Applications and Challenges of Few-shot Learning Technologies in New Power System

HE Xing; PAN Meiqi; AI Qian

doi:10.7500/AEPS20230615006

您当前的位置：

首页 >

文章列表页 >

Applications and Challenges of Few-shot Learning Technologies in New Power System

Reviews on Key Technologies for Digitalization of New Power System | 更新时间：2025-06-16

- Applications and Challenges of Few-shot Learning Technologies in New Power System
- Automation of Electric Power Systems Vol. 48, Issue 6, Pages: 74-82(2024)
- 作者机构：
  
  1.电力传输与功率变换控制教育部重点实验室(上海交通大学),上海市 200240
  2.上海交通大学国家电投智慧能源创新学院,上海市 200240
- 作者简介：
- 基金信息：
  
  National Science Foundation of China(52277111);Science and Technology Commission of Shanghai Municipality(21DZ1208300)
- DOI：10.7500/AEPS20230615006
  CLC：
- Received：15 June 2023，
  
  Revised：2023-09-24，
  
  Published Online：22 December 2023，
  
  Published：25 March 2024
- 稿件说明：
移动端阅览
贺兴,潘美琪,艾芊.小样本学习技术在新型电力系统中的应用与挑战[J].电力系统自动化,2024,48(6):74-82.

HE Xing,PAN Meiqi,AI Qian.Applications and Challenges of Few-shot Learning Technologies in New Power System[J].Automation of Electric Power Systems,2024,48(6):74-82.
贺兴,潘美琪,艾芊.小样本学习技术在新型电力系统中的应用与挑战[J].电力系统自动化,2024,48(6):74-82. DOI： 10.7500/AEPS20230615006.

HE Xing,PAN Meiqi,AI Qian.Applications and Challenges of Few-shot Learning Technologies in New Power System[J].Automation of Electric Power Systems,2024,48(6):74-82. DOI： 10.7500/AEPS20230615006.

摘要

数据驱动已成为新型电力系统建设及其数字化转型的核心范式，相关算法在负荷预测、状态检修、多主体调控等多项业务中展现出优越的工程效果与应用潜力。然而，实际工程数据往往面临着样本不足、样本不平衡等问题，制约了数据驱动算法的最终效果。因此，需要借助小样本学习来应对这一挑战。文中从数据、特征、模型3个层面探究了小样本学习技术，综述并分析了相关技术在场景生成、故障诊断、电力系统暂态稳定评估等业务的应用现状，并进一步指出小样本学习技术在新型电力系统中所面临的不足与挑战。

Abstract

Data-driven has become the core paradigm for the construction and digital transformation of new power systems

and related algorithms have shown superior engineering effects and application potential in multiple power system fields

such as load forecasting

condition-based maintenance

and multi-agent scheduling. However

the actual of engineering data often faces problems such as insufficient and imbalanced samples

which restricts the ultimate effectiveness of data-driven algorithms. Therefore

the few-shot learning is needed to address this challenge. This paper explores the few-shot learning technologies from three levels of data

features

and models. It reviews and analyzes the current application status of related technologies in scenario generation

fault diagnosis

and transient stability assessment of power systems. The shortcomings and challenges faced by few-shot learning technologies in new power systems are further presented.

关键词

Keywords

references

邵振国，张承圣，陈飞雄，等 . 生成对抗网络及其在电力系统中的应用综述［J］. 中国电机工程学报， 2023 ， 43 （ 3 ）： 987 - 1003 .

SHAO Zhenguo ， ZHANG Chengsheng ， CHEN Feixiong ， et al . Summary of generated countermeasure network and its application in power system ［J］. Proceedings of the CSEE ， 2023 ， 43 （ 3 ）： 987 - 1003 .

贺兴，潘美琪，唐跃中，等 . 基于数字孪生与元宇宙的能源互联网认知系统论（二）：面向复杂系统涌现现象的虚拟仿真推演框架［J/OL］. 中国电机工程学报： 1 - 13 ［ 2023-09-24 ］. https://www.cnki.com.cn/Article/CJFDTotal-ZGDC2023032200G.htm https://www.cnki.com.cn/Article/CJFDTotal-ZGDC2023032200G.htm .

