申请/专利权人：同济大学

申请日：2023-11-27

公开（公告）日：2024-04-09

公开（公告）号：CN117852666A

主分类号：G06N20/00

分类号：G06N20/00;G06F18/214

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明属于人工智能联邦学习领域，尤其涉及联邦学习中的数据异质性问题。提供了一种缓解数据异质性的联邦机器学习聚合方法，该方法综合当前和历史的参数情况，计算出减少异质性数据干扰的全局参数值。在联邦学习的每轮迭代训练后，中心服务器根据接收到的用户本地模型参数，使用影响力系数来综合当前梯度节点聚合策略和历史梯度聚合策略，进行聚合，从而得到新的全局参数。服务器将新的全局参数下发给所有用户，每个用户根据接收到的中心模型参数进行下一轮的模型参数训练。相比于传统的聚合方法，该方法可显著降低数据异质性导致的模型参数误差。

主权项：1.一种缓解数据异质性的联邦机器学习聚合方法，其特征在于，该方法包括如下步骤：步骤1：每轮训练时，参训用户根据接收到的中心服务器发送的全局参数w_globr，利用机器学习算法训练和更新本地模型，并将本地模型参数上传给中心服务器；其中，r为训练轮次，i为参训用户序号；步骤2：中心服务器根据接收到的用户本地模型参数，引入影响力系数综合当前梯度节点聚合策略和历史梯度聚合策略，并聚合所有上传的本地模型参数，从而得到新的全局参数w_globr+1；步骤3：中心服务器将新的全局参数w_globr+1下发给所有用户，每个用户根据接收到的中心模型参数进行下一轮的模型参数训练。

全文数据：

权利要求：

百度查询： 同济大学 一种缓解数据异质性的联邦机器学习聚合方法

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。

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