一种融合跨区域设备信息的去中心化图联邦学习方法

成果简介

   本成果面向工业智能机器人领域中不同区域工厂间信息交互面临的隐私安全、通信成本及中心化拓扑结构缺陷等问题，依托湘江实验室及湖南工商大学相关研究平台，开发了一种融合跨区域设备信息的去中心化图联邦学习方法。该方法运用了图卷积神经网络（GCN）与长短期记忆网络（LSTM）相结合的技术，通过构建跨区域图结构，聚合设备及其邻居设备的特征信息，并基于置信度筛选与梯度聚合更新模型参数，解决了数据隐私保护、通信成本高昂以及中心化结构鲁棒性不足的问题。本成果实现了跨区域设备信息的有效交互与高效利用，提升了模型性能，增强了系统的抗攻击能力和鲁棒性，为工业智能机器人的高效、安全运作提供了有力支持。该方法不仅优化了数据的分布式处理和模型训练，还为保护数据隐私和提高效率提供了新的解决方法，具有显著的创新性和广阔的应用前景。

成果展示

成果应用

   本成果可应用于工业智能机器人领域，解决不同区域工厂间信息交互的隐私安全、通信成本高以及中心化拓扑结构鲁棒性不足等问题，产生显著的经济和社会价值。通过融合跨区域设备信息的去中心化图联邦学习方法，有效提升了模型性能，降低了通信成本，增强了系统的抗攻击能力和稳定性。该成果已与湘江实验室等相关研究单位开展深度合作，未来有望在智能制造、工业自动化等领域实现广泛应用，推动工业生产向高效、智能化方向发展。

团队情况