一种基于CutMix的增强联邦学习框架

联邦学习(Federated Learning)的出现解决了传统机器学习中存在的“数据孤岛”问题,能够在保护客户端本地数据隐私的前提下进行集体模型的训练。当客户端数据为独立同分布(Independently Identically Distribution,IID)数据时,联邦学习能够达到近似于集中式机器学习的精确度。然而在现实场景下,由于客户端设备、地理位置等差异,往往存在客户端数据含有噪声数据以及非独立同分布(Non-IID)的情况。因此,提出了一种基于CutMix的联邦学习框架,即剪切增强联邦学习(CutMix Enhanced Federated Learning,CEFL)。首先通过数据清洗算法过滤掉噪声数据,再通过基于CutMix的数据增强方式进行训练,可以有效提高联邦学习模型在真实场景下的学习精度。在MNIST和CIFAR-10标准数据集上进行了实验,相比传统的联邦学习算法,剪切增强联邦学习在Non-IID数据下对模型的准确率分别提升了23%和19%。

基于时间卷积脉冲神经网络的超表面信号识别

近年来,随着人工智能的发展,研究人员逐渐尝试将超表面信号与深度学习相结合进行研究。为了准确高效地完成超表面信号的识别任务,提出了一种基于时间卷积脉冲神经网络(temporal convolutional spiking neural network,TCSNN)的超表面信号识别方法。TCSNN是通过在浅层全连接的脉冲神经网络上,加入时间卷积和残差结构两个模块进行构建的,然后基于超表面信号数据集,与全连接的脉冲神经网络和脉冲卷积神经网络(convolutional spiking neural network,CSNN)两个网络模型进行对比实验,对本模型的性能进行评估。实验结果表明:相较于其他两种常用的脉冲神经网络模型,提出的TCSNN可以取得最优的识别效果。总之,提出的方法不仅为光学信号识别领域的研究提供了一种新思路,而且可以对脉冲神经网络的发展起到一定推动作用。