申请/专利权人：精为技术(天津)有限公司

申请日：2024-03-22

公开（公告）日：2024-04-26

公开（公告）号：CN117938957A

主分类号：H04L67/5682

分类号：H04L67/5682;H04L67/10;G06N3/092;G06F18/22;G06F18/25;G06N3/0464;G06N3/098

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明提供了一种基于联邦深度学习的边缘缓存优化方法，涉及深度强化学习算法，包括：本地缓存服务器接收基站发送的深度强化学习模型参数进行模型更新，以便本地深度强化学习模型与基站和云服务器共同进行多轮次的联邦深度强化训练，期间，本地缓存服务器接收终端设备的请求内容，计算请求内容的模态度得分，以便基站收集并上传模态度得分和通过多轮次训练后得到的深度学习网络模型参数至云服务器；云服务器根据模态度得分计算每一个本地缓存服务器的聚合权重；云服务器根据聚合权重进行内容的缓存分配。本发明通过对多模态数据进行特征融合，进而进行边缘缓存，减少网络资源消耗。

主权项：1.一种基于联邦深度学习的边缘缓存优化方法，其特征在于，包括：本地缓存服务器接收基站发送的深度强化学习模型参数进行模型更新，以便本地深度强化学习模型与所述基站和云服务器共同进行多轮次的联邦深度强化训练，期间，所述本地缓存服务器接收终端设备的请求内容，计算所述请求内容的模态度得分，以便所述基站收集并上传所述模态度得分和通过多轮次训练后得到的深度学习网络模型参数至所述云服务器；所述云服务器根据所述模态度得分计算每一个本地缓存服务器的聚合权重；所述云服务器根据所述聚合权重进行内容的缓存分配；其中，计算所述请求内容的模态度得分的步骤具体包括：接收请求内容，所述请求内容为多模态数据，至少包括图片数据和文本数据；根据所述多模态数据生成嵌入向量；通过快速卷积模型对输入的多个文本向量和图片向量进行一维最大池化卷积，分别得到图片张量和文本张量；将图片张量数据和文本张量数据输入至神经网络模型，以获取图片特征和文本特征；将文本向量和图片向量通过一个与LeakyReLU耦合的共享全连接层投射到同一语义空间内，得到图片向量的对齐表示以及文本向量的对齐表示；根据所述图片向量的对齐表示以及所述文本向量的对齐表示得到变分后验的表示，之后通过学习Kullback-Leibler散度来计算歧义评分，将平均Kullback-Leibler散度作为不同模态的模态度评分；通过计算文本对图片的交互向量以及图片对文本的交互向量，最终将单模态特征和多模态特征在模态度的引导下自适应链接，以形成所述模态度得分。

全文数据：

权利要求：

百度查询： 精为技术(天津)有限公司 基于联邦深度学习的边缘缓存优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD