Nothing Special   »   [go: up one dir, main page]

CN114077901B - 一种基于聚类的图联邦学习的用户位置预测方法 - Google Patents

一种基于聚类的图联邦学习的用户位置预测方法 Download PDF

Info

Publication number
CN114077901B
CN114077901B CN202111397483.XA CN202111397483A CN114077901B CN 114077901 B CN114077901 B CN 114077901B CN 202111397483 A CN202111397483 A CN 202111397483A CN 114077901 B CN114077901 B CN 114077901B
Authority
CN
China
Prior art keywords
user
graph
server
users
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111397483.XA
Other languages
English (en)
Other versions
CN114077901A (zh
Inventor
张啸
王麒麟
叶梓铭
于东晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202111397483.XA priority Critical patent/CN114077901B/zh
Publication of CN114077901A publication Critical patent/CN114077901A/zh
Application granted granted Critical
Publication of CN114077901B publication Critical patent/CN114077901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Discrete Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于聚类的图联邦学习的用户位置预测方法，包括如下步骤：S1.用户在本地使用序列预测模型进行训练；S2.用户将模型参数及原始序列数据经过编码器之后的隐含状态上传至服务器；S3.利用隐含状态学习相似图结构；S4.通过图卷积神经网络获得用户的嵌入表示；S5.通过聚类方法将用户分为多个簇，每个簇中的用户执行联邦平均算法；S6.将嵌入表示和平均后的模型参数下载到相应用户，各个用户将隐含状态和嵌入表示进行拼接，之后输出预测结果，并对服务器模型参数进行更新。其优点在于，联邦学习保护了数据隐私；图卷积网络解决标签稀缺所带来的训练成本不足的问题；图聚类算法使更相似的用户执行联邦平均算法从而解决用户间异构性的问题。

