公开(公告)号：CN116017577A

公开(公告)日：2023-04-25

申请号：CN202310012159.4

申请日：2023-01-05

Applicant: 北京邮电大学

Inventor： 田辉 ,  倪万里 ,  刘珂妍 ,  聂高峰 ,  范绍帅 ,  张平

IPC: H04W28/08 ,  G06N20/00

Abstract: 本发明公开了一种基于下一代多址接入技术的无线联邦学习方法，通过集成集中式学习和联邦学习，使得计算能力较弱的设备也可以参与全局模型的训练，并部署能同时反射和折射的智能超表面动态改变信道环境，使得系统能够满足异构用户的不同任务需求，支持以通信为中心的CL用户和以计算为中心的FL用户在相同时频资源上并行传输数据，避免了数据资源的浪费，从而丰富了基站的数据获取，有助于提升全局模型准确度。同时本发明所提出的方法还融合了用户功率分配与STAR‑RIS配置联合优化策略以降低系统总上行传输功耗，延长了智能物联网网络的生命周期。

公开(公告)号：CN116306915A

公开(公告)日：2023-06-23

申请号：CN202310197549.3

申请日：2023-03-03

Applicant: 北京邮电大学

Inventor： 田辉 ,  刘珂妍 ,  郑景桁 ,  倪万里 ,  聂高峰

IPC: G06N3/098 ,  G06N3/082 ,  G06N20/00 ,  G06F9/50

Abstract: 本发明公开了一种面向大规模物联网协同智能的无线联邦学习方法，针对大规模物联网场景下设备计算能力异构的问题，通过整合集中式学习和联邦学习来形成统一架构，使得计算能力较弱的设备得以参与全局模型训练。一方面，本发明通过集中式学习用户的数据重要性来确定数据样本选择策略，可以降低数据上传的通信开销和传输时间；另一方面，本发明通过对联邦学习用户的模型进行剪枝，可以在保证学习性能的前提下有效减少本地计算时间。应用本发明提供的联邦学习方法，可以实现不同类型用户的数据样本选择、模型剪枝和用户调度，有助于提高无线网络资源利用率并缓解物联网资源受限问题。

公开(公告)号：CN119026006A

公开(公告)日：2024-11-26

申请号：CN202411085596.X

申请日：2024-08-08

Applicant: 北京邮电大学

Inventor： 田辉 ,  刘珂妍 ,  田洋 ,  聂高峰 ,  范绍帅

IPC: G06F18/2411 ,  G06F18/214 ,  G06F18/213

Abstract: 本发明涉及一种基于特征蒸馏和类原型的联邦类增量学习方法，该方法包括初始化训练阶段和增量学习阶段。在初始化训练阶段，即用户首次接收到任务时，系统利用交叉熵损失函数训练本地模型；当用户任务发生更新时，系统进入增量学习阶段，在初始化训练的基础上，加入保留旧知识的增量学习策略。该增量学习策略包括：针对本地特征提取器的特征蒸馏策略、针对本地分类器的原型增强策略、针对聚合后模型的微调策略以及针对类原型的更新策略。本发明在本地无需存储旧数据的情况下，通过让本地用户和服务器共同参与训练，有效缓解了联邦学习系统面对动态数据流时产生的灾难性遗忘，提升了模型对新旧数据的识别性能。