申请/专利权人：复旦大学

申请日：2023-12-13

公开（公告）日：2024-04-12

公开（公告）号：CN117875445A

主分类号：G06N20/00

分类号：G06N20/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明提供了一种基于开源数据引导的联邦学习方法及系统，具有这样的特征，包括以下步骤：步骤S1服务端构建全局模型发送至各个客户端；步骤S2客户端根据本地数据和全局模型得到的优化模型和训练损失；步骤S3将优化模型和训练损失发送至服务端；步骤S4至步骤S8服务端根据优化模型、训练损失和开源数据得到优化全局模型；步骤S9服务端将优化全局模型作为下一联邦迭代轮次的全局模型发送至各个客户端；步骤S10重复步骤S2至步骤S9对全局模型进行迭代，直至达到目标，则各客户端得到训练好的模型。总之，本方法能够更快地完成对联邦学习模型训练的收敛，得到效果更好的联邦学习模型。

主权项：1.一种基于开源数据引导的联邦学习方法，其特征在于，包括以下步骤：步骤S1，服务端构建初始化全局模型作为全局模型发送至各个客户端；步骤S2，每个客户端根据对应的本地数据对当前联邦迭代轮次的所述全局模型进行多轮迭代优化，得到对应的优化模型和训练损失；步骤S3，各个客户端将对应的所述优化模型和所述训练损失发送至所述服务端；步骤S4，所述服务端对所有所述优化模型进行加权求和得到聚合模型，对所有所述训练损失进行加权求和得到聚合损失；步骤S5，所述服务端根据所述聚合损失和当前联邦迭代轮次计算得到辅助损失；步骤S6，所述服务端根据开源数据更换所述聚合模型的分类层，得到辅助模型；步骤S7，所述服务端根据所述开源数据对所述辅助模型进行训练，直至所述辅助模型的损失计算结果达到所述辅助损失，则得到训练好的所述辅助模型；步骤S8，所述服务端将训练好的所述辅助模型的分类层还原为所述聚合模型的分类层，得到优化全局模型；步骤S9，所述服务端将所述优化全局模型作为下一联邦迭代轮次的所述全局模型，并将其发送至各个所述客户端；步骤S10，重复所述步骤S2至所述步骤S9对所述全局模型进行多轮联邦迭代，直至达到联邦学习优化目标，则各个所述客户端得到训练好的所述全局模型。

全文数据：

权利要求：

百度查询： 复旦大学 基于开源数据引导的联邦学习方法及系统

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