检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

医学科技进步对卫生事业发展的贡献评估研究

中华医学科研管理杂志 1998年第2期11卷 80-82页

作者：梁智卜绍唐蒋玲王大戍赵芳顾盛刚江苏省卫生厅科教处

医学科技进步对卫生事业发展的贡献评估研究梁智卜绍唐蒋玲王大戍赵芳顾盛刚为了探讨医学科技进步对卫生事业发展的贡献份额，测量出医学科技进步贡献率，并寻找出一种评估方法，我们进行了这次调查。目的是促进卫生事业的科技进步，认... 详细信息

医学科技进步对卫生事业发展的贡献评估研究梁智卜绍唐蒋玲王大戍赵芳顾盛刚为了探讨医学科技进步对卫生事业发展的贡献份额，测量出医学科技进步贡献率，并寻找出一种评估方法，我们进行了这次调查。目的是促进卫生事业的科技进步，认清科技进步对事业发展的重要性和迫切...

关键词：医学科研卫生事业贡献评估

在线全文

学校读者我要写书评

暂无评论

我国进口价格的影响因素及政策建议

经济纵横 2011年第10期 1-6页

作者：李建伟国务院发展研究中心社会部北京100010

2010年一季度以来,我国进口价格持续大幅上涨。其中,80%是由国外因素推动的,国内因素和其他因素引致的进口价格涨幅仅占进口价格平均涨幅的20%。国外需求和运输费用是推动各类产品进口价格上涨的主要因素,进口数量扩大会引致食品、燃料... 详细信息

2010年一季度以来,我国进口价格持续大幅上涨。其中,80%是由国外因素推动的,国内因素和其他因素引致的进口价格涨幅仅占进口价格平均涨幅的20%。国外需求和运输费用是推动各类产品进口价格上涨的主要因素,进口数量扩大会引致食品、燃料、油脂和化工产品进口价格上涨,但会导致机械产品和杂项制品进口价格下降,人民币名义有效汇率和进口关税税率对各类产品进口价格影响较小。

关键词：进口价格影响因素贡献评估

在线全文

学校读者我要写书评

暂无评论

联邦学习的公平性研究综述

计算机应用 2024年

作者：张淑芬张宏扬任志强陈学斌华北理工大学理学院河北省数据科学与应用重点实验室(华北理工大学) 唐山市大数据安全与智能计算重点实验室(华北理工大学) 唐山市数据科学重点实验室(华北理工大学)

联邦学习自诞生以来，凭借其分布式结构和隐私安全的优势，取得了快速发展。然而，大规模联邦学习所引发的公平性问题对联邦学习系统的可持续性造成了影响。针对联邦学习的公平性问题，对近年来联邦学习公平性的研究工作进行了系统梳理... 详细信息

联邦学习自诞生以来，凭借其分布式结构和隐私安全的优势，取得了快速发展。然而，大规模联邦学习所引发的公平性问题对联邦学习系统的可持续性造成了影响。针对联邦学习的公平性问题，对近年来联邦学习公平性的研究工作进行了系统梳理和深度分析。首先对联邦学习的工作流程和定义进行了解释，并总结了联邦学习中的偏见和公平性概念。其次详细归纳了联邦学习公平性研究中常用的数据集，并探讨了公平性研究所面临的挑战。最后从数据源选择、模型优化、贡献评估和激励机制四个方面归纳梳理了相关研究工作的优缺点、适用场景以及实验设置等，并展望了联邦学习公平性未来的研究方向和趋势。

关键词：联邦学习公平性数据选择模型优化贡献评估激励机制

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

一种基于区块链的联邦学习贡献评价方案

计算机应用研究 2023年第8期40卷 2258-2265页

作者：徐浩曈刘立新王静宇张晓琳王永平内蒙古科技大学信息工程学院内蒙古包头014017 中国人民大学信息学院北京100872

为了实现联邦学习中公平的收益分配,需要有一个指标来量化每个数据提供者对联合模型的贡献。针对现有的贡献评价方案存在的隐私泄露、不透明和依赖中心服务器等问题,提出一种基于区块链的透明的联邦学习贡献评价方案。首先,提出基于改进... 详细信息

