申请/专利权人:桂林电子科技大学;南宁桂电电子科技研究院有限公司
申请日:2024-02-05
公开(公告)日:2024-04-30
公开(公告)号:CN117952179A
主分类号:G06N3/082
分类号:G06N3/082;G06N3/084;G06N3/098
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.17#实质审查的生效;2024.04.30#公开
摘要:本发明公开了一种基于模型参数变化幅度的联邦学习模型压缩方法,所属技术领域为机器学习数据处理,包括:接收中央服务器分发的初始模型;对本地收集到的样本集合进行计算,获得样本梯度,并对样本梯度进行裁剪,获得裁剪后的梯度;通过随机梯度下降算法对初始模型和裁剪后的梯度进行模型更新,获得局部模型;对所述局部模型的参数进行处理,获得处理参数,基于所述处理参数构建稀疏化后的局部模型,添加稀疏的高斯噪声,并上传至中央服务器中聚合。本发明采用基于模型参数变化幅度的联邦学习模型压缩方法,通过减小客户端模型尺寸,降低计算成本和存储负担,提升联邦学习系统效率。
主权项:1.一种基于模型参数变化幅度的联邦学习模型压缩方法,其特征在于,包括以下步骤:接收中央服务器分发的初始模型;对本地收集到的样本集合进行计算,获得样本梯度,并对所述样本梯度进行裁剪,获得裁剪后的梯度;通过随机梯度下降算法对所述初始模型和所述裁剪后的梯度进行模型更新,获得局部模型;对所述局部模型的参数进行处理,获得处理参数,基于所述处理参数构建稀疏化后的局部模型;对所述稀疏化后的局部模型添加稀疏的高斯噪声,获得噪声稀疏模型;将所述噪声稀疏模型上传至所述中央服务器中聚合,完成模型压缩和更新。
全文数据:
权利要求:
百度查询: 桂林电子科技大学;南宁桂电电子科技研究院有限公司 一种基于模型参数变化幅度的联邦学习模型压缩方法
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。