摘要：手机、可穿戴设备等终端设备每天产生海量数据,但这些数据往往涉及敏感隐私而不能直接公开并使用.为解决隐私保护下的机器学习问题,联邦学习应运而生,旨在通过构建协同训练机制,在不共享客户端数据条件下,训练高性能全局模型.然而,在实际应用中,现有联邦学习机制面临两大不足:(1)全局模型需考虑多个客户端的数据,但各客户端往往仅包含部分类别数据且类别间数据量严重不均衡,使得全局模型难以训练;(2)各客户端之间的数据分布往往存在较大差异,导致各客户端模型往往差异较大,使得传统通过模型参数加权平均以获得全局模型的方法难以奏效.为降低客户端类别不均衡和数据分布差异的影响,本文提出一种基于数据生成的类别均衡联邦学习(Class-Balanced Federated Learning,CBFL)方法.CBFL旨在通过数据生成技术,针对各客户端构造符合全局模型学习的类别均衡数据集.为此,CBFL设计了一个包含类别均衡采样器和数据生成器的类别分布均衡器.其中,类别均衡采样器对客户端数据量不足的类别以较高概率进行采样.然后,数据生成器则根据所采样的类别生成相应的虚拟数据以均衡客户端数据的类别分布并用于后续的模型训练.为验证所提出方法的有效性,本文在四个标准数据集上进行了大量实验.实验表明,本文方法可大幅提升联邦学习性能:如在CIFAR-100数据集上,CBFL训练的ResNet20模型与现有方法相比,分类准确率提高了5.82%.

摘要：为满足嵌入式软件测试过程中测试数据的快速生成与输入,采用数据与关键字驱动的混合驱动方法对嵌入式软件自动化测试框架进行设计。通过对嵌入式软件自动化测试框架的研究,明确测试框架设计的难点;对软件测试数据的组成与结构进行分析,构建数据与关键字驱动模型并对其生成与输入算法进行设计,根据模型实现复杂多接口测试数据的快速生成与输入。采用模块化思想,利用多线程原理对该轻量级测试框架进行设计与实现,通过实例验证该框架能够实现测试数据的自动生成与快速输入,提升测试效率。

摘要：针对睡眠分期中样本不平衡问题,提出以最短路径为指标选取最优数据进行数据生成的思想,增加少数类样本的数量。基于Border-SMOTE算法,提出改进的iBorder-SMOTE睡眠数据生成算法。用密度峰值聚类算法确定待生成数据的簇类别区域,采用中心最短路径选取最优数据点进行数据生成,使用异变扰动方法对生成数据进行修正,保证数据的全局分布。在数据集Sleep-EDF上进行验证,其结果表明,改进后的算法有效提高了少数类样本的识别精度。

摘要：针对空间目标的轨迹和姿态数据生成问题,对各类空间目标的特性进行了深入的分析,将其基准弹道分为4种类型并分别给出了设计方法,在此基础之上建立了分导弹道设计方法,该方法无需长时间的准备工作,大大简化了系统仿真的工作量。此外为模拟中段目标的微动特性建立了由微动特征量直接计算姿态数据的姿态数据生成方法,该方法无需进行积分计算,加快了计算速度。最后对以上方法进行了仿真验证。仿真结果表明,提出的方法能够在10 s内生成准确命中目标的四类基准弹道和分导弹道。此外,生成的姿态数据能够反映中段目标的微动特性,数据生成耗时短且无需事先准备工作,能够较好地满足系统仿真的要求。

摘要：在数据库系统模型化和数据库产品测试过程中,有效数据的生成是其中最重要的环节之一。该文通过对当前主要数据生成算法的分析,并应用ICG(插入链表图)算法,设计开发了一个基于ICG的数据生成系统,实验表明,该生成系统具有良好的性能。

摘要：本文提出利用多次单因素试验、正交实验设计和均匀设计等常用方法为软件的配置测试产生测试数据 ,以确保待测软件可以在不同的配置上正确运行 ,并分析比较了这些方法的优缺点 .在此基础上提出使用两两组合覆盖方法来改善正交试验设计方法的不足、使用多因素组合覆盖方法来降低因不完全测试而带来的风险 ,并提出一种单因素覆盖方法 ,该方法可以产生最少的测试数据 ,在覆盖各个系统因素的同时 ,尽可能多地覆盖各个因素间的两两组合 .最后 ,对这些测试数据生成方法从测试数据集的规模、组合覆盖率、可用性等方面进行了比较 .

摘要：随着硬件及技术的发展,深度学习技术得到广泛的研究及应用,而数据作为驱动深度学习发展的重要输入,变得越来越重要。但是针对一些特殊场景,存在数据少、隐私风险等问题。针对上述问题,结合任意物体分割技术和图像修复技术,消除图像中隐私信息,生成不包含隐私数据的新图像;或结合生成模型,在去除指定目标同时生成包含其他正样本的图像;亦或者保留指定正样本,更换背景,生成不同场景数据。实验结果表明该种数据生成的有效性。

摘要：针对军事领域数据采集困难以及数据生成人工依赖性强、成本高、效率低等问题,在生成对抗网络(GAN)框架的基础上,构建长短期循环神经网络(LSTM-RNN)代替生成对抗网络中的生成器和鉴别器,以最大平均差异和最大似然估计作为指标构建数据生成评估模型,提出一种可生成数据序列的循环条件生成对抗网络(RCGAN)。该方法完全依靠数据驱动,无需经过精心设计的建模过程,便可生成与真实数据相一致的数据。通过基于实际数据的仿真实验,验证了该方法在数据相似度、估计误差、抗干扰性以及泛化性方面的优势。

摘要：在进行禽蛋无损检测研究时,需要花费大量的人力和物力采集禽蛋图像数据,为解决该问题,设计了一种基于深度卷积生成对抗网络(Deep convolutional generative adversarial networks,DCGAN)的改进禽蛋图像数据生成网络。该网络分为生成器与判别器,生成器用于禽蛋图像数据生成,判别器对生成的禽蛋图像进行真实性判断,两者相互对抗最终生成高质量的禽蛋图像数据。为了提高生成的禽蛋图像质量,使用残差网络构建生成器和判别器,引入Wasserstein距离和加梯度惩罚的损失函数,分别在透射和反射情况下对禽蛋图像进行生成研究。该方法有效地解决了大量禽蛋图像数据的采集问题,为后期禽蛋图像识别与检测提供了数据基础,同时也为后续禽蛋数据库构建提供了技术支持。

摘要：收敛速度作为影响软件模糊数据测试速度的主要因素,大大降低了软件程序测试时间,因此,提出基于改进遗传算法的模糊测试数据生成方法研究。笔者从模糊测试输入变量调整、测试数据初始种群形成、测试数据变异率位置控制3方面分析了基于改进遗传算法的模糊测试数据生成方法,并设计了对比实验,将其与传统模糊测试数据生成方法进行对比。实验结果表明:改进遗传方法在软件程序测试中的效率更高。