为了实现联邦学习中公平的收益分配,需要有一个指标来量化每个数据提供者对联合模型的贡献。针对现有的贡献评价方案存在的隐私泄露、不透明和依赖中心服务器等问题,提出一种基于区块链的透明的联邦学习贡献评价方案。首先,提出基于改进的Paillier安全聚合算法,通过联合解密避免了在模型聚合阶段对用户本地数据的推断。其次,提出一种基于用户累计提交的梯度来近似计算其贡献的方法,解决了现有贡献评估方案存在的隐私泄露问题。此外,将贡献的评估融入到区块链的共识过程中,使其评估结果具备了可审计性。最后,基于MNIST数据集进行的实验表明,所提出的方法可以有效地评估贡献。

关键词：区块链联邦学习公平贡献评估透明隐私

在线全文

学校读者我要写书评

暂无评论

横向联邦学习中的公平性问题研究

横向联邦学习中的公平性问题研究

作者：熊良成西安电子科技大学

学位级别：硕士

联邦学习是当下人工智能领域的研究热点,它以模型共享代替数据共享的方式解决了传统机器学习面临的“数据孤岛”问题。在实际应用过程中,各参与方会因为付出了一定的资源而收到一定的报酬,而这些报酬也会成为其是否继续执行联邦学习任... 详细信息

联邦学习是当下人工智能领域的研究热点,它以模型共享代替数据共享的方式解决了传统机器学习面临的“数据孤岛”问题。在实际应用过程中,各参与方会因为付出了一定的资源而收到一定的报酬,而这些报酬也会成为其是否继续执行联邦学习任务的关键影响因素。因此联邦学习除了要满足隐私保护等方面的要求外,还应该满足公平性这一重要特性。而联邦学习公平性的一个重要研究方向是如何建立公平有效的激励机制,使得具有高质量数据的参与方持续参与到联邦学习任务中。现有联邦学习激励机制设计的一个普遍原则是根据参与方的贡献设置激励策略。但是现有的参与方贡献评估方案大多是根据单一因子计算参与方贡献,不能同时满足结果公平准确与评估高效的要求。并且,现有的激励方案大都假设参与方为诚实可信的,它们会诚实的按照系统约定执行联邦学习任务。然而由于网络的复杂性,参与方可能会有意或无意地执行违反规定的行为。这些问题的存在不但影响了联邦学习的公平性,也阻碍了高质量数据参与方持续地参与到联邦学习任务中。针对上述联邦学习中存在的公平性问题,本文提出了多因子的参与方贡献度评估方案和基于复利模型的激励方案。本文的主要贡献如下:(1)针对单一评估因子可能导致参与方贡献评估结果出现偏差产生的公平性问题,本文提出了一种多因子的参与方贡献度评估(MPCA)方案。相对于单因子的参与方贡献评估方案,MPCA方案具有更高的结果准确性和更全面的分析能力。首先,MPCA方案从参与方对全局模型的效益影响、模型训练的资源消耗以及数据资源付出三个角度考虑,将参与方对联邦学习的贡献分为模型贡献、训练贡献和数据贡献三个部分,从多角度评估参与方贡献,尽可能提升评估结果的准确性。其次,为了提高评估效率,MPCA方案在评估参与方的模型贡献时引入了神经网络预测模型。通过记录的各参与方行为信息与对应的模型贡献值的历史数据进行贡献预测模型的建模,并在后续的联邦学习过程中使用该预测模型对参与方进行模型贡献的评估。仿真实验结果显示,与基于沙普利值法的参与方模型贡献评估相比,在满足最大误差小于0.005的要求的情况下,该方案可以将联邦学习的总时间降低40%以上。此外,为了增加数据贡献评估结果的准确性,MPCA方案设计了基于层次分析法的参与方数据贡献评估方案。它从数据的质量维度、成本维度以及数量维度考虑,选取了时效性、准确性、收集成本、维护成本、数据数量和数据广泛性作为评估准则,并以此构建了参与方数据贡献评估的层次结构模型。(2)针对现有联邦学习激励机制中存在的参与方行为假设不合理产生的公平性问题,本文提出了一种基于复利模型的联邦学习激励机制(CIIM)。首先,CIIM方案更正了现有研究中参与方行为假设,考虑了联邦学习中可能出现的不同参与方行为,将联邦学习的参与方分为可靠参与方、不可靠参与方和恶意参与方三类,并采用了复利原理的思想为它们分配不同的收益利率,保证参与方付出成本越多收益就越大,确保了激励机制的公平性。然后,CIIM方案从激励高质量参与方长期参与和抑制恶意参与方行为两方面提高联邦学习系统的鲁棒性。该方案通过为有效参与期更长的参与方分配更大的利率来实现激励可靠参与方长期参与的目的。为了抑制恶意参与方的行为,本文提出了联邦学习容忍度的概念以及计算方法,恶意行为超过容忍度的参与方将会被踢出系统。最后,本文通过理论分析和实验分析证明了该方案满足预算可行性、个人理性和公平性的设计目标。

