High level architecture evolved modular federation object model

To improve the agility, dynamics, composability, reusability, and development efficiency restricted by monolithic federation object model （FOM）, a modular FOM is proposed by high level architecture （HLA） evolved product development group. This paper reviews the state-of-the-art of HLA evolved modular FOM. In particular, related concepts, the overall impact on HLA standards, extension principles, and merging processes are discussed. Also permitted and restricted combinations, and merging rules are provided, and the influence on HLA interface specification is given. The comparison between modular FOM and base object model （BOM） is performed to illustrate the importance of their combination. The applications of modular FOM are summarized. Finally, the significance to facilitate compoable simulation both in academia and practice is presented and future directions are pointed out.

广西产业结构转型与经济增长分析——基于扩展的Feder模型的实证

基于扩展的Feder模型,对广西产业结构转型与经济增长进行实证研究。研究发现:1)工业部门的要素边际生产率高于农业部门和服务业部门,这证明了加快推进工业化进程的必要性,符合广西构建现代产业体系的要求;2)服务业部门对农业部门和工业部门,以及农业部门对工业部门都有正效应,产业结构转型能够为广西经济增长带来强大的推动力。广西产业结构不够合理,需要制定相应措施,如积极推动现代农业发展,进一步培育和打造现代产业体系,加快发展现代服务业,并通过加快科技水平的提升,以技术进步促进广西经济增长。

FDI对国内高新技术产业影响研究——基于feder模型及2003-2013年经验数据分析

在"以市场换技术"的策略背景下,外商直接投资能否促进我国整个高新技术产业的发展、如何促进高新技术产业的发展一直是广大学术界和实务界讨论的重点。基于feder模型及2003—2013年高新技术产业统计年鉴数据进行了实证分析。研究结果显示,在过去的十年间,FDI主要是通过对内资产业的渗透作用来促进国内高新技术产业的发展,但是整体作用并不是十分明显。

基于Feder模型的江苏省出口与经济增长关系的实证研究

运用Feder模型对江苏省1999-2008年数据进行实证分析,得出江苏出口是促进经济增长的主要因素,并在此基础上如何扩大江苏商品出口、进一步促进经济增长提出了政策建议。

基于Feder模型的京津冀地区商贸流通业溢出效应研究

商贸流通业作为国民经济中的基础性、先导性和支撑性产业,在促进生产、引导消费和调整经济结构等方面发挥着关键性作用。研究首先对京津冀商贸流通业现状及趋势进行了综合分析,然后利用2006—2017年京津冀地区商贸流通业的相关面板数据,基于Feder模型测度了在协同发展战略下的京津冀地区商贸流通业对经济增长的溢出效应和总效应。

基于模型质量评分的联邦学习聚合算法优化

在联邦学习环境中,客户端数据的质量是决定模型性能的关键因素。传统的评估方法依赖于在中心节点的验证集上衡量客户端模型的损失,从而对数据质量进行评估。在缺乏有效验证集的情况下,数据质量的评估是困难的。为了解决上述问题,提出了一种根据同伴信息进行模型质量评分的方法。通过对客户端上传的模型参数进行裁剪处理,基于正确评分规则的相关理论设计模型质量评分机制,并在此基础上优化聚合算法,降低低质量客户端对全局模型的影响。在MNIST、Fashion-MNIST和CIFAR-10等数据集上的实验表明,提出的评分机制无须复杂的算法,且能有效辨别搭便车、噪声、错误标签三类低质量数据客户端,提高联邦学习性能的鲁棒性。

多IRST自适应协同定位技术研究

为解决传统单红外搜索与跟踪(IRST)系统观测度不足,无法提供目标全维态势信息的问题,提出了基于几何精度因子(GDOP)的多IRST自适应协同定位技术。其核心思想为对多IRST进行双机组合配对,依据配对组合的GDOP值构造面向定位精度的信息类函数,进而确定联邦滤波信息分配系数,最后基于自适应联邦滤波算法解决双IRST配对组合局部估计的全局信息融合问题,得到目标的精确位置信息。通过仿真结果证明,所提算法定位精度高、可靠性强,同时,可保证全局定位结果的精确性及稳定性。

基于差分隐私与模型聚类的安全联邦学习方案

联邦学习中的模型安全以及客户隐私是亟待解决的重要挑战。为了同时应对这2大挑战,提出了一项基于差分隐私与模型聚类的联邦学习方案,该方案兼顾模型安全与隐私保护。通过在客户更新中引入局部差分隐私扰乱客户上传的参数以保护客户的隐私数据。为保证对加噪模型更新的精准聚类,首次定义余弦梯度作为聚类指标,并根据聚类结果精准定位恶意模型。最后引入全局差分隐私以抵御潜在的后门攻击。通过理论分析得到全局噪声的噪声边界,并证明了本方案引入的噪声总量低于经典模型安全方案所引入的噪声总量。实验结果表明,本方案能够达成在精度、鲁棒以及隐私3方面的预期目标。

