买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海浙江大学高等研究院;浙江大学

摘要：本发明公开了一种基于反事实表征学习的端云协同计算方法及系统，该方法主要针对端云协同环境下数据异质性导致的辛普森悖论问题，本方法通过识别和替换端侧本地图像数据的关键特征，生成反事实正负样本进行对比学习，以逼近全局数据分布，减轻端侧图像分类模型与全局模型间的偏差；为确保特征独立可控，引入因子去相关损失约束特征间相关性本发明的方法提供了一种有效应对数据异质性、缓解辛普森悖论、实现端向云去偏汇聚的联邦学习，在非IID与IID数据分布下有效地提高了全局模型的性能。

主权项：1.一种基于反事实表征学习的端云协同模型聚合方法，其特征在于，包括以下步骤：S1.在云侧对全局模型的权重参数进行初始化，得到全局模型的原始权重参数，云侧将全局模型的原始权重参数发送至端侧的所有客户端，在端侧的所有客户端中选择预设数量的客户端构成客户端集合，客户端集合中的每个客户端均部署了一个图像分类模型，端侧将全局模型的原始权重参数作为图像分类模型的原始权重参数，端侧的每个客户端利用各自对应的本地图像数据集计算分类损失，端侧的客户端基于最小化所述分类损失更新各自的图像分类模型的原始权重参数，得到初始的图像分类模型权重参数，端侧的每个客户端利用各自对应的本地图像数据集计算各个客户端的本地图像平均数据，将端侧各个客户端计算好的本地图像平均数据以及初始的图像分类模型权重参数发送至云侧，云侧更新全局模型的原始权重参数，得到初始的全局模型权重参数，云侧由各个客户端计算好的本地图像平均数据计算全局图像平均数据并作为初始的全局图像平均数据；其中，所述图像分类模型包含一个编码器和一个解码器；S2.云侧将初始的全局模型权重参数以及初始的全局图像平均数据发送至端侧的所有客户端，采用端云协同的方式不断迭代以更新全局模型的权重参数并生成新的全局图像平均数据，直至达到预设最大的迭代轮次，云侧得到最终更新好的全局模型的权重参数并将其发送至端侧的图像分类模型，端侧将最终更新好的全局模型的权重参数作为图像分类模型的权重参数，得到训练好的图像分类模型；S3.将待分类的图像输入到训练好的图像分类模型，得到图像的分类结果。

全文数据：

权利要求：

百度查询： 上海浙江大学高等研究院 浙江大学 基于反事实表征学习的端云协同计算方法及系统