物联网场景下提升多分支预测单模型鲁棒性的训练方法技术

本发明专利技术公开了一种物联网场景下提升多分支预测单模型鲁棒性的训练方法，在云终端的结构下，将训练数据分割并分配给终端，形成一个有数据多样性的环境，同时为每个终端设定不同的优化目标增强结构多样性的优势。每个终端依赖自己的训练数据和优化目标对云端下发的权重进行更新，接着云端收回各终端的权重进行聚合，最后经过多次这样的循环完成训练，存储最优的多分支预测单模型权重。本发明专利技术成功将多分支预测单模型的结构多样性和物联网场景下的数据多样性结合，使多分支预测单模型的鲁棒性进一步提高，以提高对对抗样本的分类能力，使多分支预测单模型能安全可靠的完成分类任务。

【技术实现步骤摘要】
物联网场景下提升多分支预测单模型鲁棒性的训练方法
本专利技术属于计算机领域，涉及了一种多分支预测单模型的训练方法。尤其涉及提高当前高精度但难以正确分类对抗样本的单身网络模型鲁棒性提升方法，其中使用了联邦学习思想，在适合物联网的场景下，解决了现今物联网需要安全可靠的人工智能的问题。
技术介绍
近年来，物联网是被数量不断增加，同时与深度学习的结合也更加紧密，特别是在图像处理任务上。然而，这些高精度的图像分类器在面对对抗样本是脆弱的。对抗样本是在干净图片上，有意图的添加微量扰动，这些扰动不会干扰人眼的判断，但可以愚弄深度神经网络分类器。所以，研究如何获得一个更高鲁棒性的模型是必要的。提高模型的鲁棒性是目前应对对抗样本攻击的一个重要方法，模型鲁棒性是一个用于分析模型对于微小扰动的抵抗能力的评判标准，在相同扰动下模型的判断准确率越高，鲁棒性越好。已有多分支预测单模型被提出，得益于其自身多分支及相应算是函数带来的整体多样性，多分支预测单模型得到了与组合模型相当的对抗鲁棒性，成功提高了对对抗样本的防御能力。而常规的训练方法，仅仅只能有效利用到模型结构本文档来自技高网...

【技术保护点】
1.一种物联网场景下提升多分支预测单模型鲁棒性的训练方法，其特征在于，该方法包括以下具体步骤：/n步骤1：训练系统初始化/n首先设定训练数据的内容、训练批量的大小、训练所需要的终端数量，随后导入需要训练的多分支预测单模型及权重聚合函数；接着对训练数据进行预处理，包括对训练样本的标准化和将训练标签转化为独热码格式；再将训练数据分割成与终端数量同份；最后将等分好的数据制成批量大小的迭代生成器；完成多分支预测单模型和数据的准备后，初始化云端控制节点，包括云端的聚合算法、测试数据以及全局权重的存储；接着循环初始化终端节点，包括节点标识、生成模型、优化目标、对应节点的训练数据生成器以及当前的轮数；/n步...

【技术特征摘要】
1.一种物联网场景下提升多分支预测单模型鲁棒性的训练方法，其特征在于，该方法包括以下具体步骤：
步骤1：训练系统初始化
首先设定训练数据的内容、训练批量的大小、训练所需要的终端数量，随后导入需要训练的多分支预测单模型及权重聚合函数；接着对训练数据进行预处理，包括对训练样本的标准化和将训练标签转化为独热码格式；再将训练数据分割成与终端数量同份；最后将等分好的数据制成批量大小的迭代生成器；完成多分支预测单模型和数据的准备后，初始化云端控制节点，包括云端的聚合算法、测试数据以及全局权重的存储；接着循环初始化终端节点，包括节点标识、生成模型、优化目标、对应节点的训练数据生成器以及当前的轮数；
步骤3：多终端统一训练
在初始化完成的云终...

【专利技术属性】
技术研发人员：陈铭松，韦璠，邵明莉，何积丰，曹鹗，张健宁，夏珺，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：上海;31