申请/专利权人:河北工业大学
申请日:2024-01-29
公开(公告)日:2024-04-26
公开(公告)号:CN117933422A
主分类号:G06N20/00
分类号:G06N20/00;G06N3/098;G06N3/0464;G06F17/10
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.14#实质审查的生效;2024.04.26#公开
摘要:本发明公开了一种基于贡献收益协同平衡的公平联邦学习方法,包括下述步骤:S1.构建包含联邦双贡献评估模块与联邦贡献收益平衡算法的联邦学习框架;S2.采用狄利克雷方法划分成非独立同分布数据;S3.在联邦双贡献评估模块中通过客户端的数据数量和数据质量计算数据贡献值,根据模型损失计算模型贡献值,并加入时间权重得到最终贡献值;S4.构建双层损失函数,训练客户端的个性化模型,分别计算个性化模型与全局模型的相对熵,并视为收益值;S5.根据客户端的贡献值和收益值调整聚合权重,更新后的全局模型进入下一轮训练。
主权项:1.一种基于贡献收益协同平衡的公平联邦学习方法,保证客户端的贡献值与收益值协同平衡,其特征在于:包括下述步骤:S1:构建包含联邦双贡献评估模块与联邦贡献收益平衡算法的联邦学习框架;S2:采用狄利克雷方法划分成非独立同分布数据;S3:采用熵权法计算客户端的数据质量,再根据模型损失计算模型贡献值,并加入时间权重得到最终贡献值;S4:构建双层损失函数,训练客户端的个性化模型,分别计算个性化模型与全局模型的相对熵,并视为收益值;S5:根据客户端的贡献值和收益值调整聚合权重,更新后的全局模型进入下一轮训练。
全文数据:
权利要求:
百度查询: 河北工业大学 一种基于贡献收益协同平衡的公平联邦学习方法
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。