云-边融合的可验证隐私保护跨域联邦学习方案

联邦学习技术的飞速发展促进不同终端用户数据协同训练梯度模型,其显著特征是训练数据集不离开本地设备,只有梯度模型在本地进行更新并共享,使边缘服务器生成全局梯度模型。然而,本地设备间的异构性会影响训练性能,且共享梯度模型更新具有隐私泄密与恶意篡改威胁。提出云-边融合的可验证隐私保护跨域联邦学习方案。在方案中,终端用户利用单掩码盲化技术保护数据隐私,利用基于向量内积的签名算法产生梯度模型的签名,边缘服务器通过盲化技术聚合隐私数据并产生去盲化聚合签名,确保全局梯度模型更新与共享过程的不可篡改性。采用多区域权重转发技术解决异构网络中设备计算资源与通信开销受限的问题。实验结果表明,该方案能够安全高效地部署在异构网络中,并在MNIST、SVHN、CIFAR-10和CIFAR-1004个基准数据集上进行系统实验仿真,与经典联邦学习方案相比,在精度相当的情况下,本文方案梯度模型收敛速度平均提高了21.6%。

基于特征分离的跨域自适应学习模型

跨域训练任务是目前机器学习领域的一个开放性挑战问题.目前最新的研究都在讨论利用真实特征的跨域不变性对未知域数据进行预测,从而实现跨域泛化能力.但事实上,当知道数据来自哪个域时,综合利用真实特征和虚假特征会取得更好的预测效果.针对这一问题,设计了一个同时适用于跨域泛化和跨域适应任务的学习模型CDGA(cross-domain generalization and adaptation model).该模型的核心仍是分离出真实特征,因此新提出了一种更加稳定的训练风险函数,其在跨域泛化问题中不仅具有更高的测试准确率,还克服了现有方法容易过拟合的缺点,可以很好地嵌入到CDGA模型中.另外,通过设计的算法训练后,可使CDGA模型的数据表达部分有效地分离出真实特征和虚假特征,而分类器部分自适应学习选择泛化分类器或特定环境的分类器,从而结合应用了虚假特征,在跨域任务中实现高效预测.最后在构建的彩色手写数字数据集上测试,结果显著优于已有方法.

基于血清代谢组学分析热习服相关代谢产物及通路特征

目的分析热习服与未习服人员血清中小分子代谢物的差异,揭示人体热习服相关血清小分子代谢物特征。方法选择70例由温到热跨域作业的健康男性为研究对象,以跨域后暴露于自然高温高湿环境作业或人工空调舒适环境作业为标准,分为热习服组(n=40)和未习服组(n=30)。收集所有研究对象跨域后2个月时的清晨空腹血液样本,经标准处理后采用液相色谱-串联质谱法进行代谢组学检测,用Progenesis QI软件和R 1.6.2软件ropls包筛选两组人员的差异小分子代谢物,对差异小分子代谢物进行京都基因与基因组百科全书(KEGG)通路富集分析。结果两组研究对象年龄和BMI差异无统计学意义(均P>0.05)。血清代谢组学检测共发现小分子代谢物1320个,正交偏最小二乘判别分析结果显示,热习服组和未习服组样本表现出良好的组间区分和组内聚集。两组血清样本间浓度差异在1.5倍(P<0.05)以上的小分子代谢物有89个,其中57个在热习服组升高、32个在热习服组降低;KEGG通路富集分析显示,差异小分子代谢物主要富集于氨基酸代谢和甘油磷脂代谢等13条代谢通路,涉及色氨酸、甘氨酸、丝氨酸、苏氨酸、精氨酸和脯氨酸等通路。结论热环境暴露下的热习服训练改变了人体血清小分子代谢物的组学特征,表现为氨基酸代谢水平增强,其可能与热耐力的维护有关。