公开(公告)号：CN116522184A

公开(公告)日：2023-08-01

申请号：CN202310321473.0

申请日：2023-03-29

Applicant: 北京交通大学

Inventor： 陈乃月 ,  蔡露鑫 ,  金兵伟 ,  李浥东 ,  孙永奇 ,  丁春涛

IPC: G06F18/2337 ,  G06F18/214 ,  G06N20/00 ,  H04L65/1066

Abstract: 本发明提供一种基于数据分布相似性模糊聚类的联邦学习方法及系统，属于联邦学习技术领域，广播所有集群模型；计算在各个集群模型的损失值，根据损失值，选择N个集群作为客户的关联集群，并且评估集群的重要性，其中N值为根据集群数量和客户数量事先确定好的一个参数；初始化客户端模型，进行本地训练；根据客户样本量和客户与集群的关联程度更新集群模型聚合权重，得到更新之后的集群模型。本发明通过将一个用户关联到多个集群，有效改善了由于多种数据混合分布的问题，可以让网络模型更好的收敛和泛化，并且拥有更优异的个性化能力。

公开(公告)号：CN119129705A

公开(公告)日：2024-12-13

申请号：CN202411119329.X

申请日：2024-08-15

Applicant: 北京交通大学

Inventor： 陈乃月 ,  金兵伟 ,  李心心 ,  孙永奇 ,  李浥东 ,  曹原周汉

IPC: G06N3/098 ,  G06F18/23213 ,  G06F9/50 ,  G06F9/54

Abstract: 本发明提供了一种基于集群层特征的聚类联邦学习方法。该方法包括：客户端选择最优的集群模型进行本地更新得到特征矩阵，将特征矩阵和集群模型上传至服务器；服务器根据接收到的特征矩阵对客户端进行聚类，将具有相似的数据分布的客户端划分到同一个集群模型中，并计算出全局模型；服务器利用全局模型计算出集群模型中每个层的重要性分数，每个集群模型保留前设定数量个重要性分数最高的层作为个性化层，将每个集群模型中除了个性化层之外的其余层根据重要性分数进行聚合，得到更新后的集群模型，并下发给每个客户端。本发明实现了基于集群层特征的聚类联邦学习系统，不仅提升了客户端的个性化能力，还可以优化和提升模型的性能。