关键词：联邦学习公平性激励机制贡献评估

苦草-附着生物复合系统对水体磺胺的去除及群落响应特征研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

苦草-附着生物复合系统对水体磺胺的去除及群落响应特征研究

作者：郝森舰武汉科技大学

学位级别：硕士

磺胺类抗生素(Sulfonamides,SAs)在医药领域的广泛使用,造成自然水体中残留量不断增加,对水生态系统造成严重危害。因此如何生态、高效地去除水环境中的SAs已经引起人们重视。植物和微生物修复已成为降解水体中抗生素的主流趋势,两种修... 详细信息

磺胺类抗生素(Sulfonamides,SAs)在医药领域的广泛使用,造成自然水体中残留量不断增加,对水生态系统造成严重危害。因此如何生态、高效地去除水环境中的SAs已经引起人们重视。植物和微生物修复已成为降解水体中抗生素的主流趋势,两种修复技术运行成本低、对环境二次污染较小。因此,本论文以苦草(Vallisneria natans(Lour.)Hara)及其附着生物为研究对象,确定了附着生物分离的方法和条件,研究了附着生物优势类群的定殖演替规律和苦草-附着生物复合系统对水体磺胺降解的贡献评估。主要结论如下:(1)苦草表面附着生物分离方法的研究表明,超声分离不会对表皮细胞造成损伤,且在后期超声分离和手工分离的细菌数量无显著性差异。因此,采用超声分离方法。最佳处理条件:超声分离重复8次、每次处理时间5min、间隙时间60s。(2)磺胺对苦草叶片和根上附着生物的定殖速率表明,丛毛单胞菌科、黄杆菌科和红环菌科相比其它附着原核生物更容易定殖到苦草叶片和根表面,水鳖科、钟虫科和草履虫科相比其它附着真核生物更容易定殖到苦草叶片和根表面。(3)磺胺对苦草叶片和根上附着生物的演替规律表明,高浓度的磺胺(30 mg L和50 mg L)促进丛毛单胞菌科、细胞弧菌科、红杆菌科、水鳖科和钟虫科的定殖生长。磺胺对黄杆菌科、红环菌科和管虫科的定殖表现出“低促高抑”的现象,较低浓度的磺胺(10 mg L)刺激了其定殖生长,高浓度磺胺(30 mg L和50 mg L)抑制了其定殖生长。(4)苦草-附着生物复合系统对水体磺胺降解的贡献评估表明,在降解水中磺胺(SN)的过程中,在13d时,P-V-处理组SN降解率为14.16%,P+V-处理组SN降解率为37.88%,P-V+处理组SN降解率为74%,P+V+处理组SN降解率为78.4%,P+V+处理组SN降解效果最好;在不同处理组降解水中SN的过程中,P+V+与P-V+处理组相比,SN的去除率无显著性差异(P>0.05),证明附着生物在去除SN的过程中贡献较小。因此苦草在降解SN的过程中贡献较大,附着生物的贡献较小。

