-
公开(公告)号:CN119849661A
公开(公告)日:2025-04-18
申请号:CN202411912172.6
申请日:2024-12-24
Applicant: 三峡大学
IPC: G06N20/00 , G06Q30/08 , G06Q10/04 , G06Q30/0211
Abstract: 本发明公开了一种激励驱动和模型压缩成本感知的联邦学习方法及系统,该方法包括:获取客户端参加联邦学习的总时延和总能耗;根据反向拍卖法,通过所述总时延和总能耗得到所述客户端需要的奖励和全局损失约束并确定优化目标,以建立优化目标函数;确定所述优化目标函数的最优策略,所述最优策略包括客户端选择决策,本地训练轮次和模型压缩率设置决策,并基于VCG支付机制确定客户端的奖励。本方法不仅考虑了异构、资源有限和动态的移动边缘网络中客户端选择,本地训练轮次和模型压缩率设置,以及个体理性的特性,同时也考虑了本地模型训练的时延阈值与全局模型的精度约束,联合优化了联邦学习中的客户端选择。