申请/专利权人:西北工业大学
申请日:2023-08-22
公开(公告)日:2023-12-08
公开(公告)号:CN117195019A
主分类号:G06F18/23211
分类号:G06F18/23211;G06N3/098;G06N3/084;H04W4/40;H04W84/18
优先权:["20230207 CN 2023100703773"]
专利状态码:在审-公开
法律状态:2023.12.08#公开
摘要:本发明公开了一种面向VANET的轻量级联邦学习框架优化方法,涉及人工智能技术领域,包括以下步骤:采用动态聚类分簇方法,将车辆集合划分成多个聚类簇;利用分布式共识算法为每个聚类簇选举中心节点,在多个中心节点之间选举全局中心节点;利用混合联邦学习的方法,将多个聚类簇中的非敏感数据收集至全局中心节点,进行初始全局模型预训练产生初始全局模型;将初始全局模型发送到某一聚类簇中心节点,并指定簇间迭代训练的顺序;每个聚类簇依据初始全局模型进行本地训练,完成簇内模型以及簇间全局模型的迭代训练。本发明解决了现有的面向VANET的联邦学习框架依赖云端联邦模型聚合模式,存在通信开销大、联邦模型收敛效率低等问题。
主权项:1.一种面向VANET的轻量级联邦学习框架优化方法,其特征在于,包括以下步骤:采用动态聚类分簇方法,将VANET应用场景中参与的车辆集合划分成多个聚类簇;利用分布式共识算法为每个聚类簇选举中心节点;利用分布式共识算法在多个中心节点之间选举全局中心节点;利用混合联邦学习的方法,将多个聚类簇中的非敏感数据收集至全局中心节点,进行初始全局模型预训练,并产生初始全局模型;全局中心节点将初始全局模型发送到某一聚类簇中心节点,并指定簇间迭代训练的顺序;每个聚类簇根据初始全局模型进行本地训练,多个聚类簇按照指定顺序依次进行簇间迭代训练,完成簇内模型以及簇间全局模型的迭代训练,得到经迭代加权聚合的全局模型;全局模型依次经过多个中心节点被分发至全部参与车辆,参与车辆利用全局模型执行智能决策任务。
全文数据:
权利要求:
百度查询: 西北工业大学 一种面向VANET的轻量级联邦学习框架优化方法
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。