申请/专利权人:杭州电子科技大学
申请日:2023-02-27
公开(公告)日:2023-05-26
公开(公告)号:CN116167456A
主分类号:G06N20/00
分类号:G06N20/00;G06F18/24
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.06.13#实质审查的生效;2023.05.26#公开
摘要:本发明公开了一种基于编码对比和分类矫正的联邦学习方法,用于提高数据异构环境中联邦学习全局模型的精度。本发明首先将模型划分为编码器与分类器,利用编码器提取数据特征并分析全局特征与客户端特征之间的分布差异;然后,针对特征分布差异,构建原型对比损失用以对齐异构客户端编码器的特征映射,同时提高全局编码器特征映射的区分度,降低分类器的决策难度;最后,基于一致且高区分度的特征映射,计算客户端特征的统计信息用于无偏估计全局特征的统计信息,根据全局特征的统计信息生成仿真特征,并使用仿真特征重训练全局分类器的模型参数,提高全局模型分类精度。
主权项:1.一种基于编码对比和分类矫正的联邦学习方法,其特征在于,所述方法包括以下步骤:步骤1划分深度学习模型为编码器和分类器两部分,使用编码器提取数据特征,并分析数据异构环境中全局特征与客户端特征之间的分布差异;步骤2针对特征分布差异,使用全局原型和客户端特征构建原型对比损失,并结合原有分类损失进行客户端模型训练,对齐异构客户端编码器的特征映射,同时提高全局编码器特征映射的区分度;步骤3使用全局编码器提取客户端特征并计算其统计信息,聚合客户端特征的统计信息无偏估计出全局特征的统计信息以生成类别均衡的仿真特征,服务器利用仿真特征重训练全局分类器的模型参数,提高全局模型的分类精度。
全文数据:
权利要求:
百度查询: 杭州电子科技大学 一种基于编码对比和分类矫正的联邦学习方法
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。