检索结果-维普期刊中文期刊服务平台

联邦增量学习研究综述: 1; 作者谢家晨刘波 +1 位作者林伟伟郑剑文《计算机科学》北大核心 2025年第3期377-384,共8页; 联邦学习以其独特的分布式训练模式和安全聚合机制成为近年来的研究热点。然而,在现实生活中,本地模型训练往往会收集到新数据,从而造成对旧数据的灾难性遗忘。因此,如何将联邦学习和增量学习有效结合是实现联邦生态可持续发展的关键所... 展开更多; 关键词联邦学习安全聚合灾难性遗忘可持续发展联邦增量学习; 在线阅读下载PDF 职称材料

基于联邦增量学习的SDN环境下DDoS攻击检测模型被引量：1: 2; 作者刘延华方文昱 +2 位作者郭文忠赵宝康黄维《计算机学报》 EI CAS CSCD 北大核心 2024年第12期2852-2866,共15页; SDN是一种被广泛应用的网络范式.面对DDoS攻击等网络安全威胁,在SDN中集成高效的DDoS攻击检测方法尤为重要.由于SDN集中控制的特性,集中式DDoS攻击检测方法在SDN环境中存在较高的安全风险,使得SDN的控制平面安全性受到了巨大挑战.此外,... 展开更多; 关键词联邦学习联邦增量学习网络安全 DDOS攻击检测软件定义网络; 在线阅读下载PDF 职称材料

工业物联网中基于信息熵的联邦增量学习算法与优化被引量：1: 3; 作者杨睿哲谢欣儒 +3 位作者滕颖蕾李萌孙艳华张大君《电子与信息学报》 EI CAS CSCD 北大核心 2024年第8期3146-3154,共9页; 面对工业生产过程中大规模、多样且随时间增长的数据和机器学习任务,该文提出一种基于信息熵的联邦增量学习(FIL)与优化方法。基于联邦框架,各本地计算节点可利用本地数据进行模型训练,并计算信息平均熵上传至服务器,以此辅助识别类增任... 展开更多; 关键词工业物联网联邦增量学习信息平均熵; 在线阅读下载PDF 职称材料

面向不平衡数据的联邦类别增量学习: 4; 作者方子希付晓东 +3 位作者丁家满刘骊彭玮代飞《小型微型计算机系统》北大核心 2025年第9期2121-2129,共9页; 联邦增量学习作为一种新兴学习范式,在保护用户隐私的同时利用数据孤岛的知识,有效缓解了由于存储空间有限而导致的灾难性遗忘问题.但现有的联邦增量学习研究忽略了用户数据不平衡对造成全局模型灾难性遗忘及精度降低的影响.针对此问题... 展开更多; 关键词联邦增量学习不平衡数据条件生成对抗网络灾难性遗忘二次训练; 在线阅读下载PDF 职称材料

数字孪生中混合知识蒸馏辅助的异构联邦类增量学习: 5; 作者张铭泉贾圆圆张荣华《智能系统学报》北大核心 2025年第4期905-915,共11页; 在数字孪生背景下,联邦学习面临数据非独立同分布和类别动态变化的挑战,即空间和时间范围内的数据异构问题。为解决这一问题,本文构建了一个数字孪生背景下的联邦类增量学习整体框架,并提出了一种混合知识蒸馏辅助的联邦类增量学习方法... 展开更多; 关键词数字孪生联邦类增量学习混合知识蒸馏数据异构图像分类灾难性遗忘 CT图像联邦学习; 在线阅读下载PDF 职称材料

