自适应异构联邦学习

目的 模型异构联邦学习由于允许参与者在不损害隐私的情况下独立设计其独特模型而受到越来越多的关注。现有的方法通常依赖于公共共享的相关数据或全局模型进行通信,极大地限制了适用性。且每个参与者的私有数据通常以不同的分布收集,导致数据异构问题。为了同时处理模型异构和数据异构,本文提出了一种新颖的自适应异构联邦学习方法。方法 给定一个随机生成的输入信号（例如,随机噪声）,自适应异构联邦学习直接通过对齐输出逻辑层分布来实现异构模型之间的通信,实现协作知识共享。主要优势是在不依赖额外相关数据收集或共享模型设计的情况下解决了模型异构问题。为了进一步解决数据异构问题,本文提出了在模型和样本层面上进行自适应权重更新。因此,自适应异构联邦学习（adaptive heteogeneous federated learning,AHF）允许参与者通过模型输出在无关数据上的差异和强调“有意义”的样本来学习丰富多样的知识。结果 通过在不同的联邦学习任务上使用随机噪声输入进行通信,进行了广泛的实验,显示出比竞争方法更高的域内精确度和更好的跨域泛化性能。结论 本文方法提供了一个简单而有效的基准,为异构联邦学习的未来发展奠定基础。     

基于事务和Agent联邦的工作流异常处理机制

异常处理和恢复是工作流管理系统(workflow management system,WFMS)不可缺少的部分.在把工作流异常分为技能级异常、活动级异常和工作流级异常的基础上,结合工作流中活动的事务性,提出了基于事务的异常处理策略,并在基于Agent联邦中各Agent的合作性,提出了异常的检测方法和传递机制,提高了系统处理异常的灵活性.     

面向异构网络的联邦优化算法

联邦学习网络中,全局模型的聚合训练常因边缘设备端的统计异构性而存在收敛问题。针对高度异构环境的适应性问题,提出一种面向异构网络的联邦优化算法q-FedDANE。首先,通过在经典联合近似牛顿型方法中引入衰减参数q,调整衰减梯度校正项和近端项的负面影响,有效提高模型对环境异构性的感知能力,并将每轮算法迭代的设备通信轮次降低至一次,显著减少通信成本和训练开销;其次,模型将随机优化器Adam引入服务器端聚合训练,通过自适应的动态学习率来利用全局信息进行目标优化,加快了模型的收敛速度。实验表明,q-FedDANE算法可以更好地适应环境异构和低设备参与的场景,在高度异构的FEMNIST数据集上,该算法最终获得的测试精度约高出FedDANE的58%。     

面向数据异构的联邦学习性能优化研究

参与联邦学习的客户端只需在各自的本地数据集上训练本地模型,并在服务器上聚合全局模型.然而,数据异构会导致本地模型与全局最优模型收敛方向不一致,影响全局模型性能.现有工作主要集中在直接与全局模型做趋同,并未考虑全局模型合理性.本文研究了一种基于局部模型偏移的性能优化方案,本地训练过程中结合所有客户端模型关键参数,提高全局聚合模型可信度.具体来说,计算待训练模型与其他客户端模型参数差值,然后乘以其他客户端梯度,将结果作为正则项加入本地损失函数,从而抑制局部模型偏移.实验结果表明,该方案在MNIST,FMNIST,CIFAR上的图像识别正确率方面优于现有方法5个百分点以上.     

基于代理选举的高效异构联邦学习方法

物联网多样性终端设备在计算、存储、通信方面的异构性导致联邦学习效率不足。针对上述联邦训练过程中面临的问题,基于代理选举思路,提出了一种高效联邦学习算法。设计了基于马氏距离的代理节点选举策略,将设备的计算能力与闲置时长作为选举因素,选举性价比高的设备作为代理节点,充分发挥设备计算能力。进一步设计了基于代理节点的新型云边端联邦学习架构,提升了异构设备之间的联邦学习效率。基于MNIST和CIFAR-10公开数据集与智能家居设备真实数据的实验表明,该联邦学习方法的效率提高了22%。     

