检索结果-维普期刊中文期刊服务平台

基于联邦学习的船舶AIS轨迹预测算法被引量：1: 1; 作者郑晨俊曾艳 +3 位作者袁俊峰张纪林王鑫韩猛《计算机工程》 CAS CSCD 北大核心 2024年第2期298-307,共10页; 联邦学习是一种可以在弱通信环境下有效解决数据孤岛问题的分布式机器学习方法。针对海上船舶轨迹实时预测问题,提出基于Fedves联邦学习框架与卷积神经网络-门控循环单元(CNN-GRU)模型的船舶轨迹预测算法(E-FVTP)。根据Fedves联邦学习框... 展开更多; 关键词联邦学习船舶轨迹预测自动识别系统深度学习非独立同分布; 在线阅读下载PDF 职称材料

基于多视图对比学习的动态图链接预测方法: 2; 作者焦鹏飞吴子安 +2 位作者刘欢张纪林万健《南京大学学报（自然科学版）》 CAS CSCD 北大核心 2024年第3期383-395,共13页; 链接预测旨在推断网络中缺失的边或预测未来可能出现的边.先前的链接预测研究主要集中在处理静态网络上,其目标是预测已知网络中缺失的边,然而,现实世界中许多复杂网络通常是动态变化的,使得动态网络中的链接预测任务往往比静态网络中... 展开更多; 关键词链接预测对比学习图表示学习动态网络动态图嵌入; 在线阅读下载PDF 职称材料

基于本地模型质量的客户端选择方法被引量：7: 3; 作者温依霖赵乃良 +3 位作者曾艳韩猛岳鲁鹏张纪林《计算机工程》 CAS CSCD 北大核心 2023年第6期131-143,共13页; 联邦学习是一种针对数据分布于多个客户端的环境下,客户端共同协作训练模型的分布式机器学习方法。在理想情况下全部客户端均参与每轮训练,但是实际应用中只随机选择一部分客户端参与。随机选择的客户端通常不能全面反映全局数据分布特... 展开更多; 关键词联邦学习数据异构损失值训练时间客户端选择; 在线阅读下载PDF 职称材料

基于对比学习的全局增强动态异质图神经网络被引量：2: 4; 作者焦鹏飞刘欢 +3 位作者吕乐高梦州张纪林刘栋《计算机研究与发展》 EI CSCD 北大核心 2023年第8期1808-1821,共14页; 图神经网络由于其对图结构数据的强大表征能力近年来受到广泛关注.现有图神经网络方法主要建模静态同质图数据,然而现实世界复杂系统往往包含多类型动态演化的实体及关系,此类复杂系统更适合建模为动态异质图.目前,动态异质图表示学习... 展开更多; 关键词动态链路预测动态异质图图表示学习对比学习自监督学习; 在线阅读下载PDF 职称材料

题名基于联邦学习的船舶AIS轨迹预测算法被引量：1: 1; 作者郑晨俊曾艳袁俊峰张纪林王鑫韩猛; 机构杭州电子科技大学计算机学院杭州电子科技大学复杂系统建模与仿真教育部重点实验室数据安全治理浙江省工程研究中心杭州电子科技大学圣光机联合学院; 出处《计算机工程》 CAS CSCD 北大核心 2024年第2期298-307,共10页; 基金国家自然科学基金(62072146) 浙江省重点研发计划项目(2021C03187) 浙江省自然科学基金(LQ23F020015)。; 文摘联邦学习是一种可以在弱通信环境下有效解决数据孤岛问题的分布式机器学习方法。针对海上船舶轨迹实时预测问题,提出基于Fedves联邦学习框架与卷积神经网络-门控循环单元(CNN-GRU)模型的船舶轨迹预测算法(E-FVTP)。根据Fedves联邦学习框架,通过规范客户端数据集规模以及客户端正则项,在保持原有客户端数据特征的前提下,减小数据非独立同分布特征对全局模型的影响,加快收敛速度。面向海洋通信资源短缺场景,建立基于船舶自动识别系统(AIS)数据的CNN-GRU船舶轨迹预测模型,解决了船舶终端设备计算能力不足的问题。在MarineCadastre开源和舟山海洋船舶航行AIS数据集上的实验结果表明,E-FVTP在预测误差比集中式训练降低40%的情况下,收敛速度提升67%、通信代价降低76.32%,可实现复杂海洋环境中船舶轨迹的精确预测,保障海上交通安全。; 关键词联邦学习船舶轨迹预测自动识别系统深度学习非独立同分布; Keywords federated learning ship trajectory prediction Automatic Identification System(AIS) deep learning Non Independent and Identically Distributed(Non-IID); 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

