一种隐私保护的联邦学习框架

大数据时代,数据安全性和隐私性受到越来越多的关注和重视。联邦学习被视为是一种隐私保护的可行技术,允许从去中心化的数据中训练深度模型。针对电力投资系统中各部门因担心数据隐私信息泄露而带来的数据孤岛和隐私保护问题,提出了一种隐私保护的联邦学习框架,允许各部门自有数据在不出本地的情况下,联合训练模型。首先,提出了联邦学习的架构,支持分布式地训练模型;其次,引入同态加密技术,提出了隐私保护的联邦平均学习流程,在数据隐私保护的情况下,实现联合训练模型;最后,实验结果表明,该框架具有较好的收敛性,而且联合训练得到的模型具有较好的精度。     

基于数据驱动的电网工程竣工结算自动审核系统

电网工程结算数据量庞大,当前系统无法满足实际应用要求.为此,设计了数据驱动的电网工程竣工结算自动审核系统.首先采集电网工程结算审核凭证数据,对数据进行预处理和审核任务分组,通过任务分配与调度策略在MEC服务器上实现结算审核,缓解中心服务器数据处理压力,将审核结果反馈给中心服务器,再归纳、整理完成整个电网工程竣工结算审核...