HE Xing ， PAN Meiqi ， TANG Yuezhong ， et al . System theory on perception of energy Internet of Things based on digital twins and metaverse （Ⅱ）： virtual simulation and analytical deduction framework for emergency phenomenon in complex system ［J/OL］. Proceedings of the CSEE ： 1 - 13 ［ 2023-09-24 ］. https://www.cnki.com.cn/Article/CJFDTotal-ZGDC2023032200G.htm https://www.cnki.com.cn/Article/CJFDTotal-ZGDC2023032200G.htm .

胡铭菲，左信，刘建伟 . 深度生成模型综述［J］. 自动化学报， 2022 ， 48 （ 1 ）： 40 - 74 .

HU Mingfei ， ZUO Xin ， LIU Jianwei . Survey on deep generative model ［J］. Acta Automatica Sinica ， 2022 ， 48 （ 1 ）： 40 - 74 .

翟正利，梁振明，周炜，等 . 变分自编码器模型综述［J］. 计算机工程与应用， 2019 ， 55 （ 3 ）： 1 - 9 .

ZHAI Zhengli ， LIANG Zhenming ， ZHOU Wei ， et al . Research overview of variational auto-encoders models ［J］. Computer Engineering and Applications ， 2019 ， 55 （ 3 ）： 1 - 9 .

MAKHZANI A ， SHLENS J ， JAITLY N ， et al . Adversarial autoencoders ［EB/OL］. ［ 2023-04-30 ］. https：//arxiv.org/abs/1511.05644 https://arxiv.org/abs/1511.05644 .

BURDA Y ， GROSSE R ， SALAKHYTDINOV R . Importance weighted autoencoders ［EB/OL］. ［ 2023-04-30 ］. https：//arxiv.org/abs/1509.00519 https://arxiv.org/abs/1509.00519 .

CHEN X ， KINGMA D P ， SALIMANS T ， et al . Variational lossy autoencoder ［EB/OL］. ［ 2023-04-30 ］. https：//arxiv.org/abs/1611.02731 https://arxiv.org/abs/1611.02731 .

MIRZA M ， OSINDERO S . Conditional generative adversarial nets ［EB/OL］. ［ 2023-04-30 ］. https：//arxiv.org/abs/1411.1784 https://arxiv.org/abs/1411.1784 .

GULRAJANI I ， AHMED F ， ARJOVSKY M ， et al . Improved training of Wasserstein GANs ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems ， December 4-9 ， 2017 ， Long Beach， USA ： 5769 - 5779 .

梁俊杰，韦舰晶，蒋正锋 . 生成对抗网络GAN综述［J］. 计算机科学与探索， 2020 ， 14 （ 1 ）： 1 - 17 .

LIANG Junjie ， WEI Jianjing ， JIANG Zhengfeng . Generative adversarial networks GAN overview ［J］. Journal of Frontiers of Computer Science & Technology ， 2020 ， 14 （ 1 ）： 1 - 17 .

RADFORD A ， METZ L ， CHINTALA S . Unsupervised representation learning with deep convolutional generative adversarial networks ［EB/OL］. ［ 2023-04-30 ］. http：//arxiv.org/pdf/1511.06434.pdf http://arxiv.org/pdf/1511.06434.pdf .

江婷，王旭，蒋传文，等 . 数据驱动下风电-抽蓄联合参与日前-实时市场随机鲁棒竞价策略［J］. 电网技术， 2022 ， 46 （ 2 ）： 481 - 491 .

JIANG Ting ， WANG Xu ， JIANG Chuanwen ， et al . Optimal hybrid stochastic robust bidding strategy of wind and hydraulic pumped storage jointly participating in day-ahead and real-time market using data-driven method ［J］. Power System Technology ， 2022 ， 46 （ 2 ）： 481 - 491 .

王守相，陈海文，李小平，等 . 风电和光伏随机场景生成的条件变分自动编码器方法［J］. 电网技术， 2018 ， 42 （ 6 ）： 1860 - 1867 .

WANG Shouxiang ， CHEN Haiwen ， LI Xiaoping ， et al . Conditional variational automatic encoder method for stochastic scenario generation of wind power and photovoltaic system ［J］. Power System Technology ， 2018 ， 42 （ 6 ）： 1860 - 1867 .

