論文元數(shù)據(jù)搜索，找到相關信息共 2 條：
2015, 37(4): 881-886.
doi: 10.11999/JEIT140831
刊出日期：2015-04-19
目前基于標簽的Grbner基算法大多是Buchberger型的，涉及矩陣型算法的文獻往往是為了進行復雜度分析，而不考慮實際的效率。該文從實際應用出發(fā)，給出矩陣型Gao-Volny-Wang(GVW)算法的一個實例，提出算法層次的優(yōu)化設計方法。同時，該文還給出一個高效的約化準則。通過實驗，該文比較了算法可用的各項準則及策略。實驗結果表明，該文的矩陣型GVW實例在準則和策略的選取上是最優(yōu)的。并且，矩陣型GVW在某些多項式系統(tǒng)(例如，Cyclic系列和Katsura系列多項式系統(tǒng))下比Buchberger型GVW要快2~6倍。
, 最新更新時間: ,
doi: 10.11999/JEIT240796
在車載網絡(VANETs)中，聯(lián)邦學習(FL)通過協(xié)同訓練機器學習模型，實現(xiàn)了車輛間的數(shù)據(jù)隱私保護，并提高了整體模型的性能。然而，F(xiàn)L在VANETs中的應用仍面臨諸多挑戰(zhàn)，如模型泄露風險、訓練結果驗證困難以及高計算和通信成本等問題。針對這些問題，該文提出一種面向聯(lián)邦學習的可驗證隱私保護批量聚合方案。首先，該方案基于Boneh-Lynn-Shacham (BLS)動態(tài)短群聚合簽名技術，保護了客戶端與路邊單元(RSU)交互過程中的數(shù)據(jù)完整性，確保全局梯度模型更新與共享過程的不可篡改性。當出現(xiàn)異常結果時，方案利用群簽名的特性實現(xiàn)車輛的可追溯性。其次，結合改進的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法，對梯度聚合結果進行驗證，確保在聯(lián)邦學習的聚合過程中保持客戶端梯度的機密性，并驗證聚合結果的準確性，防止服務器篡改數(shù)據(jù)導致模型訓練無效的問題。此外，該方案還支持車輛在部分掉線的情況下繼續(xù)更新模型，保障系統(tǒng)的穩(wěn)定性。實驗結果表明，與現(xiàn)有方案相比，該方案在提升數(shù)據(jù)隱私安全性和結果的可驗證性的同時，保證了較高效率。
