申请/专利权人：河海大学

申请日：2024-04-10

公开（公告）日：2024-06-18

公开（公告）号：CN118211635A

主分类号：G06N3/0895

分类号：G06N3/0895;G06N3/088;G06F18/214;G06F18/2431

优先权：

专利状态码：在审-公开

法律状态：2024.06.18#公开

摘要：本发明涉及一种基于动态阈值增强原型网络的联邦半监督学习方法，根据模型对每个分类的学习状态，动态调整各分类下的阈值，用以选择高质量的样本进行学习，使得模型根据学习状态选择合适的伪标签，提高了模型学习的灵活性；并且针对无标签数据引入对应伪标签的预测，以及进一步提高伪标签的质量，实现对无标签数据的有效利用；应用中，本发明设计在不增加额外通信开销和计算负担的情况下，模型在多个公认的基准数据集上取得的性能不亚于当下任何主流方法，并且模型稳定后在多个数据集上均取得了优异的测试性能，同时处理异质性和同质性数据时表现出色，且对于不同比例的有标签和无标签数据都具有良好的适应性。

主权项：1.一种基于动态阈值增强原型网络的联邦半监督学习方法，其特征在于：基于服务器、以及与之相通信的I个客户端，根据各客户端分别拥有关于目标数据类型、以及预设K个分类的有标签数据集、无标签数据集，执行如下步骤A至步骤F，实现目标分类模型的训练；步骤A.各客户端初始化获得其有标签数据集分别关于K个分类的原型网络，以及初始化分别对应K个分类的阈值，然后进入步骤B；步骤B.各客户端分别针对其有标签数据集随机划分为有标签训练集与有标签测试集，以及由其无标签数据集中随机划分构建无标签测试集，然后进入步骤C；步骤C.各客户端分别首先基于有标签训练集、有标签测试集，对目标分类模型进行有监督学习训练，获得训练后目标分类模型，然后基于训练后目标分类模型，分别对其K个原型网络进行有监督学习训练，更新获得K个训练后原型网络，并将K个训练后原型网络上传至服务器，再进入步骤D；步骤D.各客户端分别执行：基于训练后目标分类模型、本地各训练后原型网络、以及来自各活跃客户端中各辅助客户端的各训练后原型网络，计算获得无标签测试集中各样本分别对应本地的伪标签、对应辅助客户端的伪标签、以及关于辅助客户端分别对应K个分类的概率，并更新分别对应K个分类的阈值，然后进入步骤E；步骤E.各客户端分别综合其有标签测试集、无标签测试集中各样本预测的损失结果之和，判断是否存在客户端的损失结果之和大于预设损失阈值，是则针对损失结果之和大于预设损失阈值的客户端，返回步骤B；否则进入步骤F；步骤F.各客户端分别将其训练后目标分类模型上传至服务器，由服务器针对来自各客户端的训练后目标分类模型中各个参数进行聚合，获得聚合后目标分类模型。

全文数据：

权利要求：

百度查询： 河海大学 一种基于动态阈值增强原型网络的联邦半监督学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD