CN119537956A 一种基于半监督联邦学习的铁路内部数据流通共享方法 (中国铁道科学研究院集团有限公司电子计算技术研究所)_第1页
CN119537956A 一种基于半监督联邦学习的铁路内部数据流通共享方法 (中国铁道科学研究院集团有限公司电子计算技术研究所)_第2页
CN119537956A 一种基于半监督联邦学习的铁路内部数据流通共享方法 (中国铁道科学研究院集团有限公司电子计算技术研究所)_第3页
CN119537956A 一种基于半监督联邦学习的铁路内部数据流通共享方法 (中国铁道科学研究院集团有限公司电子计算技术研究所)_第4页
CN119537956A 一种基于半监督联邦学习的铁路内部数据流通共享方法 (中国铁道科学研究院集团有限公司电子计算技术研究所)_第5页
已阅读5页,还剩31页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种基于半监督联邦学习的铁路内部数据本发明提供了一种基于半监督联邦学习的域,包括从多个客户端上获取多个初始本地模基于每个客户端上数据的聚类分布对每个本地2从多个客户端上获取数据集和多个初始本地模型,所述数据集包括标基于所述初始全局模型和马氏距离对所述无标签数据集中的每个无标签数据分配伪基于每个客户端上数据和所述初始全局模型对所述初始本地模基于每个客户端上数据的聚类分布对每个本地模型分配基于多个本地模型和对应的权重参数计算得到数2.根据权利要求1所述的基于半监督联邦学习的铁路内部数据流通共享方法,其特征在于,基于所述初始全局模型和马氏距离对所述无标签数据集中的每个无标签数据分配伪基于所述初始全局模型对所述客户端上无标签数据进行特征基于所述初始全局模型对每个聚类中心的标签概率分布进行预测,基于高斯核函数和所述距离值,计算每个无标签特征与每个聚类中心的基于所述目标置信度和所述概率分布值,确定出每个无标签特征的标签概率分布值,并将最大标签概率分布值对应的标签值作为所对应无标3.根据权利要求1所述的基于半监督联邦学习的铁路内部数据流通共享方法,其特征在于,基于每个客户端上数据和所述初始全局模型对所述初始本地模型进行训练,当预设将客户端上数据输入到所述初始全局模型和所述初始本地模型中计算损失第五计算操作:计算所述线性参数与所述KL散度函调整操作:基于所述总损失函数对所述初始本地模型的3输入操作:将客户端上数据输入到所述初始全局模型和调4.根据权利要求1所述的基于半监督联邦学习的铁路内部数据流通共享方法,其特征基于所述类别权重和所述类别占比计算得到每个客户基于所述聚类信息熵和所述初始权重更新权重并进行归一化处理第一获取单元,用于从多个客户端上获取数据集和多个第一分配单元,用于基于所述初始全局模型和马氏距离对第二训练单元,用于基于每个客户端上数据和所述初始全局第二分配单元,用于基于每个客户端上数据的聚类分布对6.根据权利要求5所述的基于半监督联邦学习的铁路内部数据流通共享装置,其特征第一提取单元,用于基于所述初始全局模型对所述客户端上无标签数据进行特征提第一聚类单元,用于基于聚类算法对多个无标签特征进行聚预测单元,用于基于所述初始全局模型对每个聚类中第一计算单元,用于计算每个无标签特征与每个聚类4第二计算单元,用于基于高斯核函数和所述距离值,计确定单元,用于基于所述目标置信度和所述概率分布值,7.根据权利要求5所述的基于半监督联邦学习的铁路内部数据流通共享装置,其特征第一输入单元,用于将客户端上数据输入到所述初始全局模第四计算单元,用于第二计算操作:计算所述最终权重与第七计算单元,用于第五计算操作:计算所述线性参数调整单元,用于调整操作:基于所述总损失函数对所第二输入单元,用于输入操作:将客户端上数据输入到所述8.根据权利要求5所述的基于半监督联邦学习的铁路内部数据流通共享装置,其特征第二提取单元,用于基于所述本地模型对所对应客户端上数第八计算单元,用于计算每个数据类别中数据数量与客户端上数据第九计算单元,用于基于多个类别占比计算每个类别的全局分布情第十计算单元,用于基于所述全局占比计算得到每个类5第十一计算单元,用于基于所述类别权重和所述类别占比第十二计算单元,用于基于所述类别占比计算每个客户更新单元,用于基于所述聚类信息熵和所述初始权处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所算机程序被处理器执行时实现如权利要求1至4任一项所述基于半监督联邦学习的铁路内6[0004]本发明的目的在于提供一种基于半监督联邦学习的铁路第一方面,本申请提供了一种基于半监督联邦学习的铁路内部数据流通共享方基于所述初始全局模型和马氏距离对所述无标签数据集中的每个无标签数据分基于每个客户端上数据的聚类分布对每个本地模型分配基于多个本地模型和对应的权重参数计算得到数7[0011]图1为本发明实施例中所述的基于半监督联邦学习的铁路内部数据流通共享方法图2为本发明实施例中所述的基于半监督联邦学习的铁路内部数据流通共享装置图3为本发明实施例中所述的基于半监督联邦学习的铁路内部数据流通共享设备8[0018]步骤S30.