Description

一种基于聚类的图联邦学习的用户位置预测方法
技术领域
本发明属于智能设备用户位置预测技术领域，具体涉及基于聚类的图联邦学习的用户位置预测框架。
背景技术
用户位置预测旨在预测用户个人在现实场景中的移动轨迹或者位置，其允许智能系统能够协助用户个人提高生活质量，现已涉及到很多领域诸如智能服务、智慧城市和医疗保健等等。最近几年，随着智能可穿戴设备的普及和基于位置的智能服务技术的进步，用户位置预测问题已经成为学术界和工业界的研究热点。在之前的研究中，对特定数据集上的用户位置预测已经取得了较为良好的效果。但是，用户的位置预测有其独特的特征和挑战：(1)隐私保护。位置数据携带用户大量的隐私信息，这些信息往往非常敏感，现有的方法通常集中式批处理的方式训练数据，这种方式不仅会使用户的隐私泄露，而且要求一个非常大的存储空间来保存所有的用户历史轨迹数据，如何在保护用户数据隐私的情况下提升模型预测的效果是需要解决的问题之一。(2)标签的稀缺性。被标签化的活动数据总是有限的，对用户个人来说，获得足够用于模型训练的移动轨迹数据代价是昂贵的。如果用户单独训练，那么数据量有限是一个极其严峻的问题。(3)用户异质性。由于用户的特征或者兴趣是多样化的，不同的用户的位置移动模式是不同的，也就意味着用户的数据是异质的，即非独立同分布的，因此通过联邦学习获得的泛化模型无法在特定客户端上取得最好的性能。目前关于该课题的研究还存在诸多不足。
发明内容
本专利提出了一种基于聚类的图联邦学习的框架GFedHMP来解决位置预测中的隐私保护、标签稀缺和用户间异构性三大问题。其技术方案为，
一种基于聚类的图联邦学习的用户位置预测方法，包括如下步骤：
S1.用户在本地使用序列预测模型进行训练；
S2.用户将模型参数及数据经过编码器之后的隐含状态上传至服务器；
S3.服务器利用隐含状态学习相似图结构；
S4.服务器通过图卷积神经网络获得每个用户的嵌入表示；
S5.服务器通过聚类方法将用户分为多个簇，每个簇中的用户针对模型参数执行联邦平均算法；
S6.服务器将嵌入表示和平均后的模型参数下载到各个用户，各个用户将隐含状态和嵌入表示进行拼接，将其作为解码器的输入，之后输出预测结果，并对服务器模型参数进行更新。
进一步优选的，步骤S1中，每个用户使用具有编码器解码器结构的序列预测模型进行训练，具体步骤如下：
S11.初始化序列预测模型的参数用户的嵌入表示/>设置迭代计数器ra，指定用户在本地训练的迭代次数Ta；
S12.判断当前轮数是否达到迭代次数Ta；如果小于等于Ta，继续执行；否则结束，得到用户模型参数
S13.将原始历史轨迹数据输入编码器，得到数据的隐含状态/>
S14.将隐含状态和用户的初始嵌入表示/>进行拼接，作为解码器的输入并获得预测结果/>
S15.预测结果与真实值/>通过计算交叉熵损失函数获得loss；
S16.使用loss计算梯度并对模型进行更新，ηa为用户本地模型训练的学习率；
S17.将迭代计数器ra加1，进入S12。
进一步优选的，步骤S2中，原始历史轨迹数据经过编码器获得隐含状态 是用户本地模型的编码器部分，将用户本地模型参数和数据的隐含状态/>上传至服务器，/>为用户本地模型的编码器部分的参数，/>为用户本地模型的解码器部分的参数。
进一步优选的，步骤S3中，服务器利用用户上传的隐含状态通过图学习层学习相似图结构，步骤如下：
(1)M＝tanh(αHθGL)
(2)A＝ReLU(tanh(α(MMT)))
(3)idx＝argtopk(A[i,:])(i＝1,2,3,...,N)
A[i,-idx]＝0
其中，M为H经过变换后的过渡矩阵，i表示第几个用户，N代表用户总数，代表由用户上传的数据隐含状态所构成的隐含状态矩阵，Dhid为隐含状态的特征维度，θGL代表服务器端图结构学习层的模型参数，α是控制激活函数饱和率的超参数，argtopk(·)返回向量的k个最大值的索引表示为idx；通过以上步骤，获得表示用户关系的相似图结构，用邻接矩阵A进行表示；其中步骤(3)是一种稀疏化邻接矩阵的策略，对于每个用户，选择最相似的k个用户来作为他的邻居，在保留连接用户边权重的同时，将非连接的用户的边权重设置为0。
进一步优选的，步骤S4中，服务器通过图卷积神经网络获得每个用户的嵌入表示，具体步骤如下，图卷积神经网络每一层的输出为 其中IN代表大小为N的单位矩阵，/>是邻接矩阵/>的度矩阵，即/>H(0)＝H作为图卷积神经网络的初始层输入，即由各个用户上传至服务器的隐含状态所组成的隐含状态矩阵；W(l)代表了图卷积神经网络第l层的权重，在经过多层的卷积之后，输出/> 其中/>作为用户的新的嵌入表示。
进一步优选的，服务器将步骤S5输出的用户邻接矩阵A作为图聚类模块的输入执行Louvain算法，具体过程如下：
用户被分为Q个簇对每个簇中的用户执行联邦平均算法得到即/> 代表用户ui的数据量，/>代表属于簇Cq的用户的总数据量；之后遍历所有用户，如果ui∈Cq，那么/>即将每一个属于簇Cq的用户ui的用户模型参数值/>用/>替换，并准备将其返回给相应的用户。
进一步优选的，步骤S6中，服务器将由步骤S4得到的新的嵌入表示和步骤S5得到的平均后的用户模型参数/>下载至相应的用户，用户将隐含状态/>和新的嵌入表示/>进行拼接获得/>作为解码器的输入并输出预测结果，通过交叉熵损失函数获得的loss计算梯度，获得嵌入表示的梯度/>返回给服务器；服务器将嵌入表示的梯度/>继续后向传播，获得θGL的梯度/>以及θGCN的梯度/>服务器将/>和/>累加，并对参数θGL和θGCN进行更新。
有益效果
本申请采用一种基于聚类的图联邦学习的框架GFedHMP，首先利用了联邦学习从而保护了用户的隐私；通过构建的相似图结构，图卷积网络可以使用户学习到其他用户有利于自己模型训练预测的知识，一定程度上解决标签稀缺所带来的训练成本不足的问题；图聚类算法使更相似的用户执行联邦平均算法从而解决用户间异构性的问题。
附图说明
图1为本申请流程图；
图2为用户在本地训练的流程图；
图3为服务器模型联合用户进行训练流程图；
图4为本申请信息流通图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。本实施例提供的一种基于聚类的图联邦学习的用户位置预测方法，流程示意图如图1-图4所示，主要包括以下步骤：
步骤S1中，用户在本地使用序列预测模型进行训练，如图2所示。在该步骤中，具体包括：
S11.首先初始化模型的参数用户的嵌入表示/>迭代计数器ra＝1，指定用户在本地训练的迭代次数Ta。
S12.判断当前轮数是否达到规定轮数Ta。如果小于等于Ta(ra≤Ta)，继续执行。否则结束，得到用户模型参数
S13.将原始历史轨迹数据输入编码器，得到数据的隐含状态/>即/>
S14.将隐含状态和用户的嵌入表示/>进行拼接，作为解码器的输入并获得预测结果/>即/>
S15.预测结果与真实值/>通过计算交叉熵损失函数获得loss，即/>
S16.利用lui计算梯度并对模型进行更新，即ηa为用户本地模型训练的学习率。
S17.将迭代计数器ra加1，进入S12。
步骤S2中，原始历史轨迹数据Pui经过编码器获得隐含状态 是用户本地的编码器，将用户模型参数/> 和数据的隐含状态/>上传至服务器。
服务器模型联合用户进行训练，训练出泛化模型以及用户的新的嵌入表示。包括步骤S3-S6，具体训练流程如图3所示：
(1)首先初始化服务器端图结构学习层的模型参数θGL(图学习层)，服务器端图卷积网络层的模型参数θGCN(图卷积网络)，迭代计数器rs＝1，指定服务器模型联合用户进行训练的迭代次数Ts。
(2)判断当前轮数是否达到规定轮数Ts。如果小于等于Ts，继续执行。否则结束，得到用户最终的模型参数和用户的嵌入表示矩阵Hout。
(3)用户在本地进行模型训练，即完成步骤S1。训练结束后，用户将模型参数和数据的隐含状态/>上传至服务器。
(4)服务器利用用户的隐含状态学习相似图结构，获得代表用户关系的邻接矩阵A。(S3)
(5)以各用户的隐含状态作为输入，通过图卷积神经网络，获得用户的嵌入表示矩阵通过此步操作，用户可以学习到其他用户的知识。(S4)
(6)服务器执行图聚类模块，以(4)中获得的邻接矩阵A作为输入，用户被分为Q个簇对每个簇中的用户执行联邦平均算法得到/> 代表用户ui的数据量，/>代表属于簇Cq的用户的总数据量。之后遍历所有用户，如果ui∈Cq，那么/>即将每一个属于簇Cq的用户ui的用户模型参数值/>替换/>并准备将其返回给相应的用户。通过此步操作，避免了在所有的用户上直接进行参数平均，一定程度上解决了用户的异质性问题。(注意(5)和(6)可以并行执行)。(S5)
(7)服务器将用户的嵌入表示Hout下载至相应的用户，用户将隐含状态和嵌入表示/>进行拼接作为解码器的输入并输出预测结果，通过交叉熵损失函数获得的loss计算梯度，获得嵌入表示的梯度/>返回给服务器。
(8)服务器利用嵌入表示的梯度继续后向传播获得θGL的梯度/>和θGCN的梯度/>
(9)将相应模型参数的梯度累加，即和/>
(10)对服务器模型参数进行更新，即 其中ηs为服务器模型训练的学习率。(S6)
步骤S3-S6主要说明了服务器端如何在不获取用户原始数据的情况下联合用户进行模型训练。
最后用户利用已经训练好的泛化模型和嵌入表示，通过将待预测历史数据输入模型，即可输出最终的位置预测结果。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于聚类的图联邦学习的用户位置预测方法，其特征在于，包括如下步骤：
