申请/专利权人:河南大学
申请日:2024-03-07
公开(公告)日:2024-06-14
公开(公告)号:CN118194926A
主分类号:G06N3/0464
分类号:G06N3/0464;G06N3/098;G06N20/00
优先权:
专利状态码:在审-公开
法律状态:2024.06.14#公开
摘要:本发明提供一种利用冻结模型层优化联邦学习模型方法。该方法包括:步骤1:服务器初始化全局模型;步骤2:客户端获取全局模型,对全局模型进行复制,分别记作第一全局模型和第二全局模型;步骤3:客户端基于本地数据集中的部分数据利用冻结模型方式对所述第一全局模型进行训练,将训练得到的模型记作局部优化模型;步骤4:客户端利用本地数据集中的所有数据对第二全局模型进行训练,在训练过程中,采用局部优化模型对第二全局模型进行微调,将训练得到的模型记作局部模型;步骤5:服务器收集所有客户端的局部模型,对所有局部模型进行聚合,得到新的全局模型;步骤6:重复步骤2至步骤5,直至满足停止条件,输出最优的全局模型。
主权项:1.利用冻结模型层优化联邦学习模型方法,其特征在于,包括:步骤1:服务器初始化全局模型;步骤2:客户端获取全局模型,对所述全局模型进行复制,将两个全局模型分别记作第一全局模型和第二全局模型;步骤3:客户端基于本地数据集中的部分数据利用冻结模型方式对所述第一全局模型进行训练,将训练得到的模型记作局部优化模型;步骤4:客户端利用本地数据集中的所有数据对第二全局模型进行训练,在训练过程中,采用所述局部优化模型对所述第二全局模型进行微调,将训练得到的模型记作局部模型;步骤5:服务器收集所有客户端的局部模型,对所有局部模型进行聚合,得到新的全局模型;步骤6:重复步骤2至步骤5,直至满足停止条件,输出最优的全局模型。
全文数据:
权利要求:
百度查询: 河南大学 利用冻结模型层优化联邦学习模型方法
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。