申请/专利权人:湖南工商大学
申请日:2022-09-09
公开(公告)日:2023-01-24
公开(公告)号:CN115640852A
主分类号:G06N7/00
分类号:G06N7/00;G06N20/00;G06F21/62
优先权:
专利状态码:有效-授权
法律状态:2023.06.09#授权;2023.02.14#实质审查的生效;2023.01.24#公开
摘要:本发明公开了一种联邦学习参与节点选择优化方法、联邦学习方法及系统,本发明技术方案提出将车辆节点选择问题转换为部分马尔可夫决策过程,进而利用循环确定性策略梯度RDPG算法求解部分马尔可夫决策过程得到当前训练中参与的车辆节点。本发明通过所述节点选择优化方法,可以有效解决车联网场景下车辆等参与节点数目急剧增多的问题,此外,利用RDPG算法来寻找联邦学习中节点选择的最优解,提高联邦学习过程中全局聚合的效率与聚合质量。
主权项:1.一种基于RDPG的联邦学习参与节点选择优化方法,其特征在于:包括以下步骤:步骤S1:将车联网场景下利用联邦学习训练模型时的车辆节点选择问题表示为部分马尔可夫决策过程;其中,所述车辆节点选择问题是以使用联邦学习训练模型的最小化时间开销和最大化聚合模型质量为优化目标构建的,用于选择每次模型训练中参与的车辆节点;在所述部分马尔可夫决策过程中将所述优化目标转换为计算累计回报函数的最大值;步骤S2:依据当前车联网场景下的观察值、历史车联网场景下的观察值以及所述历史车联网场景下的车辆节点选择结果、回报值,采用循环确定性策略梯度RDPG求解部分马尔可夫决策过程得到当前模型训练中参与的车辆节点;其中,所述观察值表示车联网场景中被观察到的各车辆节点状态。
全文数据:
权利要求:
百度查询: 湖南工商大学 联邦学习参与节点选择优化方法、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。