S1.用户在本地使用序列预测模型进行训练；每个用户使用具有编码器解码器结构的序列预测模型进行训练；
S2.用户将模型参数及数据经过编码器之后的隐含状态上传至服务器；
原始历史轨迹数据经过编码器获得隐含状态/> 是用户本地模型的编码器部分，将用户本地模型参数/>和数据的隐含状态/>上传至服务器，/>为用户本地模型的编码器部分的参数，/>为用户本地模型的解码器部分的参数；
S3.服务器利用隐含状态学习相似图结构；
步骤S3中，服务器利用用户上传的隐含状态通过图学习层学习相似图结构，步骤如下：
(1)M＝tanh(αHθGL)
(2)A＝ReLU(tanh(α(MMT)))
(3)idx＝argtopk(A[i，：])(i＝1，2，3，...，N)
A[i，-idx]＝0
其中，M为H经过变换后的过渡矩阵，i表示第几个用户，N代表用户总数，代表由用户上传的数据隐含状态所构成的隐含状态矩阵，Dhid为隐含状态的特征维度，θGL代表服务器端图结构学习层的模型参数，α是控制激活函数饱和率的超参数，argtopk(·)返回向量的k个最大值的索引表示为idx；通过以上步骤，获得表示用户关系的相似图结构，用邻接矩阵A进行表示；其中步骤(3)是一种稀疏化邻接矩阵的策略，对于每个用户，选择最相似的k个用户来作为他的邻居，在保留连接用户边权重的同时，将非连接的用户的边权重设置为0；
S4.服务器通过图卷积神经网络获得每个用户的嵌入表示；
服务器通过图卷积神经网络获得每个用户的嵌入表示，具体步骤如下，图卷积神经网络每一层的输出为其中/>IN代表大小为N的单位矩阵，/>是邻接矩阵/>的度矩阵，即/>H(0)＝H作为图卷积神经网络的初始层输入，即由各个用户上传至服务器的隐含状态所组成的隐含状态矩阵；W(l)代表了图卷积神经网络第l层的权重，在经过多层的卷积之后，输出/>其中作为用户的新的嵌入表示；
S5.服务器通过聚类方法将用户分为多个簇，每个簇中的用户针对模型参数执行联邦平均算法；
服务器将步骤S5输出的用户邻接矩阵A作为图聚类模块的输入执行Louvain算法，具体过程如下：
用户被分为Q个簇对每个簇中的用户执行联邦平均算法得到/>即 代表用户ui的数据量，/>代表属于簇Cq的用户的总数据量；之后遍历所有用户，如果ui∈Cq，那么/>即将每一个属于簇Cq的用户ui的用户模型参数值/>用/>替换，并准备将其返回给相应的用户；
S6.服务器将嵌入表示和平均后的模型参数下载到各个用户，各个用户将隐含状态和嵌入表示进行拼接，将其作为解码器的输入，之后输出预测结果，并对服务器模型参数进行更新。
2.根据权利要求1所述的一种基于聚类的图联邦学习的用户位置预测方法，其特征在于，步骤S1中，每个用户使用具有编码器解码器结构的序列预测模型进行训练，具体步骤如下：
S11.初始化序列预测模型的参数用户的嵌入表示/>设置迭代计数器ra，指定用户在本地训练的迭代次数Ta；
S12.判断当前轮数是否达到迭代次数Ta；如果小于等于Ta，继续执行；否则结束，得到用户模型参数
S13.将原始历史轨迹数据输入编码器，得到数据的隐含状态/>
S14.将隐含状态和用户的初始嵌入表示/>进行拼接，作为解码器的输入并获得预测结果/>
S15.预测结果与真实值/>通过计算交叉熵损失函数获得loss；
S16.使用loss计算梯度并对模型进行更新，ηa为用户本地模型训练的学习率；
S17.将迭代计数器ra加1，进入S12。
3.根据权利要求1所述的一种基于聚类的图联邦学习的用户位置预测方法，其特征在于，步骤S6中，服务器将由步骤S4得到的新的嵌入表示和步骤S5得到的平均后的用户模型参数/>下载至相应的用户，用户将隐含状态/>和新的嵌入表示/>进行拼接获得作为解码器的输入并输出预测结果，通过交叉熵损失函数获得的loss计算梯度，获得嵌入表示的梯度/>返回给服务器；服务器将嵌入表示的梯度/>继续后向传播，获得θGL的梯度/>以及θGCN的梯度/>服务器将/>和/>累加，并对参数θGL和θGCN进行更新。
CN202111397483.XA 2021-11-23 2021-11-23 一种基于聚类的图联邦学习的用户位置预测方法 Active CN114077901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111397483.XA CN114077901B (zh) 2021-11-23 2021-11-23 一种基于聚类的图联邦学习的用户位置预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111397483.XA CN114077901B (zh) 2021-11-23 2021-11-23 一种基于聚类的图联邦学习的用户位置预测方法

