申请/专利权人:中国人民解放军总医院
申请日:2023-08-16
公开(公告)日:2024-04-30
公开(公告)号:CN117216596B
主分类号:G06F18/23
分类号:G06F18/23;G06F18/214;G06N3/0464;G06N3/044;G06N3/098
优先权:
专利状态码:有效-授权
法律状态:2024.04.30#授权;2023.12.29#实质审查的生效;2023.12.12#公开
摘要:本发明提供一种基于梯度聚类的联邦学习优化通信方法、系统及存储介质,该方法包括如下步骤:接收服务端所发送的初始学习模型和聚合梯度;结合所述聚合梯度和预设的本地数据集对所述初始学习模型进行本地训练,得到本地训练模型,并计算得到所述本地训练的梯度参数;基于所述本地训练模型并通过微分稀疏正则化器归纳出所述梯度参数的类簇结构,得到压缩梯度参数;将所述压缩梯度参数传输至所述服务端。本发明具有优化联邦学习通信且不容易影响模型精度的效果。
主权项:1.一种基于梯度聚类的联邦学习优化通信方法,其特征在于,包括如下步骤:接收服务端所发送的初始学习模型和聚合梯度;结合所述聚合梯度和预设的本地数据集对所述初始学习模型进行本地训练,得到本地训练模型,并计算得到所述本地训练的梯度参数;结合所述初始学习模型、所述本地训练模型和所述梯度参数计算得到通信参数,所述通信参数计算过程中包含约束参数;所述通信参数的计算公式如下: 式中:υ表示所述通信参数,表示所述梯度参数,y表示所述初始学习模型,Λ表示满秩矩阵,表示所述本地训练模型,ηt表示学习率,Υ表示调节因子,t表示训练轮次,r表示所述约束参数;结合所述通信参数和所述本地训练模型计算微分稀疏正则化器,并生成所述约束参数的等式约束条件,所述等式约束条件为所述微分稀疏正则化器的计算公式如下: 式中:表示所述微分稀疏正则化器;基于所述等式约束条件生成所述通信参数的增广拉格朗日函数;利用交替方向乘子法对所述增广拉格朗日函数中的参数进行更新迭代,并最终得到所述等式约束条件的求解结果;根据所述求解结果归纳出所述梯度参数的类簇结构,得到压缩梯度参数;将所述压缩梯度参数传输至所述服务端。
全文数据:
权利要求:
百度查询: 中国人民解放军总医院 基于梯度聚类的联邦学习优化通信方法、系统及存储介质
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。