申请/专利权人：苏州中桦科技有限公司

申请日：2022-05-20

公开（公告）日：2022-08-09

公开（公告）号：CN114880123A

主分类号：G06F9/50

分类号：G06F9/50;G06K9/62;G06N5/04;G16Y10/25;G16Y10/75;G16Y20/20;G16Y40/30;G16Y40/50

优先权：

专利状态码：失效-发明专利申请公布后的撤回

法律状态：2023.09.15#发明专利申请公布后的撤回;2022.08.26#实质审查的生效;2022.08.09#公开

摘要：本发明公开了一种工业物联网设备协同学习的联邦学习方法及系统，包括云服务器层、边缘计算中心层和终端设备层。云服务器负责全局模型的聚合，边缘计算中心负责本地模型的训练，数据始终不出边缘计算中心，保证了数据安全和隐私，在联邦学习训练过程中将连续多轮联邦学习训练中全局模型都未能正确推理的数据样本进行记录，认为这些样本由于数据分布的影响未能被全局模型所学习，因此特定的轮次中，会利用这些数据样本对本地模型进行训练微调后再上传云服务器进行全局模型的融合提高全局模型的鲁棒性和无偏性。当联邦学习训练结束后，在云服务器中对全局模型进行非线性参数量化，压缩模型所占用的存储空间，并在边缘计算中心对压缩后的模型进行微调后将模型部署到工业物联网终端设备中，模型的执行直接中终端中进行，可以降低成本、延迟，提高工业生产效率。

主权项：1.一种用于工业物联网通联控制的联邦学习方法，其特征在于，包括以下步骤：步骤S1：智能终端设备按照自组织技术进行区域组网，每个区域网内的智能终端设备经过不同的边缘计算中心可信认证后，上传本地数据到边缘计算中心；步骤S2：各个边缘计算中心收集所在区域网内的智能终端设备上传的本地数据，对数据进行预处理后生成本地数据集，创建一个空的列表P；步骤S3：设t＝0，云服务器随机生成联邦学习的初始全局模型参数将全局模型参数下发到各个边缘计算中心；步骤S4：各个边缘计算中心利用本地数据对本地模型进行训练，采用步骤S4-1至步骤S4-4所记载的四种子情况进行处理：步骤S4-1：若t＝0，各个边缘计算中心将接收到的全局模型参数载入本地模型中，利用本地数据集对本地模型进行局部训练，得到更新后的本地模型参数Wlt后，将本地模型参数Wkt上传到云服务器；步骤S4-2：若t％3＝1，各个边缘计算中心将列表P置空，将接收到的全局模型参数载入本地模型中，利用本地模型对所有本地数据执行一次模型推理，将分类错误或预测超过一定阈值的样本序号记录在列表P中，利用本地数据集对本地模型进行局部训练，得到更新后的本地模型参数Wlt后，将本地模型参数Wlt上传到云服务器；步骤S4-3：若t％3＝2，各个边缘计算中心将接收到的全局模型参数载入本地模型中，利用本地模型对列表P中记录的本地数据执行一次模型推理，将分类正确或预测没有超过一定阈值的样本序号记录从列表P中移除，利用本地数据集对本地模型进行局部训练，得到更新后的本地模型参数Wlt后，将本地模型参数Wlt上传到云服务器；步骤S4-4：若t％3＝0，且t≠0，各个边缘计算中心将接收到的全局模型参数载入本地模型中，利用本地模型对列表P中记录的本地数据执行一次模型推理，将分类正确或预测没有超过一定阈值的样本序号记录从列表P中移除，利用本地数据集对本地模型进行局部训练，接着利用列表P中记录的数据对本地模型进行微调，得到更新后的本地模型参数Wlt后，将本地模型参数Wlt上传到云服务器；步骤S5：云服务器接收各个边缘计算中心上传的本地模型参数Wlt，根据模型聚合算法进行模型聚合，获得第t+1轮联邦学习的全局模型参数并将此时的全局模型下发到各个边缘计算中心；步骤S6：重复以上步骤S4至步骤S5，直至全局模型收敛，得到最终全局模型参数W；步骤S7：云服务器利用参数量化的方法对全局模型参数W进行压缩，得到压缩后的全局模型云服务器下发模型到各个边缘计算中心；步骤S8：各个边缘计算中心接收全局模型利用本地数据对全局模型进行一到两轮的局部训练，以实现对全局模型的微调后，将模型部署到智能终端设备上。

全文数据：

权利要求：

百度查询： 苏州中桦科技有限公司 一种用于工业物联网通联控制的联邦学习方法及系统

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