基于隐私计算技术的数据生态合作应用

针对当前金融领域数据获取难、安全共享难、数据分析和价值挖掘难等一系列数据运用问题,介绍利用隐私计算技术开展多方数据联合建模分析、构建隐私计算平台。阐述该平台功能架构和应用架构,以及该平台在数据生态合作中的典型案例,支撑金融领域各场景有效运用数据,促进产业数字化升级。     

关于计算机软件开发中分层技术的作用研究

为解决计算机软件开发中的组织和维护问题,通过分析分层技术的原理和实际案例,深入研究分层技术的作用。分层技术有助于提高代码的可维护性,降低开发成本,提高团队协作效率,并提高软件的可扩展性。这些发现能够为计算机软件开发领域的从业人员提供重要参考,帮助其更好地应对相关问题。     

扫描电子显微镜叔丁醇冷冻干燥快速制样方法的探索

该实验旨在利用扫描电子显微镜(SEM)进行植物叶片微观形态观察,探究一种叔丁醇快速制样新方法.实验以野生型拟南芥叶片为研究对象,通过预设实验步骤对其进行制样处理,结合实验过程及观察结果总结最佳实验处理条件作为新的SEM叔丁醇快速制样方法.实验结果显示,在不同的叔丁醇处理温度、时长,冰冻时间及喷金导电处理条件下,叶片表皮...     

面向数据混合分布的联邦自适应交互模型

联邦学习作为一种新兴的分布式机器学习方法，保证了物联网（Internet of things,IoT）设备在数据不出本地的前提下，仅通过传递模型参数来共同维护中央服务器模型，从而达到保护数据隐私安全的目的.传统的联邦学习方法常常在基于设备数据独立同分布的场景下进行联合学习.然而，在实际场景中各设备间的数据样本分布存在差异，使得传统联邦学习方法在非独立同分布（non-independent and identically distributed,Non-IID）的场景下效果不佳.面向Non-IID场景下的混合数据分布问题，提出了新型的联邦自适应交互模型（federated adaptive interaction model,FedAIM）框架，该框架可以同时对不同偏置程度的混合数据进行自适应地交互学习.具体来说，首先，通过引入陆地移动距离（earth mover’s distance,EMD）对各客户端的数据分布进行偏置程度度量(bias measurement)，并设计极偏服务器和非极偏服务器2个模块分别处理不同偏置程度的数据分布.其次，提出了基于信息熵的模型参数交互机制，使得Fed...