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

基于秘密共享和压缩感知的通信高效联邦学习

计算机研究与发展 2022年第11期59卷 2395-2407页

作者：陈律君肖迪余柱阳黄会李敏重庆大学计算机学院重庆400044 信息物理社会可信服务计算教育部重点实验室(重庆大学) 重庆400044

深度学习技术的快速发展给我们带来了极大的便利,但同时也导致大量隐私数据的泄露.联邦学习允许客户端在只共享梯度的情况下联合训练模型,这看似解决了隐私信息泄露问题,但研究表明联邦学习框架中传输的梯度依然会导致隐私信息泄露.并且... 详细信息

深度学习技术的快速发展给我们带来了极大的便利,但同时也导致大量隐私数据的泄露.联邦学习允许客户端在只共享梯度的情况下联合训练模型,这看似解决了隐私信息泄露问题,但研究表明联邦学习框架中传输的梯度依然会导致隐私信息泄露.并且,联邦学习的高通信代价的特点难以适用于资源受限的环境.为此,提出了2个通信高效且安全的联邦学习算法,算法使用Top-K稀疏及压缩感知等技术以减少梯度传输造成的通信开销,另外利用安全多方计算中的加法秘密共享对重要的梯度测量值加密,以实现在减少通信开销的同时进一步增强其安全性.2个算法的主要区别是客户端与服务器通信时传递的分别为梯度测量值与梯度测量值的量化结果.在MNIST及Fashion-MNIST数据集上的实验表明,与其他算法相比,本文所提的算法在保证通信代价较低的情况下进一步增加了安全性,同时在模型准确性上也有较好的性能.

关键词：压缩感知安全多方计算联邦学习高效通信资源受限

在线全文

学校读者我要写书评

暂无评论

基于异构图的双通道交叉自适应对比学习推荐

电子学报 2023年第7期51卷 1929-1938页

作者：范伟周魏文俊浩重庆大学大数据与软件学院重庆400044 信息物理社会可信服务计算教育部重点实验室(重庆大学) 重庆400044

通过用户多行为进行推荐任务中,各个行为通常不是独立作用的,行为之间的协同作用和依赖关系挖掘更能增强用户行为模式建模,反映用户偏好.而用户多行为关系的引入也会增加用户物品交互图与表征空间中的异质性(heterogeneity).针对上述问... 详细信息

通过用户多行为进行推荐任务中,各个行为通常不是独立作用的,行为之间的协同作用和依赖关系挖掘更能增强用户行为模式建模,反映用户偏好.而用户多行为关系的引入也会增加用户物品交互图与表征空间中的异质性(heterogeneity).针对上述问题,本文设计了一种基于异构图的双通道交叉自适应对比学习推荐模型MB-DCAC(Multi-Behavior Recommendation through Dual-channel Cross-Adaptive Contrast learning),创新性的从异构数据卷积过程构建对比学习方案,并基于异构连接进行表征属性增强,以提升模型挖掘用户行为模式与表达能力.实验结果表明,本文模型在Tmall、IJCAI-Context、Beibei三个数据集上,相较于基准模型在HR@10指标上分别提升了16.7%、18.3%、2.76%.且模型在挖掘多行为之间的依赖挖掘等任务上表现优异.

关键词：推荐系统多行为异构图对比学习行为依赖异质性

在线全文

学校读者我要写书评

暂无评论

基于自监督学习的去流行度偏差推荐方法

电子学报 2022年第10期50卷 2361-2371页

作者：张帅高旻文俊浩熊庆宇唐旭信息物理社会可信服务计算教育部重点实验室(重庆大学) 重庆400044 重庆大学大数据与软件学院重庆400044

近年来,随着推荐系统研究的不断深入,推荐系统的公平性受到越来越多关注.流行度偏差也即流行的物品比非流行的物品更容易被推荐,是影响其公平性的重要因素之一.流行度偏差对推荐系统的各利益相关者都有严重的影响,引起研究者的广泛关注... 详细信息