题名联邦增量学习研究综述: 1; 作者谢家晨刘波林伟伟郑剑文; 机构华南师范大学计算机学院华南理工大学计算机科学与工程学院; 出处《计算机科学》北大核心 2025年第3期377-384,共8页; 基金国家自然科学基金(620721878) 广州开发区科技项目(2021GH10)。; 文摘联邦学习以其独特的分布式训练模式和安全聚合机制成为近年来的研究热点。然而,在现实生活中,本地模型训练往往会收集到新数据,从而造成对旧数据的灾难性遗忘。因此,如何将联邦学习和增量学习有效结合是实现联邦生态可持续发展的关键所在。文中首先对联邦增量学习(Federated Incremental Learning)的相关概念进行了深入的调查和分析;然后,重点阐述了基于数据、基于模型、基于架构和基于多方面联合优化的联邦增量学习方法,同时对现有方法进行分类和比较;最后,分析和总结了联邦增量学习未来的研究发展方向,如大规模、小样本、安全可靠和多任务场景下的联邦增量学习。; 关键词联邦学习安全聚合灾难性遗忘可持续发展联邦增量学习; Keywords Federated learning Secure aggregation Catastrophic forgetting Sustainable development Federated incremental learning; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于联邦增量学习的SDN环境下DDoS攻击检测模型被引量：1: 2; 作者刘延华方文昱郭文忠赵宝康黄维; 机构福州大学计算机与大数据学院福州大学至诚学院国防科技大学计算机学院大数据智能教育部工程研究中心福建省网络计算与智能信息处理重点实验室(福州大学); 出处《计算机学报》 EI CAS CSCD 北大核心 2024年第12期2852-2866,共15页; 基金国家自然科学基金重点项目(U21A20472,U22B2005) 国家自然科学基金青年科学基金项目(62406070) +4 种基金福州市科技重大项目(2023-ZD-003)资助.; 文摘 SDN是一种被广泛应用的网络范式.面对DDoS攻击等网络安全威胁,在SDN中集成高效的DDoS攻击检测方法尤为重要.由于SDN集中控制的特性,集中式DDoS攻击检测方法在SDN环境中存在较高的安全风险,使得SDN的控制平面安全性受到了巨大挑战.此外,SDN环境中流量数据不断增加,导致复杂流量特征的更复杂化、不同实体之间严重的Non-IID分布等问题.这些问题对现有的基于联邦学习的检测模型准确性与鲁棒性的进一步提高造成严重阻碍.针对上述问题,本文提出了一种基于联邦增量学习的SDN环境下DDoS攻击检测模型.首先,为解决集中式DDoS攻击检测的安全风险与数据增量带来的Non-IID分布问题,本文提出了一种基于联邦增量学习的加权聚合算法,使用动态调整聚合权重的方式个性化适应不同子数据集增量情况,提高增量聚合效率.其次,针对SDN环境中复杂的流量特征,本文设计了一种基于LSTM的DDoS攻击检测方法,通过统计SDN环境中流量数据的时序特征,提取并学习数据的时序关特征的相关性,实现对流量特征数据的实时检测.最后,本文结合SDN集中管控特点,实现了SDN环境下的DDoS实时防御决策,根据DDoS攻击检测结果与网络实体信息,实现流规则实时下发,达到有效阻断DDoS攻击流量、保护拓扑重要实体并维护拓扑流量稳定的效果.本文将提出的模型在增量式DDoS攻击检测任务上与FedAvg、FA-FedAvg和FIL-IIoT三种方法进行性能对比实验.实验结果表明,本文提出方法相比于其他方法,在DDoS攻击检测准确率上提升5.06%~12.62%,F1-Score提升0.0565~0.1410.; 关键词联邦学习联邦增量学习网络安全 DDOS攻击检测软件定义网络; Keywords federated learning federated incremental learning cybersecurity DDoS attack detection software-defined networks; 分类号 TP309 [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