苏鹏程 . 面向风电时序数据的迁移学习算法研究与应用［D］. 南京：东南大学， 2019 .

SU Pengcheng . Research and application of transfer learning algorithm for wind power time series data ［D］. Nanjing ： Southeast University ， 2019 .

赵冬梅，谢家康，王闯，等 . 基于Bagging集成学习的电力系统暂态稳定在线评估［J］. 电力系统保护与控制， 2022 ， 50 （ 8 ）： 1 - 10 .

ZHAO Dongmei ， XIE Jiakang ， WANG Chuang ， et al . On-line transient stability assessment of a power system based on Bagging ensemble learning ［J］. Power System Protection and Control ， 2022 ， 50 （ 8 ）： 1 - 10 .

KOCH G ， ZEMEL R ， SALAKHUTDINOV R . Siamese neural networks for one-shot image recognition ［C］// Proceedings of the International Conference on Machine Learning ， July 6-11 ， 2015 ， Lille， France .

葛轶洲，刘恒，王言，等 . 小样本困境下的深度学习图像识别综述［J］. 软件学报， 2022 ， 33 （ 1 ）： 193 - 210 .

GE Yizhou ， LIU Heng ， WANG Yan ， et al . Survey on deep learning image recognition in dilemma of small samples ［J］. Journal of Software ， 2022 ， 33 （ 1 ）： 193 - 210 .

VINYALS O ， BLUNDELL C ， LILLICRAP T ， et al . Matching networks for one shot learning ［C］// Proceedings of the International Conference on Neural Information Processing Systems ， December 5-10 ， 2016 ， Barcelona， Spain ： 3637 - 3645 .

SNELL J ， SWERSKY K ， ZEMEL R . Prototypical networks for few-shot learning ［C］// Proceedings of the International Conference on Neural Information Processing Systems ， December 4-9 ， 2017 ， Long Beach， USA ： 4080 - 4090 .

罗森林，张睿智，潘丽敏，等 . 多标签小样本实例级注意力原型网络分类方法［J］. 北京理工大学学报， 2023 ， 43 （ 4 ）： 403 - 409 .

LUO Senlin ， ZHANG Ruizhi ， PAN Limin ， et al . Prototypical network with instance-level attention in multi-label few-shot learning ［J］. Transactions of Beijing Institute of Technology ， 2023 ， 43 （ 4 ）： 403 - 409 .

SUNG F ， YANG Y X ， ZHANG L ， et al . Learning to compare： relation network for few-shot learning ［C］// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition ， June 18-23 ， 2018 ， Salt Lake City， USA ： 1199 - 1208 .

申锦鹏，杨军，李蕊，等 . 基于改进域对抗迁移学习的电力系统暂态稳定自适应评估［J］. 电力系统自动化， 2022 ， 46 （ 23 ）： 67 - 75 .

SHEN Jinpeng ， YANG Jun ， LI Rui ， et al . Self-adaptive transient stability assessment of power system based on improved domain adversarial transfer learning ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 23 ）： 67 - 75 .

贺兴，艾芊，邱才明，等 . 随机矩阵理论在电力系统认知中的应用初探［J］. 电网技术， 2017 ， 41 （ 4 ）： 1165 - 1173 .

HE Xing ， AI Qian ， QIU Caiming ， et al . A primary study on the situation awareness of power systems using random matrix theory ［J］. Power System Technology ， 2017 ， 41 （ 4 ）： 1165 - 1173 .

臧海祥，郭镜玮，黄蔓云，等 . 基于深度迁移学习的时变拓扑下电力系统状态估计［J］. 电力系统自动化， 2021 ， 45 （ 24 ）： 49 - 56 .

ZANG Haixiang ， GUO Jingwei ， HUANG Manyun ， et al . State estimation for power systems with time-varying topology based on deep transfer learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 24 ）： 49 - 56 .

杨耿杰，王康，高伟 . 基于相空间重构和迁移学习的配电网高阻接地故障检测［J］. 电力系统保护与控制， 2022 ， 50 （ 13 ）： 151 - 162 .

YANG Gengjie ， WANG Kang ， GAO Wei . High impedance fault detection in a distribution network based on phase space reconstruction and transfer learning ［J］. Power System Protection and Control ， 2022 ， 50 （ 13 ）： 151 - 162 .