网格环境下的一种事务协调机制及其补偿技术

事务处理是网格计算能否投入实际应用尤其是商业应用的关键技术之一，用于网格环境下的事务处理必须同时提供协调短时操作和长时间的商业活动的能力，基于Gtobus Toolkit和代理技术，提出了一种能够同时管理原子事务和聚合事务的事务协调机制，研究了相应的可以容错各种失败的协调算法，通过自动产生和执行补偿事务，聚合事务协调机制可以满足网格计算中对长事务的处理要求。     

基于联邦学习的多源异构数据融合算法

随着科技的迅猛发展,具有计算和存储能力的边缘设备数量不断增加,产生的数据流量更是呈指数式增长,这使得以云计算为核心的集中式处理模式难以高效处理边缘设备产生的数据.另外,由于边缘网络设备的多样性以及数据表示手段的不断丰富,多模态数据广泛存在.为充分利用边缘设备上的异构数据,解决边缘计算中由于数据隐私引起的“数据通信壁垒”问题,提出了一种联邦学习中基于Tucker分解的多源异构数据融合算法.该算法针对异构数据在无交互条件下的融合问题,引入张量Tucker分解理论,通过构建一个具有异构空间维度特性的高阶张量以捕捉异构数据的高维特征,从而实现联邦学习中多源异构数据的融合.最后,在MOSI数据集上验证了算法的有效性.     

一种解决数据异构问题的联邦学习方法

联邦学习是一种不通过中心化的数据训练就能获得机器学习模型的系统,源数据不出本地,降低了隐私泄露的风险,同时本地也获得优化训练模型。但是由于各节点之间的身份、行为、环境等不同,导致不平衡的数据分布可能引起模型在不同设备上的表现出现较大偏差,从而形成数据异构问题。针对上述问题,提出了基于节点优化的数据共享模型参数聚类算法,将聚类和数据共享同时应用到联邦学习系统中,该方法既能够有效地减少数据异构对联邦学习的影响,也加快了本地模型收敛的速度。同时,设计了一种评估全局共享模型收敛程度的方法,用于判断节点聚类的时机。最后,采用数据集EMNIST、CIFAR-10进行了实验和性能分析,验证了共享比例大小对各个节点收敛速度、准确率的影响,并进一步分析了当聚类与数据共享同时应用到联邦学习前后各个节点的准确率。实验结果表明,当引入数据共享后各节点的收敛速度以及准确率都有所提升,而当聚类与数据共享同时引入到联邦学习训练后,与FedAvg算法对比,其准确度提高10%～15%,表明了该方法针对联邦学习数据异构问题上有着良好的效果。     

一种基于CORBA OTS的联邦事务管理器模型

联邦数据库系统允许用户访问多个自治数据库管理系统中的数据。通过联邦事务管理确保分布在多个自治的并可能是异构的局部数据库中数据的一致性。该文提出了一种基于CORBAOTS的联邦事务管理器模型。     

一种面向云边端系统的分层异构联邦学习方法

联邦学习(federated learning)通过用上传模型参数的方式取代了数据传输,降低了隐私泄露的风险.然而,将联邦学习应用到云边端框架下时,一方面,由于云边端存在边缘和终端两层分布式框架,对传统的单层联邦学习提出挑战;另一方面,终端节点因资源异构难以训练相同复杂度的模型,无法满足联邦学习客户端统一模型的假设.针对上述第1个问题,从传统的单层联邦学习方法出发,设计了面向云边端分层部署模型的联邦学习方案;针对第2个问题,通过在终端模型插入分支的方式,将大模型拆分为不同复杂度的小模型适配不同客户端资源状态,从而实现异构联邦学习.同时,考虑到终端存在大量无标签数据无法进行有效模型训练的问题,还提出了针对联邦框架的半监督学习方法,实现对无标签数据的有效利用.最终,通过MNIST和FashionMNIST数据集对方法进行了验证.实验结果表明,在有效避免隐私泄露的前提下,相比于其他同构和异构学习方法,所提方法最大可提升22%的模型准确率;在计算、通信、存储等资源开销上均有明显降低.     

