Mar, 2023

进化计算与隐私的交会

PDF
TL;DR本文介绍了 BOOM 算法，研究了进化计算中的隐私保护问题。针对三种典型的优化范式（即集中式、分布式和数据驱动的优化），本文采用 BOOM 算法以平衡优化性能和隐私保证的方式探讨了潜在的隐私保护技术并提出新的隐私保护进化计算方向。
evolutionary computationprivacy protectionoptimization paradigmsdistributed computingdata-driven optimization
发现论文，激发创造
  • 一个安全的联邦数据驱动进化多目标优化算法

    本文提出了一种安全的联邦数据驱动进化多目标优化算法，可保护隐私并增强安全性，在联邦数据驱动进化优化的性能方面只有可忽略的牺牲。

    Oct, 2022

  • 隐私保护的分布式优化与学习

    分布式优化和学习中的隐私保护方法进行了综述，介绍了密码学、差分隐私等技术，并提出利用差分隐私算法来确保隐私和优化准确性，在多个机器学习问题中得到实际应用验证。同时探讨了该研究领域的挑战和未来方向。

    Feb, 2024

  • 进化动态优化与机器学习

    这篇论文是关于进化计算、人工智能、进化机器学习、进化动态优化和机器学习之间互相结合的研究，旨在激发进化学习社区的兴趣并在该领域激发创新贡献。

    Oct, 2023

  • 进化计算对机器人设计的影响：一项基于欠驱动手外骨骼的案例研究

    利用进化计算方法对机器人外骨骼设计进行优化，特别是在优化下驱动式手部外骨骼 (U-HEx) 的性能和可用性方面，结果显示进化计算方法在较短时间内持续提供精确和最佳解决方案，显著提高了转移给用户的扭矩大小和设备效率。

    Mar, 2024

  • 基于代理的分布式群体优化算法在计算代价昂贵模型中的应用

    本论文旨在在并行计算结构中实现基于代理的适应度评估，在复杂的地质科学景观进化模型上实现优化解决方案时间的缩短，同时保持优化准确性。

    Jan, 2022

  • 进化计算中基于深度强化学习的自动配置探索 - 开发平衡

    基于深度强化学习的框架可自动配置和调整探索 - 利用平衡 (EET)，以提升进化计算算法的性能和泛化能力。通过在 CEC2021 基准上进行实验证明，在多个问题类别、维度和种群规模上，该框架显著改善了现有算法的性能，并提供了对 EET 问题的深入分析。

    Apr, 2024

  • 表观遗传阻断对动态多目标优化问题的影响

    本文研究了在动态多目标优化问题中应用表观遗传机制对现有多目标遗传算法 MOEA/D-DE 的性能进行了比较，并提供了初步的实验证据表明，更多的算法应该探索自然界中丰富的表观遗传机制。

    Nov, 2022

  • 通过大型语言模型探索进化计算的改进

    演化计算（EC）是一种强大的优化算法，已在各个领域得到应用。大型语言模型（LLMs）的出现不仅改变了自然语言处理，还将其能力扩展到各个领域。通过利用 LLMs 的丰富知识和自适应能力，我们提供了一个前瞻性的概述，介绍了 LLMs 对 EC 可能带来的改进，重点关注算法本身、种群设计和其他增强措施。这为 LLMs 和 EC 交叉研究的未来方向提供了一个有希望的方向。

    May, 2024

  • 隐私保护的进展：对推荐系统、边缘计算和云计算中隐私保护技术的回顾

    数字技术的发展带来了移动众包、边缘计算和推荐系统方面的挑战和机遇。本综述聚焦于这些领域，强调在我们日益数据化的世界中对隐私保护的重要需求，并探索了这些相互关联的领域的最新趋势，特别关注隐私和数据安全。综述通过对各种学术工作的深入分析，帮助我们全面了解这些行业及其对隐私问题的关注，提供了对这些领域及其相关隐私挑战的广泛概述，是研究人员、行业从业者和政策制定者的宝贵资源，在现代数字时代迎合了广大受众。

    Jan, 2024

  • 差分隐私分布式受限制优化

    本文提出了一种分布式优化算法，通过引入差分隐私的方法来保护隐私信息，该算法通过加性噪声扰动公共信号，噪声的大小由投向用户指定约束条件的投影运算的灵敏度决定，将它视为随机梯度下降的一种实现，并通过对其次优性的边界估计来评估算法的性能，同时对电动汽车充电场景进行了数值模拟，评估了算法在实践中的使用效果，包括步长的选择、迭代次数以及隐私级别和子优延迟之间的权衡问题。

    Nov, 2014