面向标签恢复的子集划分迭代投影集成

在图像特征提取中,样本标签并非完全真实有效,可能导致图像归类框架的分类精度大幅下降,而现有标签恢复算法面临含噪样本难以高效再利用的瓶颈问题。为此,本文提出一种基于子集划分迭代投影集成的标签恢复算法。该算法首先随机多次地提取小规模子集信息,然后综合主成分分析、邻域图正则化及K-近邻算法等技术进行样本图像的可靠降维与迭代投影集成,最后遵循多数投票原则实现标签复原。本文选取两大代表性的人脸数据库,对多种标签恢复算法进行了不同指标下的大量对比分析。实验结果证明,本文算法能够有效地校正样本的含噪标签,在同一图像归类框架下针对Yale B与AR数据库分别使分类精度提升了16.9%与8.1%。相较于目前最好的标签恢复算法,本文子集划分迭代投影集成算法可以提升4.3%~4.7%的分类精度,且在确保样本数据完整性的同时具备了一定的可扩展性。

联邦学习深度梯度反演攻防研究进展

联邦学习作为一种“保留数据所有权,释放数据使用权”的分布式机器学习方法,打破了阻碍大数据建模的数据孤岛。然而,联邦学习在训练过程中只交换梯度而不交换训练数据的特点并不能保证用户训练数据的机密性。近年来新型的深度梯度反演攻击表明,敌手可从共享梯度中重建用户的私有训练数据,从而对联邦学习的私密性产生了严重威胁。随着梯度反演技术的演进,敌手从深层网络恢复大批量原始数据的能力不断增强,甚至对加密梯度的隐私保护联邦学习(PPFL)发起了挑战。而有效的针对性防御方法主要基于扰动变换,旨在混淆梯度、输入或特征以隐藏敏感信息。该文首先指出了隐私保护联邦学习的梯度反演漏洞,并给出了梯度反演威胁模型。之后从攻击范式、攻击能力、攻击对象3个角度对深度梯度反演攻击进行详细梳理。随后将基于扰动变换的防御方法依据扰动对象的不同分为梯度扰动、输入扰动、特征扰动3类,并对各类方法中的代表性工作进行分析介绍。最后,对未来研究工作进行展望。

融合标签结构依赖性的标签分布学习

针对现有标签分布学习(Label Distribution Learning,LDL)算法较少考虑标签间关联性的问题,提出一种融合结构化标签依赖性的LDL算法.算法分为扩展、学习和恢复三个阶段:在扩展阶段,结合成对标签之间的关联性,构建结构化标签依赖性;在学习阶段,结合该依赖性,构建学习框架;在恢复阶段,利用最小二乘法求解超定方程组以预测标签分布.与七种常用的标签分布学习算法相比,在八个开放数据集上进行实验,提出的算法在Euclidean距离、Sørensen距离、Squardχ2距离、Kullback‐Leibler散度、Intersection相似度和Fidelity相似度六个主流评估指标上明显占优.