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：河南大学
申请日：2024-04-20
公开（公告）日：2024-07-05
公开（公告）号：CN118297185A
主分类号：G06N20/00
分类号：G06N20/00;G06F18/23
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：本发明提供一种基于层次聚类和自适应权重学习的个性化联邦学习方。该方法包括：服务器初始化全局模型并发送给参与训练的客户端；客户端接收到全局模型之后，利用本地数据对全局模型进行训练，得到客户端模型并发送给服务器；服务器利用预设公共数据集和所有客户端模型对所有客户端进行层次聚类，得到多个集群；服务器在每个集群内进行自适应权重学习以得到每个客户端模型对应的最优权重，并根据最优权重对所述集群内的所有客户端模型进行加权聚合得到对应的集群模型；服务器将各集群模型发送给参与训练的客户端；客户端根据本地数据从所有集群模型中找到一个损失最小的集群模型作为自身的初始模型，基于所述初始模型进行迭代训练。
主权项：1.基于层次聚类和自适应权重学习的个性化联邦学习方法，其特征在于，包括：步骤1：服务器初始化全局模型并发送给参与训练的客户端；步骤2：客户端接收到全局模型之后，利用本地数据对所述全局模型进行训练，得到客户端模型并发送给服务器；步骤3：服务器利用预设公共数据集和所有客户端模型对所有客户端进行层次聚类，以将具有相似数据分布的客户端划分到同一个集群中；其中，所述预设公共数据集包含所有类别标签的数据，每个数据唯一对应一个类别标签；步骤4：服务器在每个集群内进行自适应权重学习以得到每个客户端模型对应的最优权重，并根据最优权重对所述集群内的所有客户端模型进行加权聚合得到对应的集群模型；步骤5：服务器将各集群模型发送给参与训练的客户端；步骤6：客户端根据本地数据从所有集群模型中找到一个损失最小的集群模型作为自身的初始模型，基于所述初始模型进行迭代训练。
全文数据：
权利要求：
百度查询： 河南大学 基于层次聚类和自适应权重学习的个性化联邦学习方法
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。
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