山东财经大学

本发明属于人工智能、数据处理与数据资产管理技术领域，具体涉及一种基于学习动态监测的标签噪声自适应识别方法与系统，本发明通过获取含噪原始数据集，并将含噪原始数据集输入到神经网络模型中进行训练，记录含噪原始数据集的所有样本在该滑动监测窗口内的损失方差并自适应定位将所有样本划分为干净样本与噪声样本的最佳分离时机，基于最佳分离时机对所有样本进行高斯混合模型拟合与标签质量诊断，确定噪声率，从而剥离出相应数量的样本，形成干净数据集，本发明通过引入了损失方差滑动窗口机制，使得系统能够在面对不同领域数据及不同程度污染时，均能自动捕捉到数据分布发生分化的最敏锐拐点，从而实现全自动化的噪声率精准评估。

本发明属于分布式机器学习与隐私计算技术领域，具体涉及一种基于两阶段端云协同与自适应监测的联邦含噪标签鲁棒学习方法与系统，本发明通过整个端云交互过程中，服务端与客户端之间仅交互模型参数以及用于监测最佳去噪时机的损失方差，显著降低了本地数据的隐私泄露风险，实现了隐私保护与分布式模型鲁棒性的双赢，并且通过服务端的全局方差监控与客户端本地的自适应高斯混合模型拟合相协同，在不改变原有单网络架构、不引入额外复杂训练流程的前提下，即可精准把握去噪时机并完成样本筛选与鲁棒训练，有助于大幅降低了计算和通信开销，在有效应对标签噪声的同时，未给边缘客户端增加显著的额外负担，更易于在真实工业场景中大规模部署。