申请/专利权人：南京邮电大学

申请日：2022-04-19

公开（公告）日：2024-07-05

公开（公告）号：CN114841366B

主分类号：G06N20/00

分类号：G06N20/00;G06V10/764;G06V10/70;H04W24/06

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.08.19#实质审查的生效;2022.08.02#公开

摘要：本发明公开了一种基于无线联邦学习的学习模型训练方法，该方法按以下步骤进行：1以任务发布者发出的奖励R和移动用户n的本地迭代精度εn作为变量，采用主从博弈法，确定最佳奖励和移动用户n的最佳本地精度值2系统根据所得奖励值和本地精度值初始化相关参数完成模型训练。本发明中任务发布者通过设定合理的奖励鼓励移动用户参与训练提升模型精度，同时移动用户能够根据自身的资源状态确定本地精度，最终实现任务发布者和移动用户最大化各自的效益。

主权项：1.一种基于无线联邦学习的学习模型训练方法，应用于图像识别模型，其特征在于，联邦学习系统包括一个任务发布者和一组移动用户，移动用户的集合表示为其中N为移动用户的总个数；n＝1,2,…,N；采用联邦学习对学习模型进行训练的方法包括如下步骤：步骤1：以任务发布者发出的奖励R和移动用户n的本地迭代精度εn作为变量，采用主从博弈法，确定最佳奖励和移动用户n的最佳本地精度值步骤2：根据得到的确定移动用户n的本地迭代次数以及全局迭代次数其中η为全局迭代精度，max表示取最大值，θn为常数系数，且θn＞0；步骤3：第一次全局迭代时任务发布者将学习模型的初始参数分发给每个移动用户，移动用户n基于本地数据集训练该学习模型，执行πn次本地迭代后，将训练后的模型参数上传至任务发布者，任务发布者对收到的所有的模型参数进行全局聚合；然后进行下一次全局迭代：任务发布者将上一次全局迭代聚合后的模型参数发送给移动用户移动用户n再次执行πn次本地迭代；当全局迭代次数达到δ次后，得到训练好的图像识别模型；所述步骤1中建立如下目标函数： s.t.0＜εn≤1其中，为移动用户n所得的效益，εm为移动用户m的本地迭代精度,β为移动用户为消耗单位能量的支出；代表移动用户n执行一次本地迭代耗费的能量，表示移动用户n参与一次全局迭代需要耗费的通信能量，和的表达式分别如下所示： α是移动用户的计算芯片组的有效电容参数，cn表示移动用户n使用单个数据样本执行本地模型训练需要的CPU周期数，Dn为移动用户n的本地数据集的大小，用fn表示移动用户n为本地模型训练贡献的计算资源；pn是移动用户n的发射功率，hn是任务发布者和移动用户n的信道增益，N0是背景噪声，σ表示用户n上传的学习模型的参数大小；通过求解上述目标函数，得到每次主从博弈时移动用户n的最佳本地精度的表达式： 其中建立每次主从博弈时最佳奖励R*的表达式： 其中，γ表示任务发布者根据训练完成后的单位模型准确度得到的收益，κ是常数系数；根据表达式R*以及主从博弈法，计算得到任务发布者最终的最佳奖励和移动用户最终的最佳本地迭代精度

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于无线联邦学习的学习模型训练方法

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