多指机器人手协调控制研究进展

本文综述了关于多指机器人手协调控制方面的研究进展情况．文章分为三个部分．第 一部分介绍了多指机器人手各方面的研究现状;第二部分讨论协调控制,主要是力分配算法 方面的研究成果;第三部分探讨了自主抓取的实现方法,并提出对未来研究的设想．     

网络环境下异构数据库交互访问中数据格式转换的研究

随着企业间合作的增加以及电子商务的普遍开展,对建立异构数据库交互访问的需求日益迫切。本文讨论的是异构数据库问题的一个方面,即异构数据库交互访问中数据转换问题。本文分析了传统异构数据库交互中存在的问题,并探讨了利用XML实现异构数据库交互访问中数据转换的可行性,并进行了系统建模。     

基于Web的异质数据库共享集成的建模研究

基于Ｗｅｂ的异质数据库是由若干自然分布、管理自治、模式异构的成员数据库组成的,旨在为用户提供一个完整的数据库视图和一致的访问接口．本文在分析异质数据库共享集成系统的特征和功能需求的基础上,提出了一种基于Ｗｅｂ的包括表示层、ＷＷＷ服务器层、事务管理层和数据库层的四层体系结构,并就全局数据字典、一致命名服务、事务调度等关键问题作了分析与论述．本文提出的建模方法和实现技术在实际中得到了应用．     

基于双目协调的小型全自主足球机器人导航

对所开发的小型全自主足球机器人只依靠双目异构视觉进行导航问题进行了研究．建立了双视觉测量目标相对和全局坐标的模型，给出了上目和下目的基本导航方法．然后重点分析了基于双目协调的足球机器人导航数据融合方法和双目协调机理．在所开发的全自主足球机器人上进行的实验及在FIRA的世界杯赛上机器人的成功表现，证明了双目协调导航的有效性和实用性．     

关于参数规划在自治智能移动式机器人中实际应用的探讨

机器人行走空间的复杂性决定了导航监控系统不仅为机器人提供行走路线,还要依据预先得到的先验数据与知识告诉机器人不同行走段的障碍分布、环境边界走向及约束程度,按照载体的几何形状,运动特性选择合适的速度、加速度,保证在安全的前提下最快完成行走.本文讨论了提取影响机器人当前行走的障碍、环境边界算法和不同行走速度段的划分与关键点抽取方法,讨论了各种速度段的分离、合并、高速行走段的插补和过短行走段的平滑滤除等等.     

自主机器人自组织结构IRASO的仿真研究

自主机器人车辆具有智能性和快速反应的特点,而在精确推理和实时性之间录示最佳折衷是体系结构的关键文中提出基于分布式多Ａｇｅｎｔ系统的自组织体系结构ＩＲＡＳＯ系统的自组织体系结构ＩＲＡＳＯ,Ａｇｅｎｔ之间动态组合以适应环境变化,公告板系统评估环境势态和指导Ａｇｅｎｔ组织,同时设计了Ａｇｅｎｔ协调工作的空间和时间模型,基于ＴＣＰ／ＩＰ的计算联勇域为异质分布式多Ａｇｅｎｔ的协作运行提供支持,仿真结果表明该     

分布式多Agent系统流水线调度模型的矩阵分析法

采用综合逻辑的代数的方法刻画系统的动态行为,提出了分布式多Ａｇｅｎｔ系统流水线调度模型的矩阵分析法,并可直观地得到系统的Ｐｅｔｒｉ网模型,将该方法应用于自主式智能机器人流不线导航模型的分析,为系统的设计和优化提供理论依据,该方法比一般的Ｐｅｔｒｉ网分析法简捷、完备,并有严密的数学描述和分析手段。     

Client／Server结构下的商场OLTP系统的设计与实现

本文讨论了商场的特点和选择系统体系结构，并给出了Ｃｌｉｅｎｔ／Ｓｅｒｖｅｒ结构下的商场ＯＬＴＰ系统的设计和实现。     

一种挠性机器人逆动力学控制的迭代算法—动态位姿误差补偿方法

本文分析了挠性机器人逆动力学问题的数学模型,成功地提出了一种逆动力学控制的迭代算法——动态位姿误差补偿方法,可离线或实时计算执行目标位姿所需的驱动力矩和关节变量.本方法具有计算量小、精度高的特点,同时提出了具有动态前馈-伺服补偿和振动抑制结合的阶层控制方案.     

六维力传感器发展中的几个问题

本文对六维力传感器性能进行了全面的分析和讨论，提出了今后研究方向，并对过载保护，动态性能的有关因素，以及弹性体结构形式的优劣首次提出了判据。