工业物联网中基于信息熵的联邦增量学习算法与优化

面对工业生产过程中大规模、多样且随时间增长的数据和机器学习任务,该文提出一种基于信息熵的联邦增量学习(FIL)与优化方法。基于联邦框架,各本地计算节点可利用本地数据进行模型训练,并计算信息平均熵上传至服务器,以此辅助识别类增任务;全局服务器则根据本地反馈的平均熵选择参与当前轮次训练的本地节点,并判决任务是否产生增量后,进行全局模型下发与聚合更新。所提方法结合平均熵和阈值进行不同情况下的节点选择,实现低平均熵下的模型稳定学习和高平均熵下的模型增量式扩展。在此基础上,采用凸优化,在资源有限的情况下自适应地调整聚合频率和资源分配,最终实现模型的有效收敛。仿真结果表明,在不同的情景下,该文所提方法都可以加速模型收敛并提升训练精度。

基于联邦增量学习算法的微课平台视频教学资源共享方法

传统微课平台视频教学资源共享方法共享性差,对此,提出基于联邦增量学习算法的微课平台视频教学资源共享方法。该方法基于决策树算法对平台教育资源进行分类,引入联邦增量学习算法对微课平台视频教学资源进行共享。实验结果表明,基于联邦增量学习算法的微课平台视频教学资源共享方法的传输时延最低,且共享成功率较高,具有一定的实用性。

基于联邦增量学习的物联网数据安全共享方法

为了提升物联网数据安全共享传输精准度,缩短物联网数据安全共享耗时,提出了一种基于联邦增量学习的物联网数据安全共享方法。构建物联网数据共享模型,通过类增量改进联邦学习,对数据共享模型参数进行更新,有效避免局部最优问题;向SN发生共享请求,根据更新的模型参数进行访问控制权限匹配,计算物联网数据安全共享密钥,恢复目标数据内容,实现物联网数据安全共享方法。实验结果表明:当干扰强度为60dB时,本方法的物联网数据安全共享传输精准度为99.1%,当物联网数据量为300GB时,本文方法的物联网数据安全共享耗时仅为0.9s,表明本文方法能够有效提升物联网数据安全共享效果,提升物联网数据安全共享效率。

基于联邦增量学习的医院财务信息局域共享方法

为实现对医院财务信息的更新与共享,提出基于联邦增量学习的信息局域共享方法。首先,由粒子优化算法以寻优的方式,设臵支持向量机参数,基于改进后的支持向量机建立新增财务信息分类模型;然后,基于联邦增量学习设计财务信息更新方法,自动修正更新医院财务信息;最后,基于身份验证过程设计财务信息局域共享方法,用户需以秘密验证的方式验证自身身份,验证通过后才具备财务信息局域共享权限。实验表明:该方法可以有效保证财务数据信息安全性,且财务信息增量更新后,信息之间冗余度仅有0.01。相比于传统方法,该方法的共享时效性较高。