基于生成对抗网络的隐私增强联邦学习方案

联邦学习作为一种分布式机器学习范式,其具有隐私保护能力和异构协作等特性,引起了研究者极大的关注。然而,研究工作表明通过梯度可以确定一个确切的数据记录或一个具有特定属性的数据记录是否包含在其他参与者的批处理中,甚至揭露参与者的训练数据,通常称之为“梯度泄露”。同时,当前隐私增强联邦学习方法的工作可能存在准确率下降或者计算通信开销增加等问题,甚至引发新的不安全因素。因此,提出一种差分隐私增强的生成对抗网络模型,该模型向vanillaGAN中引入了识别器,通过生成器与鉴别器、生成器与识别器两个博弈过程,生成器合成的数据尽可能接近输入数据的同时满足差分隐私的约束。将此模型应用到联邦学习框架中,在一定程度上保证了模型准确率,并且提高了联邦学习框架的隐私保护能力。仿真实验验证了所提方案在客户端/服务器联邦学习架构下的有效性,相比DP-SGD方法,所提方案平衡了数据隐私性与实用性而不是以牺牲准确率为代价来增强隐私保护能力。从理论上分析了所提模型在点对点(P2P,peer-to-peer)架构下的可用性,并讨论了未来研究工作。

高校数据治理过程中数据自动回流技术研究

数据治理为高校整合数据资产提供了实施方法和技术支撑。数据回流作为数据治理过程的重要组成部分,在解决数据清洗、纠错、补录等问题发挥至关重要的作用。传统的数据回流技术,由于操作复杂,在实施过程中难以开展。论文首先介绍了传统数据回流技术的框架,然后对该框架进行分析,最后基于该框架设计一种数据自动回流技术,并介绍技术实现方法。

智能部署的可扩展AI框架研究

开源人工智能框架针对典型问题能够直接调用固有算法并快速建模,但在特定业务场景中存在研究、实现和部署等环节协同处理效率不高的问题。因此,本文提出了一种智能部署的可拓展人工智能框架方案。首先,采用数据框实现不同算法间(包括单机和分布式间)的转化;其次,提出可配置的算法管道模型,实现算法的流水线运转和可扩展性;最后,基于虚拟化技术实现智能部署。实际使用结果表明,该方案可提高各环节协同处理时间效率约20%,并具有良好的可实施性。

基于图注意力机制的无地图场景轨迹预测方法

现有的轨迹预测工作大多依赖于高精地图,但高精地图的采集耗时长、成本高、处理复杂,难以快速适应智能交通的大面积普及。为解决无地图场景下车辆轨迹预测问题,提出一种基于多模态数据时空特征的轨迹预测方法。构建多个历史轨迹时空交互图,交叉使用时间和空间注意力并进行深度融合,以建模道路上车辆之间的时空关联性。在此基础上,利用残差网络进行多目标多模态轨迹生成。在真实数据集Argoverse 2上进行模型的训练和测试,实验结果表明,相较于CRAT-Pred方法,该模型在单模态预测方面最小平均位移误差、最小最终位移误差和未命中率指标分别提升了3.86%、3.89%、0.48%,在多模态预测方面各项指标分别提升了0.78%、0.96%、0.42%。该方法能够有效地捕捉车辆移动轨迹的时间和空间特征,并可在自动驾驶等相关领域得到有效应用。

基于教育云平台数据分类分级体系的访问控制模型

教育云平台是教育数字化建设的重要基础设施之一,其核心是通过统一来自不同部门和机构的业务数据消除信息孤岛,避免信息系统的重复建设.然而,教育云平台在实现数据共享的同时,也因其自身的开放性和动态性严重影响了数据资源安全.针对教育云平台中的数据管控,提出一种基于数据分类分级体系的访问控制模型.该模型综合考虑了数据分类、安全等级、生命周期和敏感性等安全特性,为数据打上多维度安全标签;将安全标签与基于角色的访问控制策略融合,通过粗粒度过滤和细粒度控制的2级授权集中管理数据权限.经原型系统验证,该模型能有效实现云平台中数据的受限共享,防止用户越权操作.

物联网哑终端识别系统研究

随着大量的物联网哑终端接入园区网络,数据流量越来越大,伪装并进行网络攻击的问题日益严重。现有IOT终端识别技术针对哑终端识别的解决方案不多。针对以上问题,本文提出了物联网哑终端识别系统。首先,通过会话生成器从消息队列的报文中提取会话,并形成特征流;其次,利用算法识别器对各个哑终端的特征流进行识别;最后,更新算法识别器的算法模型达到逐步提高服务准确性的目标。实验中识别准确率在90%以上,结果表明,该服务可以提高园区的网络安全并强化终端管理机制。

中小学人工智能课程一体化教学平台构建与应用

针对我国中小学人工智能课程体系不连贯、缺乏有效教学环境支撑的问题,分析目前我国中小学人工智能课程教育现状,提出一套集教、学、练为一体的人工智能教学平台总体建设方案,介绍平台构建过程及教学应用情况,以期为促进中小学人工智能教育发展提供参考。

基于多约束安全工作流的漏洞管理系统

当前网络空间安全形势日益严峻,层出不穷的网络安全漏洞使许多企事业单位痛苦不堪,造成难以估量的经济损失,成为大多数企事业单位的痛点和难点.漏洞管理需要协同人、资源和工具共同完成,必须设计一套高效的、安全的工作流.针对这一情况,在基于任务-角色的访问控制策略基础上,添加时间、空间、上下文等属性约束,构建多约束安全工作流模型并将其应用于漏洞管理流程.实践表明,流程可覆盖漏洞全生命周期管理,确保相关人员权责统一.同时,流程能轻松完成对数据及时定位、处理、分析和存档,使漏洞管理全过程可追踪、可回溯.

基于多视图半监督集成学习的人体动作识别算法

移动设备上难以获取大量标签样本,而训练不足导致分类模型在人体动作识别上表现欠佳。针对这一问题,提出一种基于多视图半监督集成学习的人体动作识别算法。首先,利用两种内置传感器收集的数据构建两个特征视图,将两个视图和两种基分类器进行组合构建协同学习框架;然后,根据多分类任务重新定义置信度,结合主动学习思想在迭代过程中控制预测伪标签结果;使用LightGBM对扩充后的训练集进行学习。实验结果表明,算法的精确率、召回率和F1值较高,能稳定、准确地识别多种人体动作。

深度学习在Android恶意应用检测中的应用

为更好地了解基于深度学习的Android恶意应用检测领域的研究现状,对该领域现有的研究工作进行了综述。首先介绍了Android恶意应用检测技术的发展以及主要方法,然后阐述了四种主流深度神经网络的基本原理,并从网络结构、特征工程和应用效果等方面对深度神经网络在Android恶意应用检测中的应用现状进行了总结,最后对基于深度学习的Android恶意应用检测技术的未来研究方向进行了展望。可以看到,引入深度学习的Android恶意应用检测技术具有明显的优势,但也存在需要进一步改进的问题,如模型的鲁棒性、可解释性等。