关键词：磺胺苦草附着生物贡献评估定殖演替

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于强化学习的联邦学习动态全局模型聚合

基于强化学习的联邦学习动态全局模型聚合

作者：郭恩威华南理工大学

学位级别：硕士

随着万物互联时代的到来和移动通信技术的快速发展,当前网络边缘设备及其产生的数据量急剧增长。这些海量数据可以用来训练各种机器学习模型,从而驱动人工智能应用的发展,如Chat GPT即是在大量文本数据的基础上训练得到的。然而,传统的... 详细信息

随着万物互联时代的到来和移动通信技术的快速发展,当前网络边缘设备及其产生的数据量急剧增长。这些海量数据可以用来训练各种机器学习模型,从而驱动人工智能应用的发展,如Chat GPT即是在大量文本数据的基础上训练得到的。然而,传统的机器学习算法大都是将数据收集到中心服务器进行模型训练。尽管集中式机器学习方法能高效地训练模型,但物联网的海量数据共享会带来较高的数据传输开销并增加用户隐私泄露的风险。为解决上述问题,谷歌公司于2016年提出了一种新的分布式机器学习技术,即联邦学习。联邦学习的核心思想在于边缘设备无需上传本地数据,而是在中心服务器的统一协调下,在本地进行模型的训练,从而在减少数据传输的同时,保护了用户隐私。然而,联邦学习中参与模型训练的设备,本地数据分布存在差异,在缺乏数据信息的情况下,很难准确评估局部模型对全局模型聚合的贡献。现有工作主要使用数据集大小来确定用户设备在全局模型聚合中分配的权重比例,如Fed Avg,然而该方法并不适合用户数据呈现非独立同分布的现实环境。本文提出了一种新颖的联邦学习算法,它能够智能地评估各个边缘设备对全局模型的贡献,并在全局模型聚合阶段分配合适的权重,从而缓解了非独立同分布数据对模型训练的影响,加快了模型的收敛速度。首先,本文进行了模拟实验,通过实验观察到拥有不同数据分布的用户设备对全局模型贡献存在差异,若能准确评估各个用户设备对全局模型的贡献,并在联邦学习全局模型聚合阶段分配合适的权重,将大大加快模型的训练。受此启发,本文提出了一种基于深度强化学习(Deep Reinforcement Learning)的联邦学习框架Fed AW,它可以动态地评估各个边缘设备在每一轮训练中的贡献值。在此基础上,Fed AW自适应地为用户设备分配适当的聚合权重,来改进联邦学习全局模型聚合的过程。最后,本文通过在Fashion MNIST数据集和CIFAR-10数据集上的仿真实验,验证了Fed AW在提高联邦学习性能方面的有效性。

关键词：联邦学习深度强化学习贡献评估分配权重

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于区块链的联邦学习激励机制技术研究

基于区块链的联邦学习激励机制技术研究

作者：徐浩曈内蒙古科技大学

学位级别：硕士

联邦学习作为机器学习的新兴范式,为多方合作构建高质量的机器模型提供了新颖的解决方案。数据拥有方直接进行本地模型训练,无需将其原始数据传输到第三方服务器,就能得到一个效用更优的全局模型,在确保了隐私安全的前提下,打破了数据... 详细信息