车联网场景下数字孪生网络架构及关键技术研究

智能化已成为未来车辆的核心特征之一,通过在网络端建立数字孪生体,能够满足车辆智能化的多重需求。一方面,数字孪生体为车辆提供了非实时智能化辅助管理,另一方面,它支持车辆实时智能化辅助驾驶。该研究针对这一需求,对智能车辆的两大类智能场景进行了深入分析,并提出了一种车联网场景下数字孪生网络新型架构,还对车辆数字孪生体的感知构建、管理、迁移、联邦学习、仿真优化决策等关键技术进行了详尽分析,以解决孪生体孪生感知、高效管理、随车迁移和模型通用泛化等方面的挑战,为运营商服务智能车辆提供了有效、可行的实现方法和路径。

6G网络中面向AI大模型的联邦学习与协同部署技术综述

随着6G网络的逐步推进和AI技术的迅猛发展,AI模型在无线网络中的应用日益广泛。综述了6G网络中面向AI大模型的无线联邦学习与协同部署技术发展现状与挑战。首先,对比了AI大模型与基础模型的区别,并介绍了不同的联邦学习范式。接着,概述了AI大模型在无线网络中的几种高效联邦微调方案,包括低秩自适应、模型分割、用户分簇和跨组织协作微调等。然后,阐述了AI大模型在无线网络中的多种部署方案,包括基于模型压缩的轻量化部署、分布式横向协同模型部署、云边端纵向协同模型部署等。最后,讨论了在6G网络中应用AI大模型面临的挑战与机遇。

基于区块链的联邦学习模型聚合方案

传统的中心化联邦学习需要一个受信赖的中央服务器负责模型聚合,容易产生单点故障。现有的去中心化联邦学习方案通常在每个迭代周期临时选举出一个节点负责模型的聚合,但不能保证被选节点的完全可信。为了解决上述问题,提出一种基于区块链的联邦学习模型聚合方案,把模型聚合工作交由众多矿工而非某个单一节点负责,矿工提出不同的候选聚合方案并生成相应区块,然后根据设计的准确率最高链原则确定主链,以达成节点之间的共识;同时,为了抑制恶意训练节点,提出基于质押“训练币”的训练节点选择方案,节点通过质押“训练币”获取参与训练的机会,系统根据模型贡献进行奖惩。仿真实验结果表明,当系统中恶意节点比例分别为10%、20%、30%时,该方案所能达到的准确率比联邦平均(FedAvg)方案分别高8.64、19.89、22.93百分点,且在non-IID数据训练场景下也有良好的表现。综上所述,该方案提高了联邦学习聚合过程的可信度,并能同时保证联邦学习训练效果。

面向车联网的联邦学习模型定制框架及算法改进

针对车联网联邦学习服务难以满足用户训练个性化模型的需求,提出一种创新性的车联网联邦学习模型定制化服务框架。该框架采用了一种融合设备贡献度和数据集相似性的联邦学习聚合算法,实现了个性化联邦学习。该算法通过不同权重分配方式和相似性计算,使得不同用户可以根据自己的需求和数据特征,选择合适的模型训练方案。该框架还提出了一种双重抽样验证方法,解决了模型性能和可信度问题;此外,利用智能合约支持数据协作,保障了数据的安全性。实验结果表明,提出算法在大多数实验场景中表现出较高的准确率,该框架可以显著提高车联网服务的个性化水平,同时保证模型的准确性和可靠性。

教育数据治理的路径探索与应用研究

在当前“数据治理”“数据可视化”背景下,提出利用数据中台、联邦学习等技术进行教育数据治理应用研究,为教育教学提供决策支持服务和改革创新。使用文献计量分析法,利用CiteSpace可视化分析技术,构建“教育数据治理”关键词知识图谱。从人、物、数据、技术四个角度进行教育数据治理路径探索,从数据标准出发,构建教育大数据平台架构;以数据质量为目标,构建数据质量模型与技术解决方案。并介绍了搭建数据中台的数据治理解决方案,以及利用联邦学习解决隐私保护方案。从学生数据、教师数据、管理数据三方面构建教育数据治理应用场景,为保证数据质量和隐私安全的前提下融合共享教育数据,实现智慧化、创新型教育数据治理模型提供有益探索。

基于模型后门的联邦学习水印

高精度联邦学习模型的训练需要消耗大量的用户本地资源,参与训练的用户能够通过私自出售联合训练的模型获得非法收益.为实现联邦学习模型的产权保护,利用深度学习后门技术不影响主任务精度而仅对少量触发集样本造成误分类的特征,构建一种基于模型后门的联邦学习水印(federated learning watermark based on backdoor,FLWB)方案,能够允许各参与训练的用户在其本地模型中分别嵌入私有水印,再通过云端的模型聚合操作将私有后门水印映射到全局模型作为联邦学习的全局水印.之后提出分步训练方法增强各私有后门水印在全局模型的表达效果,使得FLWB方案能够在不影响全局模型精度的前提下容纳各参与用户的私有水印.理论分析证明了FLWB方案的安全性,实验验证分步训练方法能够让全局模型在仅造成1%主任务精度损失的情况下有效容纳参与训练用户的私有水印.最后,采用模型压缩攻击和模型微调攻击对FLWB方案进行攻击测试,其结果表明FLWB方案在模型压缩到30%时仍能保留80%以上的水印,在4种不同的微调攻击下能保留90%以上的水印,具有很好的鲁棒性.

