申请/专利权人:东北大学
申请日:2024-03-14
公开(公告)日:2024-04-16
公开(公告)号:CN117892154A
主分类号:G06F18/23
分类号:G06F18/23;G06F18/22;G06N3/048
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.03#实质审查的生效;2024.04.16#公开
摘要:本发明属于联邦学习场景下的个性化技术领域,公开了一种个性化联邦场景下基于数据分布相似性的聚类方法。不同用户数据在相同模型下的softmax输出均值近似表示用户的真实数据分布,计算Wasserstein距离得到真实数据分布之间的相似性。采用改进的两阶段的层次聚类的方法做聚类,确定簇结构。最后,各个用户分别在自己的簇内做联邦平均,各自更新每个簇的簇头模型,直到簇头模型收敛。本发明减少中央服务器在执行聚类算法时的计算开销,提升了确定最优簇结构的效率,增强了聚类算法的鲁棒性,有效解决了聚类联邦学习训练效率低的问题。对于真实的联邦环境具有相当的适用价值。
主权项:1.一种个性化联邦场景下基于数据分布相似性的聚类方法,其特征在于,包括步骤如下:第一步,初始化用户模型;步骤1-1、所有用户模型初始化;步骤1-2、所有用户根据用户数据采用梯度下降算法更新用户模型参数;步骤1-3、中央服务器加权聚合用户模型得到全局模型,并同步给用户;步骤1-4、重复步骤1-2、步骤1-3共个全局训练轮次,得到预训练模型;第二步,用户根据第一步得到的预训练模型和用户数据计算聚类度量指标;计算得到的聚类度量指标上传到中央服务器;第三步,中央服务器利用用户上传的聚类度量指标对用户分簇;步骤3-1、中央服务器根据聚类度量指标计算用户之间的邻接矩阵、度矩阵和拉普拉斯矩阵;步骤3-2、中央服务器采用谱聚类做预聚类,得到多个簇;步骤3-3、中央服务器计算各个簇的簇内权重和每两个簇之间的簇间权重;步骤3-4、中央服务器对簇结构进行调整,确定最终的簇结构;第四步,用户根据确定好的簇结构,在对应的簇内执行联邦平均算法,更新各自的簇头模型,直到簇头模型收敛;收敛的簇头模型作为最终的用户模型。
全文数据:
权利要求:
百度查询: 东北大学 一种个性化联邦场景下基于数据分布相似性的聚类方法
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。