联邦学习作为机器学习的新兴范式,为多方合作构建高质量的机器模型提供了新颖的解决方案。数据拥有方直接进行本地模型训练,无需将其原始数据传输到第三方服务器,就能得到一个效用更优的全局模型,在确保了隐私安全的前提下,打破了数据孤岛的梏桎,充分挖掘了隐私数据中的潜在价值。然而联邦学习使用了来自不同实体的数据且实体之间在数据质量方面存在不平衡性,导致用户不愿意参与或使其参与到联邦学习中处于不公平的地位。因此,如何使用户持续参与到联邦学习中,在最大化联邦学习可持续经营的同时最小化用户之间的不公平性,是保证联邦学习被广泛推广与应用的关键。为了激励用户的参与,根据他们对学习过程的贡献公平地评估来自不同用户的数据是至关重要的。针对现有的贡献评价方案存在的隐私泄露、不透明和依赖中心服务器等问题,提出一种基于区块链的透明的联邦学习贡献评价方案,量化联邦学习用户在整个训练过程中的贡献,同时也解决了由于区块链的透明性所带来的隐私泄露问题。首先,提出了一种基于改进的Paillier的安全聚合算法。用户将本地训练得到的个人更新加密上传到区块链,而相关矿工节点当且仅当收集齐所有用户的加密更新才能通过联合解密的方式计算新一轮的全局模型,避免了攻击者利用训练参数针对用户个人发起的隐私攻击。其次,提出一种基于用户累计提交的梯度来近似计算其贡献的方法。利用用户的累计梯度恢复各联盟模型以计算其沙普利贡献值,规避了贡献评估过程中由单个梯度暴露所导致的用户隐私泄露的风险以及应用隐私保护技术时不可忽视的计算成本。再次,本文提出了一种基于可验证随机函数(VRFs)的区块链共识算法,利用VRFs来遴选代理节点组建高可靠的共识委员会,并将全局模型和用户贡献值的验证集成到了共识过程中,确保模型聚合以及贡献评估的可靠性和可审计性。另外,为了抵御验证委员会节点间的共谋,本文对所需的最小委员会规模进行了分析,防止控制一定比例股权的对手采取恶意行为。最后,对本文提出的方案进行正确性验证、安全性分析和仿真实验,基于MNIST数据集进行的实验表明本文提出的方案可以有效地评估贡献并且逼近标准的沙普利值,同时也解决了由于区块链的透明性所带来的隐私泄露问题。

关键词：联邦学习隐私保护区块链贡献评估透明

基于Shapley值与智能合约的联邦学习激励机制研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Shapley值与智能合约的联邦学习激励机制研究

作者：刘志国长春工业大学

学位级别：硕士

联邦学习(Federated Learning,FL)是一种在保护数据隐私的前提下,通过协同学习来训练模型的新范式。在这种范式中,每个参与者利用自己的数据和计算资源在本地训练模型,而不需共享私有数据。但不同参与者的数据和算力资源各异,导致资源... 详细信息

联邦学习(Federated Learning,FL)是一种在保护数据隐私的前提下,通过协同学习来训练模型的新范式。在这种范式中,每个参与者利用自己的数据和计算资源在本地训练模型,而不需共享私有数据。但不同参与者的数据和算力资源各异,导致资源丰富的参与者通常不愿与他人合作训练模型。因此,联邦学习需要一种公平的激励机制,给予参与者合理的奖励,从而吸引拥有更多更高数据质量的参与者加入联邦学习中。目前,由于Shapley值在解释模型决策领域具有优势,基于Shapley值贡献评估的激励机制成为了主要研究方向,这种方法确保了贡献评估算法的有效性和公平性。但存在无法保证计算结果的可信性的问题。同时基于传统Shapley值的贡献过程还存在计算复杂度随参与者增加而指数增加的问题。为解决上述问题,本文采用联盟区块链与智能合约技术提出了一种基于Shapley值和智能合约的贡献评估与奖励框架。解决了传统激励机制中对第三方机构的依赖限制,借助区块链的去中心化特性消除了单一中心化机构带来的信任问题。此外区块链的可溯源性确保了贡献评估与奖励分配过程的透明性和可追溯性。在贡献评估算法方面,本文提出了一种多重引导截断梯度Shapley(Multi-GTG Shapley)算法。该算法利用梯度更新重新构建模型,从而避免了成本高昂的重训练过程。进一步地,为了解决SV计算时间复杂度随参与者增加而激增的问题,设计了一种逻辑分组的N叉树结构与SV分层分组分配算法,优化了Shapley值的计算过程。在此结构中,参与者被分为若干小组,组内采用GTG-Shapley算法计算SV,组间通过N叉树形式连接。SV的计算从叶节点开始,沿着树向上进行,直至根节点。然后通过分层分配算法,从根节点向叶节点更新SV,以确保每一层的SV分配既高效又准确。并通过实验验证了基于联盟链的智能合约满足了多任务环境中的性能需求。同时验证了Multi-GTG Shapley算法在不同数据分布下的有效性。此外,本文还设计了针对计算节点的毒害攻击检测与信誉机制与奖励分配机制,以增强贡献评估与奖励框架的可信性与公平性。

关键词：联邦学习激励机制 Shapley值智能合约贡献评估