吴小红
- 作品数：43 被引量：94H指数：5
- 供职机构：湖州师范学院信息与工程学院更多>>
- 发文基金：国家自然科学基金浙江省自然科学基金湖州市自然科学基金更多>>
- 相关领域：自动化与计算机技术文化科学农业科学电子电信更多>>
- 不平衡数据下预算限制的联邦学习激励机制被引量：6
- 2022年
- 联邦学习的提出解决了在隐私保护下完成多客户合作的机器学习问题,而激励客户参与联邦学习是模型性能提高的一个重要前提。针对客户数据非独立同分布特征会导致联邦学习性能下降这一问题,考虑预算约束下,设计了基于单位数据成本和数据特征—EMD距离的客户端筛选方式,提出一种有效的联邦学习激励机制(EMD-FLIM),从理论上证明了机制具有诚实性,即每个客户会诚实披露数据成本和数据分布信息,同时机制具有预算可行性、个人理性及计算有效性。实验结果显示,提出的激励机制在数据分布不平衡情况下模型精度至少能达到数据量最优选择(不考虑激励)下的94%以上,与不考虑数据分布特征的激励机制相比较,模型精度平均可提高5%以上。
- 顾永跟钟浩天吴小红陶杰张艳琼
- 关键词：激励机制
- 一种基于机器学习的湖羊断奶羔羊选种方法
- 本发明涉及一种基于机器学习的湖羊断奶羔羊选种方法，包括将湖羊长期生产实践数据收集并进行整理和存储；对采集数据进行预处理，筛选出最有效特征；选取多个机器学习模型对数据进行训练和综合分析，得到预测效果最优的模型。通过模型对预...
- 顾永跟杨俊陶杰吴小红
- 一种微机单片机单片机模型多机串口通信的实现被引量：2
- 2003年
- 主要介绍了由微机单片机单片机构成的一种主从分布式系统模型及其多机串口通信程序的实现过程。
- 陶杰吴小红
- 关键词：通信程序
- 基于众筹预售和众包生产的两阶段最优定价机制被引量：1
- 2023年
- 为实现农产品产销供应链中按需生产,供需平衡的同时,提高电商平台的期望收益。分析了电商平台整个产销供应链的问题模型,提出一种基于电子商务平台众筹预售和众包生产的产销模式。基于迈尔森最优拍卖理论设计了众筹预售和众包分配的两阶段最优拍卖定价机制,能够在保证参与用户诚实报价的基础上,最大化电商平台的期望收益。实验结果表明,对比传统的先到先服务算法(FCFS),平均收益在需求数量区间为均匀分布时至少增加了5%,为指数分布时至少增加了18%,且至少能达到假设用户诚实报价下的最优利润(OP)收益的50%。
- 顾永跟于再溥陶杰陶杰吴小红
- 关键词：拍卖
- 电子标签辅助拣货系统的设计被引量：1
- 2003年
- 传统的拣货方式由于速度慢、正确率低等原因已不能满足物流产业的飞速发展 ,本文提出一种用于辅助拣货的电子标签系统的设计方法 ,实现了计算机对整个拣货过程进行实时监控管理 ,提高了物流中心拣货的速度 ,且正确率可达 99%以上。
- 吴小红陶杰
- 关键词：RS-485DTA电子标签物流
- 基于ASP.NET的人事培训报名缴费系统设计被引量：2
- 2009年
- 基于ASP.NET开发平台,设计基于B/S结构的人事培训报名缴费系统,分析ASP.NET的安全机制,阐述通过权限控制、页面间传值安全技术、数据库中数据加密和验证码技术等实现系统安全设计的技术。实践证明,系统的设计和应用解决不同时间不同地点报名、缴费等问题,提高工作效率。
- 韩伟娜吴小红李运松
- 关键词：报名系统ASP.NET
- 基于MobiSPOC的翻转课堂教改探究被引量：1
- 2015年
- 阐述利用移动互联技术构建MobiS POC平台,从而实现对教学过程的管控,同时介绍翻转课堂结合MOOC资源的混合式教学模式,通过合理引入"弹性末位"淘汰机制,有效引导学生提升自主学习能力。
- 顾永跟吴小红张艳琼
- 关键词：协作式学习
- 基于排队论的云服务分流博弈及均衡分析被引量：2
- 2015年
- 资源竞争是云计算开放运行环境下的特点之一,正确分析自利用户在竞争中的行为是复杂动态环境下分析云计算服务性能的基础.针对IaaS云中共享用户之间服务性能的相关性,将SaaS提供者作为自利主体及IaaS用户,分析如何分解服务请求流,同时利用本地和Iaas云资源以获得最佳的服务响应速度,提出一种基于排队理论的云计算服务分流博弈模型(CSDG),对其进行纳什均衡策略和社会最优策略分析,证明该博弈存在唯一的纯策略纳什均衡,并将其与社会最优行为进行对比.
- 黄旭吴小红马小龙
- 关键词：云计算SAAS博弈论排队论
- 地方性院校工科专业大学生技能培养探究被引量：4
- 2010年
- 文章从工科大学生的技能需求出发,提出了基本技能、实践技能和创新技能三大技能的需求,并就如何使学生获得这些技能进行了深入的探讨和研究。
- 陶杰吴小红
- 关键词：工科大学生
- 基于匹配的模型卸载边缘联邦学习方法
- 2025年
- 针对边缘计算环境下联邦学习中因资源异质性导致的“滞后者”效应等问题,提出基于匹配的模型卸载边缘联邦学习方法(Fed-MBMO)。该方法通过收集边缘设备的性能分析结果,将设备分别划分为强、弱客户端,考虑了模型训练的四个阶段时间占比,弱客户端通过冻结部分模型以节省在特征层上反向传播的时间,并将模型卸载至“强客户端”进行额外的训练,最后将强客户端模型的特征层与弱客户端的全连接层进行模型重构。为提高模型卸载效率,综合考虑模型特征层的相似度与任务完成时间构建了卸载成本矩阵,并将问题转换为迭代求解基于二部图的最优匹配问题,提出基于Kuhn-Munkres(KM)的模型卸载算法并进一步分析了Fed-MBMO算法的时间复杂度。实验结果表明,在资源与数据极端异质的情况下,该方法能够加速模型收敛,模型训练时间与FedAvg、FedUE和Aergia相比分别平均减少46.65%、12.66%、38.07%。实验结果证明了所提的Fed-MBMO算法能够有效解决“滞后者”效应问题并显著提高联邦学习效率。
- 顾永跟张吕基吴小红陶杰
- 关键词：资源异质性