近年来,随着推荐系统研究的不断深入,推荐系统的公平性受到越来越多关注.流行度偏差也即流行的物品比非流行的物品更容易被推荐,是影响其公平性的重要因素之一.流行度偏差对推荐系统的各利益相关者都有严重的影响,引起研究者的广泛关注.相关研究主要通过推荐结果重排或学习过程中融合正则化项提升非流行物品的曝光率,而非流行物品的交互数据极度稀疏成为研究的瓶颈.针对此问题,本文提出基于自监督学习的去流行度偏差推荐方法,解决两个难点:(1)准确学习交互数据极度稀疏的非流行物品的表征;(2)提升非流行物品曝光率的同时,兼顾不同用户对流行和非流行物品的偏好.具体地,从用户的角度,提出流行物品和非流行物品双视图的用户偏好学习方法,准确学习用户对流行和非流行物品的真实偏好;从物品的角度,采用自监督学习,利用互信息最大化捕获非流行物品与流行物品间的潜在关系,辅助提升非流行物品嵌入学习的准确性.最后,设计用户流行度偏好一致性、资格公平性等指标,并通过三个公开数据集的大量实验说明了本文方法在提升推荐性能的同时,能有效缓解流行度偏差问题并具有较强的通用性.

关键词：推荐系统协同过滤公平性流行度偏差自监督学习

在线全文

学校读者我要写书评

暂无评论

面向车联网数据持续共享的安全高效联邦学习

计算机研究与发展 2024年

作者：乐俊青谭州勇张迪刘高向涛廖晓峰重庆大学计算机学院信息物理社会可信服务计算教育部重点实验室(重庆大学)

车联网与人工智能结合推动了自动驾驶汽车快速发展.分散于不同车辆中的车联网数据共享并用于训练人工智能模型可实现更高效、可靠的智能驾驶服务.自动驾驶汽车可通过车载摄像头、传感器等持续采集车辆实时信息、道路图像和视频等车联网... 详细信息

车联网与人工智能结合推动了自动驾驶汽车快速发展.分散于不同车辆中的车联网数据共享并用于训练人工智能模型可实现更高效、可靠的智能驾驶服务.自动驾驶汽车可通过车载摄像头、传感器等持续采集车辆实时信息、道路图像和视频等车联网数据，并用于优化更新智能交通模型，弥补车联网数据变化导致的模型准确度下降问题.提出面向车联网环境下数据持续共享的高效安全联邦学习方案SEFL，以解决车联网数据采集低效、数据动态更新导致的灾难性遗忘、模型训练参数导致的隐私泄露等问题.在方案SEFL中，车辆基于全局模型，只采样模型识别率较低的车联网数据，并以最大概率对应的输出作为该样本的标签，完成训练样本自动采集.由于车辆存储空间有限，采集的新样本会覆盖旧样本，导致车辆上数据是动态变化的，传统微调训练方式容易引起灾难性遗忘问题.为此，方案中设计了一种基于双重知识蒸馏的训练算法，确保模型学习到每个样本的知识，使模型保持较高的准确度.此外，为了防止车辆与服务器之间传播的模型参数泄露用户隐私，提出了一种自适应的差分隐私策略来实现客户端级的强隐私保护，同时该方案能最大限度地减少差分隐私噪声对全局模型准确度的负面影响.最后，进行了安全性分析并结合交通标志数据集GTSRB和车辆识别数据集对SEFL方案进行了性能评估.分析与实验结果表明所提出的SEFL方案能提供可靠的强隐私保护和高效的采集策略，并且在模型准确度方面要优于现有基于联邦学习的算法．

关键词：车联网数据持续共享联邦学习差分隐私隐私保护

面向快速路交通瓶颈的混合交通群体节流控制策略

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

交通运输工程学报 2022年第3期22卷 162-173页

作者：赵杭赵敏孙棣华杜成重庆大学自动化学院重庆400044 重庆大学信息物理社会可信服务计算教育部重点实验室重庆400044

针对传统人驾车(HV)和网联自动车(CAV)组成混合交通条件下的快速路道路缩减瓶颈问题,从群体控制角度,提出了一种新的速度协调控制策略(简称节流控制策略);基于瓶颈交通状态和Greenshields模型,设计了领航CAV速度控制器;面向CAV节流群体... 详细信息

针对传统人驾车(HV)和网联自动车(CAV)组成混合交通条件下的快速路道路缩减瓶颈问题,从群体控制角度,提出了一种新的速度协调控制策略(简称节流控制策略);基于瓶颈交通状态和Greenshields模型,设计了领航CAV速度控制器;面向CAV节流群体组群过程的控制问题,提出了目标切换下的非线性控制器;构建了CAV节流群体类队列控制器,实现了基于瓶颈交通状态的群体形态与群体速度动态调节,进而联合领航CAV速度控制方法,周期性管控超过每组节流群体的车辆;提出了CAV纵向安全控制器来解决组群和群体演化过程的车辆安全问题。仿真结果表明:在快速路瓶颈路段下,对比传统交通系统,提出的动态节流控制策略CAV渗透率达到5%,在车流量分别为2000、3000、5000、6000 veh·h^(-1)条件下,可对应分别提高通行效率约5.87%、16.97%、11.07%、10.25%;在固定车流量为3000或6000 veh·h^(-1)的快速路混合交通瓶颈路段中,对比传统交通系统,若CAV渗透率分别为10%、20%、30%,受控交通系统的通行效率可提升约24%;通过对车头间距分析,受控CAV在节流全过程中无碰撞事故发生,且可与前车保持9 m以上安全距离。可见,节流控制策略在应对快速路瓶颈问题是有效的。

关键词：交通控制车辆群体控制节流控制策略快速路瓶颈混合交通通行效率

在线全文

学校读者我要写书评

暂无评论

自然语言处理领域中的词嵌入方法综述

计算机科学与探索 2024年第1期18卷 24-43页

作者：曾骏王子威于扬文俊浩高旻重庆大学大数据与软件学院重庆401331 信息物理社会可信服务计算教育部重点实验室(重庆大学) 重庆400044

词嵌入作为自然语言处理任务的第一步,其目的是将输入的自然语言文本转换为模型可以处理的数值向量,即词向量,也称词的分布式表示。词向量作为自然语言处理任务的根基,是完成一切自然语言处理任务的前提。然而,国内外针对词嵌入方法的... 详细信息

词嵌入作为自然语言处理任务的第一步,其目的是将输入的自然语言文本转换为模型可以处理的数值向量,即词向量,也称词的分布式表示。词向量作为自然语言处理任务的根基,是完成一切自然语言处理任务的前提。然而,国内外针对词嵌入方法的综述文献大多只关注于不同词嵌入方法本身的技术路线,而未能将词嵌入的前置分词方法以及词嵌入方法完整的演变趋势进行分析与概述。以word2vec模型和Transformer模型作为划分点,从生成的词向量是否能够动态地改变其内隐的语义信息来适配输入句子的整体语义这一角度,将词嵌入方法划分为静态词嵌入方法和动态词嵌入方法,并对此展开讨论。同时,针对词嵌入中的分词方法,包括整词切分和子词切分,进行了对比和分析;针对训练词向量所使用的语言模型,从概率语言模型到神经概率语言模型再到如今的深度上下文语言模型的演化,进行了详细列举和阐述;针对预训练语言模型时使用的训练策略进行了总结和探讨。最后,总结词向量质量的评估方法,分析词嵌入方法的当前现状并对其未来发展方向进行展望。

关键词：词向量词嵌入方法自然语言处理语言模型分词词向量评估

动态物理拓扑下基于CPS的混合交通牵制控制

在线全文

学校读者我要写书评

暂无评论

控制与决策 2023年第3期38卷 729-737页

作者：孙棣华刘忠诚赵敏赵杭刘卫宁程森林重庆大学自动化学院重庆400030 重庆大学、信息物理社会可信服务计算教育部重点实验室重庆400030 重庆大学计算机学院重庆400030

随着自动驾驶技术的发展,传统人驾车与自动驾驶车将在一段时间内共存,形成一类新型混合交通.网联自动车的出现为车辆协同行驶提供了新的控制手段,传统的混合交通效率优化控制方法更多地立足于宏观流量的控制或小群体的局部优化, CAV对... 详细信息

