地理信息数据集联邦共享技术研究     

王艳明  刘凯  安玉良  任建吉 《科技风》2023,(18):73-75

目前,各类地理数据标准不统一、安全密度低、多以孤岛形式存在等问题日益突出,使得各数据节点无法汇聚,严重影响地理信息数据集的模型训练和分析。联邦学习作为一种新兴技术,对地理信息数据产业做出卓越贡献。文章从地理信息数据集孤岛问题出发,使用基于梯度上升树SecureBoost模型的联邦学习框架,从而实现数据汇聚和共享。实验结果表明：联邦共享技术使用去中心化架构会增加模型的训练时间,但在地理信息数据集方面可以大幅度解决数据孤岛问题,实现数据的共享交换。  相似文献   

基于高斯混合模型的时空大数据挖掘算法     

郭庆丰  党鹏飞  刘亚明  任建吉 《科技风》2023,(17):170-172

时空大数据在各领域中得到了持续的运用,推动着新研究模式的产生。但是,传统数据存取中、分析与挖掘方法则很难支持新研究模式的形成。时空数据的探索性增长以及社交媒体和位置传感技术的出现,使得为分析大数据而开发新的、高效的计算方法十分必要。传统的数据挖掘算法大多是基于小型数据集开展的研究,通常忽略了计算效率,而是更侧重于识别能力的研究。针对传统算法的不足,本文介绍了基于高斯混合模型(GMM)的时空大数据挖掘算法,在GPU上并行了GMM聚类算法,结果显示,模型具有较高的可扩展性和较低的计算成本,但仍需要新的方法来有效地模拟空间和节奏的限制。  相似文献