申请/专利权人：浪潮电子信息产业股份有限公司

申请日：2024-02-29

公开（公告）日：2024-04-02

公开（公告）号：CN117808125A

主分类号：G06N20/00

分类号：G06N20/00;G06N3/098;G06N3/084;G06N5/04;G06V10/764;G06V10/82;G06Q10/04

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了一种模型聚合方法、装置、设备、联邦学习系统及存储介质，属于边缘计算领域，用于对边缘计算设备中待聚合的模型参数进行筛选，解决了不重要的模型参数传输影响模型训练效率以及模型精度的问题。分别确定本地网络模型的各个模型参数对于本地网络模型性能的第一影响程度以及各个骨干网络层对于本地网络模型性能的第二影响程度，结合第一、第二影响程度对模型参数进行筛选，可剔除对本地网络模型性能影响较小的模型参数，不但降低了数据传输成本，提升了数据传输效率，而且避免了重要程度较低的模型参数对模型精度的影响，使中心服务器在工业设备故障预测、网络安全问题识别与图片分类时发挥最优的效果。

主权项：1.一种异构分布式计算的模型聚合方法，应用于联邦学习系统中的边缘计算设备，其特征在于，包括：在利用中心服务器发送的全局网络模型对所述边缘计算设备的本地网络模型进行更新后，利用本地数据集对所述本地网络模型进行迭代训练；确定所述本地网络模型的各个模型参数对于所述本地网络模型的性能的第一影响程度；确定所述本地网络模型的各个骨干网络层对于所述本地网络模型的性能的第二影响程度；结合所述第一影响程度与所述第二影响程度，进行模型参数的筛选；将筛选后的模型参数在所述联邦学习系统内进行传输，以便进行邻域间聚合、簇网络模型以及全局网络模型的多层级聚合，所述中心服务器通过所述全局网络模型执行预设任务；其中，所述预设任务包括预测工业设备的故障、识别网络安全问题以及对图片进行分类中的任一种。

全文数据：

权利要求：

百度查询： 浪潮电子信息产业股份有限公司 模型聚合方法、装置、设备、联邦学习系统及存储介质

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