申请/专利权人:燕山大学
申请日:2024-04-08
公开(公告)日:2024-06-21
公开(公告)号:CN118228807A
主分类号:G06N3/098
分类号:G06N3/098;G06N3/042;G06N3/045;G06N3/096;G06F18/10;G06F18/2113;G06F18/214;G06F18/2431
优先权:
专利状态码:在审-公开
法律状态:2024.06.21#公开
摘要:本发明属于联邦学习技术领域,具体公开了一种具有噪声标签和不平衡数据的联邦学习方法,在联邦学习场景下,将采用不同数据增强策略的训练数据输入单神经网络M1中,分别得到弱增强输出和强增强输出,随后将这两种输出与真实的数据标签一起进行联合损失计算,从而得到小损失样本;将经过强增强处理的小损失样本输入单神经网络中,利用自平衡优化后的损失函数进行缺失类和激活类长尾处理,最终得到训练好的模型。与现有技术相比,本发明使用单网络模拟的协同网络过滤噪声标签样本,结合自平衡方法,有效解决了在长尾和噪声标签的联邦场景中模型精度下降的问题。
主权项:1.一种具有噪声标签和不平衡数据的联邦学习方法,其特征在于,包括以下步骤:Step1,在联邦学习场景下,将采用不同数据增强策略的训练数据输入单神经网络M1中,分别得到弱增强输出和强增强输出,随后将这两种输出与真实的数据标签一起进行联合损失计算,从而得到小损失样本;Step2,将经过强增强处理的小损失样本输入单神经网络中,利用自平衡优化后的损失函数进行缺失类和激活类长尾处理,最终得到训练好的模型。
全文数据:
权利要求:
百度查询: 燕山大学 一种具有噪声标签和不平衡数据的联邦学习方法
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。