基于神经回路策略的无线网络流量可解释性预测方法

针对无线网络流量预测任务中模型的“黑箱”问题,提出基于神经回路策略(Neural Circuit Policy,NCP)的高可解释性流量预测模型。首先,采用均值滤波分解流量数据的趋势、残差分量来增强特征表示;其次,构建紧凑的NCP框架以可信学习策略捕捉流量长期时变关系;最后,通过全连接层得到预测结果。实验表明,该方法以可解释的方式实现了精准的无线网络流量预测。

基于边缘联邦学习的重放语音检测框架

针对重放语音检测系统在边缘用户训练过程中所遇到计算资源受限与隐私泄露问题,受类脑智能的启发,提出了一种考虑差分隐私、基于神经回路策略(Neural Circuit Policies,NCP)的边缘联邦重放语音检测框架。该框架包括数据预处理、节点参数更新和联邦聚合这3个模块。首先,提取低频声学特征以获得更具表达力的表示;然后,融合残差结构与NCP并采用闭式连续时间神经元构建轻量级网络模型,以降低边缘模型的复杂度;最后,在联邦隐私保护机制中引入高斯噪声用于进一步提高隐私安全级别。为了全面评估所提方法,建立了一个采用移动设备录音的中文语音数据集。仿真结果表明:该框架在保护隐私的前提下,相对先进的重放语音检测方法(残差网络、轻量型卷积神经网络和RawNet3),边缘检测模型的准确率平均提升了29.66%,浮点运算数平均降低了94.14%,存储空间占用减少了61.43%。同时在ASVspoof 2019和ASVspoof 2021数据集上也完成了泛化性能验证。