张若愚，吴俊勇，李宝琴，等 . 基于迁移学习的电力系统暂态稳定自适应预测［J］. 电网技术， 2020 ， 44 （ 6 ）： 2196 - 2203 .

ZHANG Ruoyu ， WU Junyong ， LI Baoqin ， et al . Adaptive prediction of power system transient stability based on transfer learning ［J］. Power System Technology ， 2020 ， 44 （ 6 ）： 2196 - 2203 .

颜宏文，陈金鑫 . 基于改进YOLOv3的绝缘子串定位与状态识别方法［J］. 高电压技术， 2020 ， 46 （ 2 ）： 423 - 431 .

YAN Hongwen ， CHEN Jinxin . Insulator string location and state identification method based on improved YOLOv3 ［J］. High Voltage Engineering ， 2020 ， 46 （ 2 ）： 423 - 431 .

马鹏，樊艳芳 . 基于深度迁移学习的小样本智能变电站电力设备部件检测［J］. 电网技术， 2020 ， 44 （ 3 ）： 1148 - 1159 .

MA Peng ， FAN Yanfang . Detection of power equipment components in small sample smart substation based on deep migration learning ［J］. Power System Technology ， 2020 ， 44 （ 3 ）： 1148 - 1159 .

欧阳福莲，王俊，周杭霞 . 基于改进迁移学习和多尺度CNN-BiLSTM-Attention的短期电力负荷预测方法［J］. 电力系统保护与控制， 2023 ， 51 （ 2 ）： 132 - 140 .

OUYANG Fulian ， WANG Jun ， ZHOU Hangxia . Short-term power load forecasting method based on improved hierarchical transfer learning and multi-scale CNN-BiLSTM-Attention ［J］. Power System Protection and Control ， 2023 ， 51 （ 2 ）： 132 - 140 .

黄冬梅，吴志浩，孙园，等 . 基于VAE预处理和RP-2D CNN的不平衡负荷数据类型辨识方法［J］. 电力系统及其自动化学报， 2022 ， 34 （ 10 ）： 66 - 72 .

HUANG Dongmei ， WU Zhihao ， SUN Yuan ， et al . Data type identification method for imbalanced load based on VAE preprocessing and RP-2D CNN ［J］. Proceedings of the CSU-EPSA ， 2022 ， 34 （ 10 ）： 66 - 72 .

贾欣，高欣，赵兵，等 . 基于样本迁移和交叠区边界增强的智能电表故障分类方法［J］. 电网技术， 2023 ， 47 （ 6 ）： 2566 - 2574 .

JIA Xin ， GAO Xin ， ZHAO Bing ， et al . Intelligent electric meter fault classification based on sample migration and boundary enhancement in overlapping areas ［J］. Power System Technology ， 2023 ， 47 （ 6 ）： 2566 - 2574 .

唐冬来，李玉，何为，等 . 基于改进多分类器的用户电表采集数据修复方法［J］. 电力系统自动化， 2023 ， 47 （ 21 ）： 137 - 146 .

TANG Donglai ， LI Yu ， HE Wei ， et al . Restoration method for user electricity meter collection data based on improved multiple classifiers ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 21 ）： 137 - 146 .

赵厚翔，沈晓东，吕林，等 . 基于GAN的负荷数据修复及其在EV短期负荷预测中的应用［J］. 电力系统自动化， 2021 ， 45 （ 16 ）： 143 - 151 .

ZHAO Houxiang ， SHEN Xiaodong ， LYU Lin ， et al . Load data restoration based on generative adversarial network and its application in short-term load forecasting of electric vehicle ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 16 ）： 143 - 151 .

张科鑫，窦晓波，李炜祺，等 . 基于量测数据补全的有源配电网电压优化技术［J］. 电力自动化设备， 2023 ， 43 （ 11 ）： 67 - 74 .

ZHANG Kexin ， DOU Xiaobo ， LI Weiqi ， et al . Voltage optimization technology of active distribution network based on measurement data completion ［J］. Electric Power Automation Equipment ， 2023 ， 43 （ 11 ）： 67 - 74 .

谭本东，杨军，赖秋频，等 . 基于改进CGAN的电力系统暂态稳定评估样本增强方法［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 149 - 157 .

TAN Bendong ， YANG Jun ， LAI Qiupin ， et al . Data augment method for power system transient stability assessment based on improved conditional generative adversarial network ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 149 - 157 .

李俊卿，李斯璇，陈雅婷，等 . 一种基于CGAN-CNN的同步电机转子绕组匝间短路故障诊断方法［J］. 电力自动化设备， 2021 ， 41 （ 8 ）： 169 - 174 .

LI Junqing ， LI Sixuan ， CHEN Yating ， et al . Fault diagnosis method of inter-turn short circuit of rotor winding of synchronous motor based on CGAN-CNN ［J］. Electric Power Automation Equipment ， 2021 ， 41 （ 8 ）： 169 - 174 .

米阳，卢长坤，申杰，等 . 基于条件生成对抗网络的风电功率极端场景生成［J］. 高电压技术， 2023 ， 49 （ 6 ）： 2253 - 2263 .

MI Yang ， LU Changkun ， SHEN Jie ， et al . Wind power extreme scenario generation based on conditional generative adversarial network ［J］. High Voltage Engineering ， 2023 ， 49 （ 6 ）： 2253 - 2263 .

李宝琴，吴俊勇，强子玥，等 . 基于改进DCGAN的电力系统暂态稳定增强型自适应评估［J］. 电力系统自动化， 2022 ， 46 （ 2 ）： 73 - 82 .

LI Baoqin ， WU Junyong ， QIANG Ziyue ， et al . Enhanced adaptive assessment on transient stability of power system based on improved deep convolutional generative adversarial network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 2 ）： 73 - 82 .

廖一帆，武志刚 . 基于迁移学习与Wasserstein生成对抗网络的静态电压稳定临界样本生成方法［J］. 电网技术， 2021 ， 45 （ 9 ）： 3722 - 3728 .

LIAO Yifan ， WU Zhigang . Critical sample generation method for static voltage stability based on transfer learning and Wasserstein generative adversarial network ［J］. Power System Technology ， 2021 ， 45 （ 9 ）： 3722 - 3728 .

殷豪，张铮，丁伟锋，等 . 基于生成对抗网络和LSTM-CSO的少样本光伏功率短期预测［J］. 高电压技术， 2022 ， 48 （ 11 ）： 4342 - 4351 .

YIN Hao ， ZHANG Zheng ， DING Weifeng ， et al . Short-term prediction of photovoltaic power with few samples based on generative countermeasure network and LSTM-CSO ［J］. High Voltage Engineering ， 2022 ， 48 （ 11 ）： 4342 - 4351 .

雷柯松，吐松江·卡日，伊力哈木·亚尔买买提，等 . 基于WGAN-GP和CNN-LSTM-Attention的短期光伏功率预测［J］. 电力系统保护与控制， 2023 ， 51 （ 9 ）： 108 - 118 .

LEI Kesong ， TUSONGJIANG·Kari ， YILIHAMU·Yaermaimaiti ， et al . Prediction of short-term photovoltaic power based on WGAN-GP and CNN-LSTM-Attention ［J］. Power System Protection and Control ， 2023 ， 51 （ 9 ）： 108 - 118 .

董骁翀，孙英云，蒲天骄 . 基于条件生成对抗网络的可再生能源日前场景生成方法［J］. 中国电机工程学报， 2020 ， 40 （ 17 ）： 5527 - 5535 .

DONG Xiaochong ， SUN Yingyun ， PU Tianjiao . Day-ahead scenario generation of renewable energy based on conditional GAN ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 17 ）： 5527 - 5535 .

钱涛，任孟极，邵成成，等 . 基于深度学习考虑出行模式的电动汽车充电负荷场景生成［J］. 电力系统自动化， 2022 ， 46 （ 12 ）： 67 - 75 .

QIAN Tao ， REN Mengji ， SHAO Chengcheng ， et al . Deep-learning-based electric vehicle charging load scenario generation considering travel mode ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 12 ）： 67 - 75 .

宋向金，孙文举，刘国海，等 . 深度子领域自适应网络电机滚动轴承跨工况故障诊断［J/OL］. 电工技术学报： 1 - 12 ［ 2023-11-23 ］. https：//doi.org/10.19595/j.cnki.1000-6753.tces.221854 https://doi.org/10.19595/j.cnki.1000-6753.tces.221854 .

