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：清华大学深圳国际研究生院
申请日：2024-04-07
公开（公告）日：2024-06-28
公开（公告）号：CN118261238A
主分类号：G06N3/098
分类号：G06N3/098;G06N3/0495
优先权：
专利状态码：在审-公开
法律状态：2024.06.28#公开
摘要：本发明提出了一种数据量感知或步长感知的自适应绝对梯度压缩器，使用该自适应绝对梯度压缩器进行联邦学习模型训练的方法，以及在联邦学习环境中减少通信开销和计算开销的系统。本发明根据本地的数据量和训练阶段动态调整压缩策略，具体体现为更细粒度的计算各工作节点的压缩阈值。相比于现有的硬阈值稀疏化器和Top‑k压缩器，采用本发明设计的压缩器进行联邦学习，不仅训练的模型精度更高，而且所需的通讯量更少。而且，本发明计算开销极低，本发明的时间复杂度为Ωd，面对张量并行时不会引入额外通讯开销，只需要线性时间即可完成梯度随数据量和时间的自适应压缩，在面对超大规模参数模型时，计算成本较Top‑k降低近千倍。
主权项：1.一种数据量感知的自适应绝对梯度压缩器，用于在联邦学习环境中优化模型训练过程中的通信效率和模型精度，其特征在于，包括：数据量评估模块，用于评估每个计算节点的数据量；阈值确定模块，根据评估得到的数据量和预设的压缩率，确定每个计算节点的压缩阈值λ；梯度压缩模块，用于根据确定的阈值λ对每个计算节点的梯度进行压缩，仅传输绝对值高于阈值λ的梯度信息；动态调整模块，用于在训练过程中根据每个计算节点的数据量变化动态调整阈值λ；所述动态调整模块在训练的不同阶段根据每个计算节点的数据量特征自动调整压缩策略，以实现在减少通信开销的同时维持模型的准确性。
全文数据：
权利要求：
百度查询： 清华大学深圳国际研究生院 基于联邦学习的自适应绝对梯度压缩器、训练方法及系统
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