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！

摘要：本发明公开一种针对数据倾斜的快速高效联邦学习方法，提出了一种针对训练数据Non‑IID情况下的标签倾斜和特征倾斜问题的联邦模型框架，当训练数据集中存在较为严重的标签倾斜及特征倾斜问题时，会通过动态选择高质量的客户端参与训练以缓解标签分布倾斜问题，并在客户端本地模型中加入批量归一化BatchNormalization，BN层，以缓解特征倾斜问题，这大幅度的降低了数据异构性对模型性能的影响，有效提高模型收敛速度和精度，在保护数据隐私的同时也实现了模型个性化设计。

主权项：1.一种针对数据倾斜的快速高效联邦学习方法，其特征是，包括步骤如下：步骤1、每个客户端通过在卷积神经网络的每个卷积层和每个全连接层之后均增加一批量归一化层来构建本地改进卷积神经网络模型；步骤2、服务器计算每个客户端的本地数据集的本地标签集与联邦任务标签集的交集，如果该交集中的标签所对应的本地数据的条数大于目标模型所需的最小训练样本数量，则认为该交集所对应的客户端为相关客户端；步骤3、服务器从相关客户端中筛选出参与每轮联邦学习训练的相关客户端；在筛选参与首轮联邦学习训练的相关客户端时，服务器基于相关客户端的被选择概率选择被选择概率大的相关客户端作为参与首轮训练的相关客户端；在筛选参与非首轮联邦学习训练的相关客户端时，服务器基于相关客户端的参数向量偏差选择参数向量偏差大的相关客户端作为参与非首轮联邦学习训练的相关客户端；步骤4、每个客户端利用本地数据集对本地改进卷积神经网络模型进行训练，得到本轮本地模型参数向量；其中本轮本地模型参数向量包括本轮本地批量归一化层参数向量和本轮本地其他层即非批量归一化层参数向量；步骤5、参与本轮联邦学习训练的相关客户端将本轮本地非批量归一化层参数向量上传至服务器；服务器将所有参与本轮联邦学习训练的相关客户端上传的本轮本地非批量归一化层参数向量逐层进行全局平均聚合，形成本轮全局非批量归一化层参数向量，并返回给所有参与本轮联邦学习训练的相关客户端；步骤6、每个参与本轮联邦学习训练的相关客户端利用服务器所返回的本轮全局非批量归一化层参数向量和本地所保存的本轮本地批量归一化层参数向量更新本地改进卷积神经网络模型；步骤7、重复步骤3-6直到本轮全局非批量归一化层参数向量收敛至最优全局非批量归一化层参数向量；步骤8、服务器将最优全局非批量归一化层参数向量广播给所有客户端，客户端利用服务器所返回的最优全局非批量归一化层参数向量和本地所保存的最终轮的批量归一化层参数向量得到最终本地改进卷积神经网络模型；步骤9、客户端利用最终本地改进卷积神经网络模型对待分类图片进行分类。

全文数据：

权利要求：

百度查询： 广西师范大学 一种针对数据倾斜的快速高效联邦学习方法