SONG Xiangjin ， SUN Wenju ， LIU Guohai ， et al . Across working conditions fault diagnosis for motor rolling bearing based on deep subdomain adaption network ［J/OL］. Transactions of China Electrotechnical Society ： 1 - 12 ［ 2023-11-23 ］. https：//doi.org/10.19595/j.cnki.1000-6753.tces.221854 https://doi.org/10.19595/j.cnki.1000-6753.tces.221854 .

WEN W J ， LING X ， SUI J X ， et al . Data-driven dynamic stability assessment in large-scale power grid based on deep transfer learning ［J］. Energies ， 2023 ， 16 （ 3 ）： 1142 .

REN J Y ， CHEN J F ， LI B Y ， et al . A method for power system transient stability assessment based on transfer learning ［C］// 2020 IEEE Power & Energy Society General Meeting （PESGM）， August 2-6 ， 2020 ， Montreal， Canada ： 1 - 5 .

陈灏颖，管霖 . 基于主动迁移学习的电力系统拓扑自适应暂态稳定评估［J/OL］. 中国电机工程学报： 1 - 14 ［ 2023-05-29 ］. http：//10.13334/j.0258-8013.pcsee.221192 http://10.13334/j.0258-8013.pcsee.221192 .

CHEN Haoying ， GUAN Lin . An active transfer learning scheme for power system transient stability assessment adaptive to the topological variability ［J/OL］. Proceedings of the CSEE ： 1 - 14 ［ 2023-05-29 ］. http：//10.13334/j.0258-8013.pcsee.221192 http://10.13334/j.0258-8013.pcsee.221192 .

李保罗，孙华东，张恒旭，等 . 基于两阶段迁移学习的电力系统暂态稳定评估框架［J］. 电力系统自动化， 2022 ， 46 （ 17 ）： 176 - 185 .

LI Baoluo ， SUN Huadong ， ZHANG Hengxu ， et al . Transient stability assessment framework of power system based on two-stage transfer learning ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 17 ）： 176 - 185 .

李宝琴，吴俊勇，李栌苏，等 . 基于主动迁移学习的电力系统暂态稳定自适应评估［J］. 电力系统自动化， 2023 ， 47 （ 4 ）： 121 - 132 .

LI Baoqin ， WU Junyong ， LI Lusu ， et al . Adaptive assessment of power system transient stability based on active transfer learning ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 4 ）： 121 - 132 .

周子涵，卜广全，马士聪，等 . 基于特征分离型神经网络的电力系统暂态稳定性评估与优化方法［J］. 电网技术， 2021 ， 45 （ 9 ）： 3658 - 3666 .

ZHOU Zihan ， BU Guangquan ， MA Shicong ， et al . Assessment and optimization of power system transient stability based on feature-separated neural networks ［J］. Power System Technology ， 2021 ， 45 （ 9 ）： 3658 - 3666 .

李刚，李银强，王洪涛，等 . 电力设备健康管理知识图谱：基本概念、关键技术及研究进展［J］. 电力系统自动化， 2022 ， 46 （ 3 ）： 1 - 13 .

LI Gang ， LI Yinqiang ， WANG Hongtao ， et al . Knowledge graph of power equipment health management： basic concepts， key technologies and research progress ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 3 ）： 1 - 13 .

郑云涛，叶家炜 . 基于茫然传输协议的FATE联邦迁移学习方案［J］. 计算机工程， 2023 ， 49 （ 2 ）： 24 - 30 .

ZHENG Yuntao ， YE Jiawei . FATE federated transfer learning scheme based on oblivious transfer protocol ［J］. Computer Engineering ， 2023 ， 49 （ 2 ）： 24 - 30 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

LI Baoqin

Baoqin LI

Junyong WU

Ziyue QIANG

Liuyun QIN

Liangliang HAO

CHENG Lilin

LUO Zijie

Related Institution

School of Electrical Engineering, Beijing Jiaotong University

School of Electrical and Power Engineering, Hohai University

Electric Power Research Institute of State Grid Jiangsu Electric Power Co., Ltd.

Institute of Advanced Technology for Carbon Neutrality, Nanjing University of Posts and Telecommunications

NARI Technology Co., Ltd.

⁰