論文元數(shù)據(jù)搜索，找到相關信息共 2 條：
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期：2022-08-17
針對目前圖像隱寫檢測模型中線性卷積層對高階特征表達能力有限，以及各通道特征圖沒有區(qū)分的問題，該文構建了一個基于多層感知卷積和通道加權的卷積神經網絡(CNN)隱寫檢測模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積，增強隱寫檢測模型對高階特征的表達能力；同時引入通道加權模塊，實現(xiàn)根據(jù)全局信息對每個卷積通道賦予不同的權重，增強有用特征并抑制無用特征，增強模型提取檢測特征的質量。實驗結果表明，該檢測模型針對不同典型隱寫算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測準確率，與最優(yōu)的Zhu-Net相比，準確率提高1.95%～6.15%。
2025, 47(3): 758-768.
doi: 10.11999/JEIT240796
刊出日期：2025-03-01
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。
