控制与决策

作者：林子谦,张坤,樊重俊,杨夏洁

单位：上海理工大学 管理学院,上海 200093,,上海财经大学 信息管理与工程学院,上海 200433,,上海理工大学 管理学院,上海 200093,,上海理工大学 管理学院,上海 200093,

关键词：联邦学习;自监督学习;时间序列分类;标签噪声;分布式系统

时间序列数据广泛存在于工业、医疗等应用领域的分布式边缘设备中,由于其往往具备人类不可识别的特征,基于现实数据的时间序列分类任务中普遍存在数据“孤岛”和标注错误等问题.为解决分布式数据环境下这一困难,提出一种联邦时序过滤框架,该框架充分考虑自监督对比学习在提取复杂时序数据表征的优越性,并结合联邦学习方法来解决分布式系统的隐私安全问题,同时降低通信成本.首先,通过在服务器上维护一套基准样本,使用基于区别对比损失和预测对比损失的时序增强预监督策略,通过预训练-微调方法获得一个高泛化时间序列表征能力的预监督模型;然后,引入一种新的标签噪声过滤的方法,利用由预监督模型指导的伪标签与本地标注的标签协同过滤设备中的噪声数据,并将干净数据集用于全局模型的训练;最后,根据各种标签噪声下对框架进行有效性验证,验证不同基准数据比例对于所构造框架的影响,并通过消融实验验证预监督模型各损失的过滤效果.

来源：2024年第12期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第12期