申请/专利权人:广东工业大学
申请日:2024-02-04
公开(公告)日:2024-06-21
公开(公告)号:CN117875454B
主分类号:G06N20/00
分类号:G06N20/00;G06F18/214;G06F18/23213
优先权:
专利状态码:有效-授权
法律状态:2024.06.21#授权;2024.04.30#实质审查的生效;2024.04.12#公开
摘要:本发明提供一种基于多级智联的数据异构性联邦学习方法及存储介质,该方法的核心步骤包括动态聚类和级联优化过程,一方面,各客户端根据模型最新的梯度更新信息实时动态聚类,通过簇内模型整合减少在整合过程中模型性能过度波动;各客户端将模型最新的梯度更新信息传递给服务器后,服务器根据梯度更新信息进行实时动态聚类划分,实现逻辑分组,可有效避免因客户端模型更新而导致聚类效果不佳的问题;另一方面,结合动态聚类划分的结果,使客户端进行组内串行训练、组间并行训练,最后通过分组的代理客户端将模型上传至服务器进行全局聚合;该级联优化方式能够实现在数据异构情形下模型精度和训练时间的权衡。
主权项:1.一种基于多级智联的数据异构性联邦学习方法,其特征在于,包括以下步骤:S1:选取服务器和若干个客户端,服务器构建全局模型;S2:服务器将全局模型发送至每个客户端,每个客户端将接收到的全局模型作为本地模型,并分别利用其本地预设的异构数据对本地模型进行更新训练,获取每个客户端本地模型的梯度更新信息;S3:将每个客户端本地模型的梯度更新信息发送至服务器,服务器利用预设的聚类算法对所有客户端进行聚类划分,将所有客户端划分为若干个逻辑组别,并为每个逻辑组别选取对应的代理客户端,获取动态聚类划分结果;S4:服务器将动态聚类划分结果发送至每个客户端,对所有客户端中更新训练后的本地模型进行级联优化训练,每个客户端分别对应获取级联优化后的本地模型;所述级联优化训练包括:对于同一逻辑组别的客户端,进行组内串行训练,对于不同逻辑组别的客户端,进行组间并行训练;S5:将每个代理客户端级联优化后的本地模型上传至服务器,服务器对接收到的所有级联优化后的本地模型进行聚合,获取新的全局模型;S6:重复步骤S2~S5,直至新的全局模型达到预设的停止条件,完成服务器和客户端的数据异构性联邦学习。
全文数据:
权利要求:
百度查询: 广东工业大学 一种基于多级智联的数据异构性联邦学习方法及存储介质
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。