面向数据异构的联邦学习性能优化研究

参与联邦学习的客户端只需在各自的本地数据集上训练本地模型,并在服务器上聚合全局模型.然而,数据异构会导致本地模型与全局最优模型收敛方向不一致,影响全局模型性能.现有工作主要集中在直接与全局模型做趋同,并未考虑全局模型合理性.本文研究了一种基于局部模型偏移的性能优化方案,本地训练过程中结合所有客户端模型关键参数,提高全局聚合模型可信度.具体来说,计算待训练模型与其他客户端模型参数差值,然后乘以其他客户端梯度,将结果作为正则项加入本地损失函数,从而抑制局部模型偏移.实验结果表明,该方案在MNIST,FMNIST,CIFAR上的图像识别正确率方面优于现有方法5个百分点以上.

联邦学习全局模型和个性化模型的现状与展望

【目的】联邦学习是目前的研究热点,本文从模型架构角度出发综述近年来联邦学习方法的研究和进展。【文献范围】本文采用关键词检索和引文二次检索的方法从国际计算机类期刊、会议中收集论文。【方法】在简单讨论联邦学习的定义、架构以及三种异质性问题的基础上,从模型架构角度出发,将联邦学习算法分为学习全局模型和学习个性化模型两大类,进一步讨论两大类别中的联邦学习方法所用数据集、对异构问题的解决以及方法优缺点。【结果】现有的联邦学习方法,可以学习泛化性能强大的全局模型,也可以学习个性化的局部模型。目前研究人员对数据异构问题的关注多于设备异构问题,在测试时所用数据集通常为常规机器学习数据集。【结论】联邦学习领域发展迅速,但仍存在异构问题研究不足、基准测试不成熟的问题,相信未来会有更多在真实场景中针对联邦异构问题的解决方案。

时空数据驱动的智能家居服务管控方法

针对目前智能家居服务管控技术存在的标准缺失和用户需求多样化问题,作者提出一种时空数据驱动的智能家居服务管控方法。该方法包括构建智能家居时序知识图谱和基于联邦学习的智能家居服务管控方法。通过记录智能家居场景中概念实例的状态,时序知识图谱提供了环境变化和服务状态的时序数据支持。通过联邦学习算法,结合不同家庭的模型参数,该方法可更新个性化模型和预测智能家居服务状态。实验结果表明,该方法可有效管控智能家居设备,并可准确满足用户需求,具有高准确度和较快的收敛速度。

PFKD:综合考虑数据异构和模型异构的个性化联邦学习框架

联邦学习是解决机器学习中数据共享和隐私保护两个关键难题的重要方法.然而,联邦学习本身也面临着数据异构和模型异构的挑战.现有研究往往只专注于解决其中一个方面的问题,忽视了两者之间的关联性.为此,本文提出了一个名为PFKD的框架,该框架通过知识蒸馏技术解决模型异构问题,通过个性化算法解决数据异构问题,以实现更具个性化的联邦学习.通过实验分析验证了所提出框架的有效性.实验结果显示,该框架能够突破模型的性能瓶颈,提高模型精度约1个百分点.此外,在调整适当的超参数后,该框架的性能得到进一步提升.

基于差分隐私的联邦大模型微调技术

随着私有数据可用性的降低,基于联邦学习的大模型参数微调成为备受关注的研究领域.尽管联邦学习本身具有一定程度的隐私保护能力,但其中的梯度泄露攻击和针对大模型的嵌入反转攻击等隐私安全问题仍然威胁着参与者的敏感信息.在当前对隐私保护意识不断增强的背景下,这些潜在的隐私风险显著阻碍了基于联邦学习的大模型参数微调在实际应用中的推广.因此,提出一种联邦大模型嵌入差分隐私控制算法,通过全局和本地双重隐私控制机制,在高效参数微调过程中为大模型的嵌入模型添加可控的随机噪声,以增强基于联邦学习的大模型参数微调的隐私保护能力.此外,通过对不同联邦设置的实验比较,展示了该算法在大模型参数微调中的隐私保护效果,并通过中心化和联邦化的性能比较实验验证了该算法的可行性.

融合通道个性标准化的本地自适应联邦学习研究

为了缓解联邦学习(FL)中客户端之间由于完全重叠特征偏移所带来的数据异构问题影响,该文提出一种融合通道个性标准化的本地自适应联邦学习算法。具体地,构建了一个面向数据特征偏移的联邦学习模型,在训练开始之前先对客户端中的图像数据集进行一系列随机增强操作。其次,客户端分别按颜色通道单独计算数据集的均值和标准差,实现通道个性标准化。进一步地,设计本地自适应更新联邦学习算法,即自适应地聚合全局模型和本地模型以进行本地初始化,该聚合方法的独特之处在于既保留了客户端模型的个性化特征,同时又能从全局模型中捕获必要信息,以提升模型的泛化性能。最后,实验结果表明,该文所提算法与现有相关算法相比,收敛速度更快,准确率提高了3%~19%。