随着自动驾驶技术的发展,传统人驾车与自动驾驶车将在一段时间内共存,形成一类新型混合交通.网联自动车的出现为车辆协同行驶提供了新的控制手段,传统的混合交通效率优化控制方法更多地立足于宏观流量的控制或小群体的局部优化, CAV对交通优化作用的潜能还有待开发.鉴于此,首先给出混合交通的信息物理描述,揭示混合交通物理拓扑的动态性;然后提出一种动态物理拓扑下基于CPS的混合交通牵制控制方法,该方法通过调节网联自动车的行驶状态,间接影响、诱导和控制交通中存在的传统人驾车,从而优化整个交通系统.基于Matlab的仿真实验验证了所提出方法的有效性,而基于SUMO的仿真实验表明所提出的牵制控制方法在更真实的场景下依然适用.

关键词：混合交通信息物理系统牵制控制切换控制有向图动态拓扑

基于国产密码算法的数控网络的认证与验证模型研究及安全评估

在线全文

学校读者我要写书评

暂无评论

电子与信息学报 2020年第8期42卷 1846-1852页

作者：夏晓峰向宏肖震宇蔡挺信息物理社会可信服务计算教育部重点实验室重庆400044 重庆大学大数据与软件学院重庆400044

该文针对工业控制系统安全,提出面向数控系统(NCS)网络安全保护技术框架,选用国产密码系列算法中的SM2,SM3,SM4算法,设计并建立了数控网络(CNC)认证与验证模型(AUTH-VRF),分内外两层为数控网络提供安全防护。外层为数控网络设备间通信... 详细信息

该文针对工业控制系统安全,提出面向数控系统(NCS)网络安全保护技术框架,选用国产密码系列算法中的SM2,SM3,SM4算法,设计并建立了数控网络(CNC)认证与验证模型(AUTH-VRF),分内外两层为数控网络提供安全防护。外层为数控网络设备间通信与传输进行安全认证实现网段隔离,内层验证通信协议完整性以确保现场设备接收运行程序的正确性与有效性;通过基于SM2,SM3,SM4算法设计和部署的外层防护装置,为分布式数控(DNC)设备与数控系统之间的通信提供身份认证与文件加密传输;同时针对工业控制网络的S7Comm工业通信协议数据,通过SM3算法验证专有工业协议数据完整性。通过网络攻击实验证明,AUTH-VRF模型可以为数控网络中工业生产数据提供有效的安全认证和资源完整性保护,为满足我国关键基础设施“国内、国外工业控制系统产品共同安全可控”和“安全技术深入工业控制系统各个层级”的需求提供了实际可行的技术参考方案。

关键词：国产密码算法数控网络安全认证完整性验证

在线全文

学校读者我要写书评

暂无评论

伪异常选择驱动学习的视频异常检测

计算机科学 2023年第5期50卷 146-154页

作者：赵松傅豪王洪星重庆大学信息物理社会可信服务计算教育部重点实验室重庆400044 重庆大学大数据与软件学院重庆400044

无监督视频异常检测方法通常使用正常的监控视频数据通过帧重构/帧预测方法来训练视频异常检测模型。然而,正常视频中往往包含大量的相似画面和背景帧,数据集冗余的问题尤为明显,因此不能高效地进行异常检测模型训练。针对该问题,提出... 详细信息

无监督视频异常检测方法通常使用正常的监控视频数据通过帧重构/帧预测方法来训练视频异常检测模型。然而,正常视频中往往包含大量的相似画面和背景帧,数据集冗余的问题尤为明显,因此不能高效地进行异常检测模型训练。针对该问题,提出了伪异常选择驱动学习的视频异常检测方法,从原始视频训练数据中迭代选取部分异常分数高的正常视频帧(伪异常帧)来构建新的训练池,用于学习和优化视频异常检测模型。在检测模型方面,设计了基于后继帧预测的双路U-Net骨干网络,以不同采样率的视频段分别作为两个支路的输入,从而从多个粒度上更好地提取和利用视频的时空特征。为了加强典型训练数据对帧预测任务和异常检测的影响,双路U-Net中设计了多层的记忆学习模块。在常用视频异常检测数据集上进行实验,验证了所提方法在检测精度和训练效率上的有效性。

关键词：视频监控异常检测样本选择记忆模型时空特征