基于初始全局模型和马氏距离对无标签数据集中的每个无标签数据分9;为第i个无标签数据特征与第i个聚类中心的马氏距离;为第i个无标签数据在第k维度的特征;为第i个聚类中心在第k维度的特征;a为第i个无标签数据在第i维度的特征;n为第j个聚类中心在第维度的特征;为聚类中心在第k;dy为第i个无标签数据特征与第j个聚类中心的马;[0025]其中,为第i个无标签数据特征与第j个聚类中心的置信度;为第i个无标签[0026]计算每个无标签数据的最终概率分布,并选择概率最大的标签作为对应的伪标;J为第i个无标签数据的伪标签;为第i个无标签数据特征与第i个聚类步骤S410.输入操作:将客户端上数据输入到初始全局模型和调整后初始本地模;;参数h:=0。[0035]步骤S50.基于每个客户端上数据的聚类分布对每个本地模型分配对应的权重参具体的,为了在中心服务器聚合各客户端上传的本地模型参数时得到更好的效步骤S51.基于本地模型对所对应客户端上数据进行特征提取,得到多个数据特;为第i个客户端上数据数量。步骤S542.计算目标数据类别的类别占比与所对应客户端的数据数量的乘积,得;第i个客户端上第k类数据的占比;p'为第i个客户端上数据数量;N为客户端数量。;;为第i个客户端的初始权重;M为第k类数据的类别权重;路数据类别间的不平衡性极度严重,需要适当提高稀有数据的权重以提升全局模型的性;为第i个客户端的聚类信息熵;为第i个客户端上第k类数据步骤S582.计算每个客户端的初始权重与对应的第六数值的比值,得到每个客户步骤S584.计算每个客户端的目标权重与第七数值的比值,得到每个客户端的本;wi为第i个客户端的目标权重;为第i个客户端的聚类信息熵;;[0053]如图2所示,本实施例提供了一种基于半监督联邦学习的铁路内部数据流通共享第八计算单元,用于计算每个数据类别中数据数量与客户端上数据数量的比例,第十一计算单元,用于基于类别权重和类别占比计算得到每个客户端的初始权[0061]图3是根据示例性实施例示出的一种基于半监督联邦学习的铁路内部数据流通共[0062]其中,处理器801用于控制该基于半监督联邦学习的铁路内部数据流通共享设备800的整体操作,以完成上述的基于半监督联邦学习的铁路内部数据流通共享方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于半监督联邦学习的铁路内部数据流通共享设备800的操作,这些数据例如可以包括用于在该基于半监督联邦学习的铁路内部数据流通共享设备800上操作的任何应用程序或方法的指令,以及应用程序类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器ErasableProgrammableRead_OnlyMemory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammableRead_OnlyMemory,简称EPROM),可编程只读存储器(ProgrammableRead_OnlyMemory,简称PROM),只读存储器(Read_OnlyMemory,简称的铁路内部数据流通共享设备800与其他设备之间进行有线或无线通信。无线通信,例如[0063]在一示例性实施例中,基于半监督联邦学习的铁路内部数据流通共享设备800可以被一个或多个应用专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC)、数字信号处理器(DigitalSignalProcessor,简称DSP)、数字信号处理设备程序指令被处理器执行时实现上述的基于半监督联邦学习的铁路内部数据流通共享方法令可由基于半监督联邦学习的铁路内部数据流通共享设备800的处理器801执行以完成上一种可读存储介质与上文描述的一种基于半监督联邦学习的铁路内部数据流通共享方法行时实

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论