保证标签数据完全存在,提出联邦半监督学习。在联邦半监督学习中,如何利用无标签数据提升系统性能和如何缓解数据异质性带来的负面影响是两大挑战。针对标签数据仅在服务器场景,基于分享的思想,设计一种可应用在联邦半监督学习系统上的方法Share&Mark,该方法将客户端的分享数据由专家标记后参与联邦训练。同时,为充分利用分享的数据,根据各客户端模型在服务器数据集上的损失值动态调整各客户端模型在联邦聚合时的占比,即ServerLoss聚合算法。综合考虑隐私牺牲、通信开销以及人工标注成本3个方面的因素,对不同分享率下的实验结果进行分析,结果表明,约3%的数据分享比例能平衡各方面因素。此时,采用Share&Mark方法的联邦半监督学习系统FedMatch在CIFAR-10和Fashion-MNIST数据集上训练的模型准确率均可提升8%以上,并具有较优的鲁棒性。; 关键词联邦半监督学习联邦学习数据非独立同分布鲁棒性聚合算法数据分享; Keywords Federated Semi-Supervised Learning(FSSL) Federated Learning(FL) data non-Independent and Identical Distribution(non-IID) robustness aggregation algorithm data sharing; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名面向开放世界的联邦学习综述:挑战、技术与应用: 4; 作者陆浩天董育宁卢官明; 机构南京邮电大学通信与信息工程学院; 出处《南京邮电大学学报(自然科学版)》北大核心 2025年第3期99-108,共10页; 基金国家自然科学基金(61271233) 江苏省研究生科研创新计划(KYCX23_1031)资助项目。; 文摘随着数据隐私保护意识的日益提升和实际应用环境的动态变迁,联邦学习作为一种隐私保护型的机器学习技术备受瞩目。然而,现实世界的应用场景往往是开放且动态的,使得开放世界下的联邦学习成为当前研究的热点之一。全面梳理了当前开放环境下联邦学习所面临的问题,对现有方法进行了系统的分类综述,并探讨了其在网络流分类领域的潜在应用。首先,针对非独立同分布数据问题,不仅回顾了传统场景下的解决方案,还引入了动态联邦学习场景;其次,鉴于数据标签稀缺的问题,归纳了联邦半监督学习的相关算法;最后,探讨了联邦环境下的未知类处理方法,并展望了未来的研究方向和网络流分类中的应用前景。; 关键词联邦学习非独立同分布联邦半监督学习联邦开放集识别; Keywords federated learning non-independent and identically distributed(Non-IID) federated semi supervised learning federated open set recognition; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名异构联邦双向知识蒸馏传递半监督调制类型识别被引量：1: 5; 作者齐佩汉丁渊磊尹凯徐佳波李赞; 机构西安电子科技大学通信工程学院; 出处《通信学报》 EI CSCD 北大核心 2023年第11期183-200,共18页; 基金国家自然科学基金资助项目(No.62171334,No.61971337,No.61825104)。; 文摘新一代移动通信系统的规模化部署和快速发展支撑巨量多样物联网设备的广泛应用。然而物联网设备的分布式应用导致的私有数据迥异和本地处理模型差别,严重制约全局智能模型的聚合能力。因此,针对认知物联网中智能调制类型识别面临的数据异质、模型异构和标记不足等问题,提出异构联邦双向知识蒸馏传递半监督调制类型识别算法,通过变分自编码器在云端生成公开伪数据集支持上行全局知识蒸馏,自适应共享至本地辅助下行异质知识蒸馏,并在蒸馏过程中内嵌半监督算法。仿真结果表明,在通信信号处理领域中,所提算法的有效性和适用性优于现有的联邦学习算法。; 关键词联邦半监督学习模型异构变分自编码器知识蒸馏; Keywords federated semi-supervised learning model heterogeneity variational autoencoder knowledge distillation; 分类号 TN92 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于半监督联邦学习的分布式电源调控安全威胁协同检测	陈明亮卢志学谢国强余滢婷李媛李元诚	《电力系统自动化》 EI CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
2	一种鲁棒的半监督联邦学习系统	王树芬张哲马士尧陈俞强伍一	《计算机工程》 CAS CSCD 北大核心	2022	3	在线阅读下载PDF 职称材料
3	非独立同分布下联邦半监督学习的数据分享研究	顾永跟高凌轩吴小红陶杰	《计算机工程》 CAS CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
4	面向开放世界的联邦学习综述:挑战、技术与应用	陆浩天董育宁卢官明	《南京邮电大学学报(自然科学版)》北大核心	2025	0	在线阅读下载PDF 职称材料
5	异构联邦双向知识蒸馏传递半监督调制类型识别	齐佩汉丁渊磊尹凯徐佳波李赞	《通信学报》 EI CSCD 北大核心	2023	1	在线阅读下载PDF 职称材料