Publications (2)

Publication Number Publication Date
CN114077901A CN114077901A (zh) 2022-02-22
CN114077901B true CN114077901B (zh) 2024-05-24

Family

ID=80284127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111397483.XA Active CN114077901B (zh) 2021-11-23 2021-11-23 一种基于聚类的图联邦学习的用户位置预测方法

Country Status (1)

Country Link
CN (1) CN114077901B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114564752B (zh) * 2022-04-28 2022-07-26 蓝象智联(杭州)科技有限公司 一种基于图联邦的黑名单传播方法
CN115114980A (zh) * 2022-06-28 2022-09-27 支付宝(杭州)信息技术有限公司 联合训练用户聚类模型的、用户聚类方法及装置
CN116204599B (zh) * 2023-05-06 2023-10-20 成都三合力通科技有限公司 基于联邦学习的用户信息分析系统及方法
CN116502709A (zh) * 2023-06-26 2023-07-28 浙江大学滨江研究院 一种异质性联邦学习方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340247A (zh) * 2020-02-12 2020-06-26 深圳前海微众银行股份有限公司 纵向联邦学习系统优化方法、设备及可读存储介质
CN112364943A (zh) * 2020-12-10 2021-02-12 广西师范大学 一种基于联邦学习的联邦预测方法
WO2021189906A1 (zh) * 2020-10-20 2021-09-30 平安科技（深圳）有限公司 基于联邦学习的目标检测方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12061954B2 (en) * 2017-10-27 2024-08-13 Intuit Inc. Methods, systems, and computer program product for dynamically modifying a dynamic flow of a software application
CN117371555A (zh) * 2023-10-25 2024-01-09 华东师范大学 基于域泛化技术和无监督聚类算法的联邦学习模型训练方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340247A (zh) * 2020-02-12 2020-06-26 深圳前海微众银行股份有限公司 纵向联邦学习系统优化方法、设备及可读存储介质
WO2021189906A1 (zh) * 2020-10-20 2021-09-30 平安科技（深圳）有限公司 基于联邦学习的目标检测方法、装置、设备及存储介质
CN112364943A (zh) * 2020-12-10 2021-02-12 广西师范大学 一种基于联邦学习的联邦预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
中央空调远程监控系统的设计;张啸;何小虎;;可编程控制器与工厂自动化;20110815(第08期);全文 *
基于可穿戴设备的心电图自适应分类算法研究;樊敏;王晓锋;孟小峰;;计算机科学;20190816(第12期);全文 *
联邦学习可视化:挑战与框架;潘如晟;韩东明;潘嘉铖;周舒悦;魏雅婷;梅鸿辉;陈为;;计算机辅助设计与图形学学报;20210114(第04期);全文 *

Also Published As

Publication number Publication date
CN114077901A (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN114077901B (zh) 一种基于聚类的图联邦学习的用户位置预测方法
CN110968426A (zh) 一种基于在线学习的边云协同k均值聚类的模型优化方法
CN109062962B (zh) 一种融合天气信息的门控循环神经网络兴趣点推荐方法
CN110992351B (zh) 基于多输入卷积神经网络的sMRI图像分类方法和装置
CN113298191B (zh) 基于个性化半监督在线联邦学习的用户行为识别方法
CN114496083B (zh) 细胞类型确定方法、装置、设备以及存储介质
CN109983480A (zh) 使用聚类损失训练神经网络
CN105701482A (zh) 基于非平衡标签信息融合的人脸识别算法架构
CN114418085B (zh) 一种基于神经网络模型剪枝的个性化协作学习方法和装置
CN110168572A (zh) 信息处理方法、信息处理装置、计算机可读存储介质
CN116434538B (zh) 基于异构数据融合的城市交通流预测模型构建方法
CN115115021A (zh) 基于模型参数异步更新的个性化联邦学习方法
CN112115780A (zh) 一种基于深度多模型协同的半监督行人重识别方法
CN107240100B (zh) 一种基于遗传算法的图像分割方法和系统
CN113706551A (zh) 一种图像分割方法、装置、设备及存储介质
CN115511108B (zh) 一种基于数据集蒸馏的联邦学习个性化方法
CN117077765A (zh) 一种基于个性化联邦增量学习的脑电信号身份识别方法
CN116305289A (zh) 医疗隐私数据处理方法、装置、计算机设备及存储介质
CN115131605A (zh) 一种基于自适应子图的结构感知图对比学习方法
KR102515168B1 (ko) 광고 컨텐츠 제작 최적화 방법, 장치 및 시스템
Gao et al. Optimal deployment of large-scale wireless sensor networks based on graph clustering and matrix factorization
CN117078312B (zh) 一种基于人工智能的广告投放管理方法及系统
CN117669741A (zh) 基于遗传算法的无人机集群大小模型动态协同推理方法
CN114881308B (zh) 基于元学习的网联车辆速度预测方法
CN114399901B (zh) 一种控制交通系统的方法和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant