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。

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