申请/专利权人:西安交通大学
申请日:2023-11-29
公开(公告)日:2024-02-20
公开(公告)号:CN117579132A
主分类号:H04B7/185
分类号:H04B7/185;G06N3/092
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.03.08#实质审查的生效;2024.02.20#公开
摘要:稀疏低轨卫星网络中联邦学习服务器选择方法及相关装置,包括:服务器与所有用户进行多次多轮的联邦学习,向用户发送全局模型参数和下一个服务器信息,向下一服务器发送强化学习评论网络参数及经验缓存;当现服务器收集到所有用户的本地模型参数后,将当前掉队者时延的负数作为奖励,连同当前观测值和动作存入经验缓存,或者进行强化学习评论网络参数的更新;迭代至当强化学习网络完成收敛后,服务器将评论网络参数广播部署至所有备选服务器,各个服务器根据网络评论参数进行下一个服务器选择。相比于其他选择方案,接近于遍历的最优结果,模型收敛速率明显高于非遍历对比方案,降低了时延,提升了联邦学习的整体效率。
主权项:1.稀疏低轨卫星网络中联邦学习服务器选择方法,其特征在于,包括:稀疏低轨卫星网络中,服务器与所有用户进行多次多轮的联邦学习,向用户发送全局模型参数和下一个服务器信息,向下一服务器发送强化学习评论网络参数及经验缓存;当现服务器收集到所有用户的本地模型参数后,将当前掉队者时延的负数作为奖励,连同当前观测值和动作存入经验缓存,或者进行强化学习评论网络参数的更新;迭代至当强化学习网络完成收敛后,服务器将评论网络参数广播部署至所有备选服务器,各个服务器根据网络评论参数进行下一个服务器选择。
全文数据:
权利要求:
百度查询: 西安交通大学 稀疏低轨卫星网络中联邦学习服务器选择方法及相关装置
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。