申请/专利权人:清华大学
申请日:2024-03-18
公开(公告)日:2024-04-16
公开(公告)号:CN117892805A
主分类号:G06N3/098
分类号:G06N3/098;G06N3/084
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:本发明涉及机器学习技术领域,特别涉及一种基于超网络和层级别协作图聚合的个性化联邦学习方法,其中,方法包括:接收多个客户端的目标模型参数更新量和更新后的多个客户端目标模型参数,并对超网络中的目标超网络参数进行自适应更新,分层计算多个客户端的目标模型参数更新量得到初始相似性矩阵,并利用目标超网络参数显式建模多个客户端的协作关系,进而生成层级别协作图,将更新后的多个客户端的目标模型参数分层,并按对应层级别协作图边权重进行加权聚合,得到每个客户端的最优个性化模型。由此,有效缓解了基于个性化参数聚合的联邦学习方法在选择客户端进行协作时不够灵活的问题。
主权项:1.一种基于超网络和层级别协作图聚合的个性化联邦学习方法,其特征在于,包括以下步骤:接收多个客户端的目标模型参数更新量和更新后的多个客户端目标模型参数,其中,所述多个客户端包括当前客户端和至少一个其他客户端;利用所述目标模型参数更新量对超网络中的目标超网络参数进行自适应更新,分层计算所述多个客户端的目标模型参数更新量得到初始相似性矩阵,基于所述初始相似性矩阵,利用所述目标超网络参数显式建模当前客户端和至少一个其他客户端的协作关系,并对所述初始相似性矩阵调节后,生成所述当前客户端的层级别协作图,其中,所述分层计算所述多个客户端的目标模型参数更新量得到所述初始相似性矩阵,包括:对所述多个客户端目标模型参数更新量按层解耦并进行分组;计算所述当前客户端分别与每一个其他客户端的目标模型参数更新量的余弦相似性,得到所述当前客户端的初始相似性矩阵;以及将所述更新后的多个客户端目标模型参数分层,并按对应层级别协作图的边权重进行加权聚合,得到每个客户端的最优个性化模型。
全文数据:
权利要求:
百度查询: 清华大学 基于超网络和层级别协作图聚合的个性化联邦学习方法
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。