龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：武汉大学
申请日：2024-05-21
公开（公告）日：2024-06-18
公开（公告）号：CN118211680A
主分类号：G06N20/00
分类号：G06N20/00;G06V10/82
优先权：
专利状态码：在审-公开
法律状态：2024.06.18#公开
摘要：本发明公开了一种克服领域差异的公平联邦学习方法、系统及设备，首先进行本地模型更新；然后计算本地模型的每一个参数的梯度一致性程度，其中，梯度一致性表示当前轮次梯度正负与客户端历史更新梯度正负的一致性比例；接着基于参数的梯度一致性来判定参数的重要性，选择保留重要参数，忽略不重要参数；计算无偏的本地模型聚合权重；最后基于参数的重要性及无偏的本地模型聚合权重，进行本地模型聚合。本发明是一种既能有效应对领域差异带来的挑战，又能增强整体性能和公平性的联邦学习方法。
主权项：1.一种克服领域差异的公平联邦学习方法，其特征在于，包括以下步骤：步骤1：本地模型更新；在第t轮，客户端m使用其私有图像数据集Dm训练本轮初始获得的全局模型，从而获得本地模型wmt；其中，，Nm代表客户端m的数据大小，1≤m≤M，M为客户端总数；Dm表示私有图像数据集，总共有Nm个图像数据，xi表示第i个图像数据，yi表示xi这个图像对应的标签；步骤2：计算本地模型的每一个参数的梯度一致性程度，其中，梯度一致性表示当前轮次梯度正负与客户端历史更新梯度正负的一致性比例；步骤3：基于参数的梯度一致性来判定参数的重要性，选择保留重要参数，忽略不重要参数；步骤4：计算聚合得到无偏的全局模型时每个本地模型被分配的聚合权重；步骤5：基于参数的重要性及无偏的本地模型的聚合权重，进行本地模型聚合。
全文数据：
权利要求：
百度查询： 武汉大学 一种克服领域差异的公平联邦学习方法、系统及设备
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号