公开(公告)号：CN116306801A

公开(公告)日：2023-06-23

申请号：CN202211567134.2

申请日：2022-12-07

Applicant: 北京邮电大学

Inventor： 滕颖蕾 ,  王楠 ,  满毅 ,  滕俊杰 ,  张勇 ,  王振 ,  胡刚 ,  马仕君 ,  张新阳 ,  孙博雅

IPC: G06N3/0464 ,  G06F9/50 ,  G06F9/48 ,  G06F9/54 ,  G06N3/084 ,  G06N3/08

Abstract: 本发明提供一种基于重要性的数据采集存储方法、装置、设备及介质，基于重要性的数据采集存储方法应用于包括边缘服务器、边缘设备以及中央处理器的边缘计算系统；该方法包括：确定待训练的卷积神经网络模型对应的损失函数，基于小批量随机梯度下降算法和所述损失函数，更新所述卷积神经网络模型；根据所述损失函数、边缘服务器的属性信息以及边缘设备的属性信息，确定数据上传信息和缓存队列信息；基于所述数据上传信息和所述缓存队列信息，确定随机优化问题；基于所述随机优化问题，确定长期优化策略和短期优化策略，基于所述长期优化策略和所述短期优化策略进行数据采集存储。本发明实现了算法性能的提升，降低了网络资源损耗。

公开(公告)号：CN119312947A

公开(公告)日：2025-01-14

申请号：CN202411728336.X

申请日：2024-11-28

Applicant: 北京邮电大学

Inventor： 滕颖蕾 ,  满毅 ,  张勇 ,  胡刚 ,  孙昀瑞 ,  滕俊杰 ,  孙博雅 ,  孙家辰 ,  闫富航 ,  于欣雨

IPC: G06N20/20 ,  G06N3/006

Abstract: 本发明公开一种基于异构系统的分割联邦学习模型训练方法，该系统包括多个客户端、一个中心服务器和一个边缘服务器。全局模型基于每个客户端设备条件分割客户端局部模型和服务器局部模型并分别部署到对应客户端和中心服务器。每轮训练中客户端并行训练，将本地数据前向传播输出粉碎数据并传输至中心服务器的服务器局部模型继续前向传播得到损失值，再反向传播梯度以更新服务器局部模型和客户端局部模型的参数。各客户端将更新后的模型传至边缘服务器，边缘服务器和中心服务器完成公共层的参数交换后进行模型聚会，生成全局客户端模型和全局服务器模型。全局客户端模型按每个客户端分割点向客户端分发客户端局部模型。本发明能适应异构设备的设备条件，提高模型训练效率。