题名基于多视图对比学习的动态图链接预测方法: 2; 作者焦鹏飞吴子安刘欢张纪林万健; 机构杭州电子科技大学网络安全学院杭州电子科技大学计算机学院数据安全治理浙江省工程研究中心浙江科技学院; 出处《南京大学学报（自然科学版）》 CAS CSCD 北大核心 2024年第3期383-395,共13页; 基金国家自然科学基金(62372146) 浙江省属高校基本科研业务费专项(GK229909299001-008) +1 种基金广东省哲学社会科学规划2020年度青年项目(GD20YGL15)。; 文摘链接预测旨在推断网络中缺失的边或预测未来可能出现的边.先前的链接预测研究主要集中在处理静态网络上,其目标是预测已知网络中缺失的边,然而,现实世界中许多复杂网络通常是动态变化的,使得动态网络中的链接预测任务往往比静态网络中更为复杂和困难.近年来,基于动态图表示学习的链接预测方法已经展现较好的结果,这类方法利用动态图表示学习方法学习节点的嵌入表示,以捕捉网络的结构和演化信息,从而在动态网络中实现有效的链接预测.现有方法主要采用循环神经网络或自注意力机制作为神经网络架构的组件,通过时间序列网络学习动态网络的演化信息,然而,动态网络的多样性和演化模式的可变性对基于复杂时序网络的方法提出挑战.这些方法可能很难适应不同动态网络中不断发展的演化模式,同时,在图表示学习领域,图对比学习因为其强大的自监督学习能力受到广泛关注,但是现有方法大多针对静态图,对于动态图的研究较少.为了解决上述问题,提出一种动态网络多视图对比学习的链接预测方法,不依赖额外的时序网络参数,实现动态网络的表示学习和链接预测.该方法将动态网络快照视为网络的多个视图,摆脱对比学习对数据增强的依赖.通过构建包含网络结构、节点演化以及拓扑演化三个视图的对比学习目标函数,挖掘快照内网络结构、快照间节点和网络高阶结构的演化模式学习节点表示,实现链接预测任务.最后,在多个真实数据集上进行了多类动态链接预测实验,实验结果显著优于所有基线方法,验证了所提方法的有效性.; 关键词链接预测对比学习图表示学习动态网络动态图嵌入; Keywords link prediction contrastive learning graph representation learning dynamic networks dynamic graph embedding; 分类号 TP393 [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

题名基于本地模型质量的客户端选择方法被引量：7: 3; 作者温依霖赵乃良曾艳韩猛岳鲁鹏张纪林; 机构杭州电子科技大学计算机学院杭州电子科技大学复杂系统建模与仿真教育部重点实验室数据安全治理浙江省工程研究中心; 出处《计算机工程》 CAS CSCD 北大核心 2023年第6期131-143,共13页; 基金国家重点研发计划(2019YFB2102101) 国家自然科学基金(62072146,61972358) 浙江省重点研发计划(2021C03187)。; 文摘联邦学习是一种针对数据分布于多个客户端的环境下,客户端共同协作训练模型的分布式机器学习方法。在理想情况下全部客户端均参与每轮训练,但是实际应用中只随机选择一部分客户端参与。随机选择的客户端通常不能全面反映全局数据分布特征,导致全局模型训练效率和模型精度降低。为此,提出一种基于本地模型质量的客户端选择方法ChFL。分析影响模型精度和收敛速度的重要因素,提取可反映客户端模型质量的损失值和训练时间2个重要指标。通过对本地损失值和训练时间融合建模,用于评估客户端模型质量。在此基础上,基于客户端质量指导客户端选择,同时与随机选择策略进行一定比例的结合,以提高全局模型精度。通过选择具有高质量的数据且计算性能较优的客户端参与训练,提升模型精度并加快收敛速度。在FEMNIST、CIFAR-10、MNIST、CINIC-10和EMNIST数据集上的实验结果表明,相比3种基线算法FedAvg、FedProx、FedNova,将ChFL与基线算法相结合后的收敛速度平均加快约10%,准确率平均提高4个百分点。; 关键词联邦学习数据异构损失值训练时间客户端选择; Keywords federated learning heterogeneous data loss value training time client selection; 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

题名基于对比学习的全局增强动态异质图神经网络被引量：2: 4; 作者焦鹏飞刘欢吕乐高梦州张纪林刘栋; 机构杭州电子科技大学网络空间安全学院杭州电子科技大学计算机学院河南师范大学计算机与信息工程学院数据安全治理浙江省工程研究中心; 出处《计算机研究与发展》 EI CSCD 北大核心 2023年第8期1808-1821,共14页; 基金浙江省自然科学基金项目(LDT23F01015F01,LDT23F01012F01) 浙江省属高校基本科研业务费资助(GK229909299001-008) 国家自然科学基金项目(62072160,62003120)。; 文摘图神经网络由于其对图结构数据的强大表征能力近年来受到广泛关注.现有图神经网络方法主要建模静态同质图数据,然而现实世界复杂系统往往包含多类型动态演化的实体及关系,此类复杂系统更适合建模为动态异质图.目前,动态异质图表示学习方法主要集中于半监督学习范式,其存在监督信息昂贵和泛化性较差等问题.针对以上问题,提出了一种基于对比学习的全局增强动态异质图神经网络.具体地,所提网络首先通过异质层次化注意力机制根据历史信息来生成未来的邻近性保持的节点表示,然后通过对比学习最大化局部节点表示和全局图表示的互信息来丰富节点表示中的全局语义信息.实验结果表明,提出的自监督动态异质图表示学习方法在多个真实世界数据集的链路预测任务上的AUC指标平均提升了3.95%.; 关键词动态链路预测动态异质图图表示学习对比学习自监督学习; Keywords dynamic link prediction heterogeneous temporal graphs graph representation learning contrastive learning self-supervised learning; 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	作者	出处	发文年	被引量	操作
1	基于联邦学习的船舶AIS轨迹预测算法	郑晨俊曾艳袁俊峰张纪林王鑫韩猛	《计算机工程》 CAS CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
2	基于多视图对比学习的动态图链接预测方法	焦鹏飞吴子安刘欢张纪林万健	《南京大学学报（自然科学版）》 CAS CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
3	基于本地模型质量的客户端选择方法	温依霖赵乃良曾艳韩猛岳鲁鹏张纪林	《计算机工程》 CAS CSCD 北大核心	2023	7	在线阅读下载PDF 职称材料
4	基于对比学习的全局增强动态异质图神经网络	焦鹏飞刘欢吕乐高梦州张纪林刘栋	《计算机研究与发展》 EI CSCD 北大核心	2023	2	在线阅读下载PDF 职称材料