题名工业物联网中基于信息熵的联邦增量学习算法与优化被引量：1: 3; 作者杨睿哲谢欣儒滕颖蕾李萌孙艳华张大君; 机构北京工业大学信息学部北京工业大学先进信息网络北京实验室北京邮电大学电子工程学院卡尔顿大学; 出处《电子与信息学报》 EI CAS CSCD 北大核心 2024年第8期3146-3154,共9页; 基金国家自然科学基金(62171062,62371012)。; 文摘面对工业生产过程中大规模、多样且随时间增长的数据和机器学习任务,该文提出一种基于信息熵的联邦增量学习(FIL)与优化方法。基于联邦框架,各本地计算节点可利用本地数据进行模型训练,并计算信息平均熵上传至服务器,以此辅助识别类增任务;全局服务器则根据本地反馈的平均熵选择参与当前轮次训练的本地节点,并判决任务是否产生增量后,进行全局模型下发与聚合更新。所提方法结合平均熵和阈值进行不同情况下的节点选择,实现低平均熵下的模型稳定学习和高平均熵下的模型增量式扩展。在此基础上,采用凸优化,在资源有限的情况下自适应地调整聚合频率和资源分配,最终实现模型的有效收敛。仿真结果表明,在不同的情景下,该文所提方法都可以加速模型收敛并提升训练精度。; 关键词工业物联网联邦增量学习信息平均熵; Keywords Industrial Internet of Things(IIoT) Federated Incremental Learning(FIL) Information entropy; 分类号 TN919.8 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名面向不平衡数据的联邦类别增量学习: 4; 作者方子希付晓东丁家满刘骊彭玮代飞; 机构昆明理工大学信息工程与自动化学院云南省计算机技术应用重点实验室西南林业大学大数据与智能工程学院; 出处《小型微型计算机系统》北大核心 2025年第9期2121-2129,共9页; 基金国家自然科学基金项目(62362043,62262036)资助云南省“兴滇英才支持计划”项目(KKXY202203008)资助云南省科技计划项目(202205AF150003,202204BQ040010,202102AD080002)资助.; 文摘联邦增量学习作为一种新兴学习范式,在保护用户隐私的同时利用数据孤岛的知识,有效缓解了由于存储空间有限而导致的灾难性遗忘问题.但现有的联邦增量学习研究忽略了用户数据不平衡对造成全局模型灾难性遗忘及精度降低的影响.针对此问题,该文提出了一种基于条件生成对抗网络的无数据存储重放再训练方法(ARR).具体来说,用户模型训练分为两个阶段:第1阶段结合条件生成对抗网络生成模拟的历史任务数据和当前任务数据共同训练本地模型;第2阶段则冻结特征提取层,采用平衡采样技术对其他层进行再训练.服务器通过利用条件生成对抗网络生成的所有用户任务数据来优化全局模型.实验结果显示,ARR在不平衡程度逐渐加剧的情况下,全局模型准确率相较于现有的相关方法提高了8.64%~31.03%,有效缓解了灾难性遗忘问题,显著提高了全局模型的最终精度.; 关键词联邦增量学习不平衡数据条件生成对抗网络灾难性遗忘二次训练; Keywords federated incremental learning unbalanced data auxiliary classifier generative adversarial networks catastrophic forgetting retraining; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名数字孪生中混合知识蒸馏辅助的异构联邦类增量学习: 5; 作者张铭泉贾圆圆张荣华; 机构华北电力大学计算机系华北电力大学河北省能源电力知识计算重点实验室华北电力大学复杂能源系统智能计算教育部工程研究中心; 出处《智能系统学报》北大核心 2025年第4期905-915,共11页; 基金中央高校基本科研业务费专项(2020MS122)。; 文摘在数字孪生背景下,联邦学习面临数据非独立同分布和类别动态变化的挑战,即空间和时间范围内的数据异构问题。为解决这一问题,本文构建了一个数字孪生背景下的联邦类增量学习整体框架,并提出了一种混合知识蒸馏辅助的联邦类增量学习方法。具体来说,与传统联邦学习本地更新方式不同,本文方法通过自适应语义蒸馏损失和自适应注意力蒸馏损失集成的混合知识蒸馏方法提取旧全局模型中输出层的软标签语义知识和中间层的高维特征知识,使客户端模型在拟合新数据的同时有效减少对旧数据的遗忘,提升联邦类增量模型的性能。在相同的数据异构情况下,与对比模型相比,本文方法在CIFAR100数据集上精度提升1.85%~2.56%,在医学CT图像数据集OrganAMNIST、OrganCMNIST、OrganSMNIST上也取得了最优或次优的性能。; 关键词数字孪生联邦类增量学习混合知识蒸馏数据异构图像分类灾难性遗忘 CT图像联邦学习; Keywords digital twin federated class incremental learning hybrid knowledge distillation data heterogeneity image classification catastrophic forgetting CT images federated learning; 分类号 TP399 [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	作者	出处	发文年	被引量	操作
1	联邦增量学习研究综述	谢家晨刘波林伟伟郑剑文	《计算机科学》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于联邦增量学习的SDN环境下DDoS攻击检测模型	刘延华方文昱郭文忠赵宝康黄维	《计算机学报》 EI CAS CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
3	工业物联网中基于信息熵的联邦增量学习算法与优化	杨睿哲谢欣儒滕颖蕾李萌孙艳华张大君	《电子与信息学报》 EI CAS CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
4	面向不平衡数据的联邦类别增量学习	方子希付晓东丁家满刘骊彭玮代飞	《小型微型计算机系统》北大核心	2025	0	在线阅读下载PDF 职称材料
5	数字孪生中混合知识蒸馏辅助的异构联邦类增量学习	张铭泉贾圆圆张荣华	《智能系统学报》北大核心	2025	0	在线阅读下载PDF 职称材料