申请/专利权人：东北大学

申请日：2024-04-30

公开（公告）日：2024-07-05

公开（公告）号：CN118297187A

主分类号：G06N20/00

分类号：G06N20/00;G06F18/214;G06F18/22;G06F17/16;G06N3/04

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种面向异质数据的梯度聚合联邦学习方法，包括：步骤S1，各Client端使用本地私有数据集训练同构神经网络vgg8，计算共享参数梯度，将共享参数梯度上传至对应的边缘节点；步骤S2，挑选满足梯度要求的每个边缘节点，参与Server端的聚合；步骤S3，Server端采用小样本种子数据集训练历史共享参数梯度；步骤S4，Server端接收来自Client端边缘节点的共享参数梯度，通过vgg8进行新一轮的共享参数梯度训练；步骤S5，当Server端与Client端进行第t轮交互时，Server端训练1个批次的样本；步骤S6，每个样本均会对同一个共享参数求解出一个梯度；步骤S7，通过分析Server端与Client端共享参数梯度之间的空间分布关系，得到参考优化方向尽量一致的梯度。实现Server端与Client端之间梯度的高效聚合。

主权项：1.一种面向异质数据的梯度聚合联邦学习方法，其特征在于，包括：步骤S1，各Client端使用本地私有数据集训练内置的同构神经网络vgg8，同时计算共享参数梯度，将共享参数梯度上传至Server端；步骤S2，挑选满足梯度要求的每个边缘节点，参与Server端的聚合；步骤S3，Server端采用小样本种子数据集训练历史共享参数梯度；步骤S4，当Server端接收来自Client端边缘节点的共享参数梯度集合，通过同构神经网络vgg8进行新一轮的共享参数梯度训练；步骤S5，当Server端与Client端进行第t轮交互时，Server端训练1个批次的样本；步骤S6，每个样本均会对同一个共享参数求解出一个梯度，并用均值表示当前时刻共享参数的梯度，Server端并保存每个时刻的共享参数梯度；步骤S7，通过基于余弦的向量分布差异矩阵分析Server端与Client端共享参数梯度之间的空间分布关系，得到参考优化方向尽量一致的梯度。

全文数据：

权利要求：

百度查询： 东北大学 一种面向异质数据的梯度聚合联邦学习方法

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