原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明涉及联邦学习领域，提出一种基于变分自编码器深度聚类纵向联邦学习方法。现有的纵向联邦学习训练过程需要对数据进行加密样本对齐，即在不公开各自数据的前提下确认双方的公共用户，使用公共用户的特征进行建模。然而在不同的建模训练中不互相重叠的用户占比不在少数，这部分数据并没有参加模型训练，可能会让联邦学习训练模型效果下降。为此，本发明结合深度聚类算法，挖掘样本数据间相关性，对缺失方数据进行过滤和补全操作，进而增加可训练数据集，提高了联邦学习效率。本发明在实验中产生了较好的效果，有一定创新性和可行性。
(19)国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 116822576 A
(43)申请公布日 2023.09.29
(21)申请号 202310246409.0
(22)申请日 2023.03.15
(71)申请人 哈尔滨理工大学
地址 黑龙江省哈
文档评论（0）