公开(公告)号：CN116233954A

公开(公告)日：2023-06-06

申请号：CN202211575350.1

申请日：2022-12-08

Applicant: 北京邮电大学

Inventor： 滕颖蕾 ,  余思聪 ,  胡刚 ,  满毅 ,  滕俊杰 ,  王楠 ,  牛涛 ,  杜韬 ,  金磊 ,  马仕君

IPC: H04W40/04 ,  G06N3/098 ,  H04L67/10 ,  G06N3/08 ,  H04W12/03 ,  H04W4/70

Abstract: 本发明提供一种基于联邦学习系统的分簇数据共享方法、装置及存储介质，联邦学习系统包括K个分布式设备和中央服务器，K为大于1的整数；方法包括：基于预先设置的分簇算法，将K个分布式设备划分为M个簇；M为小于K的整数，M个簇中存在至少一个包括簇头设备和簇内成员设备的簇；控制各簇中的簇头设备向簇内成员设备共享训练数据；基于预先设置的联邦学习算法，通过各分布式设备的训练数据与所述中央服务器协同迭代训练预先设置的初始模型，得到联邦学习训练后的目标模型。本发明通过对分布式设备进行分簇，由簇头设备向簇内成员设备共享训练数据，减缓了数据异构的程度，减小了联邦学习训练的通信开销，提高了最终训练的目标模型的准确度。

公开(公告)号：CN115250507A

公开(公告)日：2022-10-28

申请号：CN202210892762.1

申请日：2022-07-27

Applicant: 北京邮电大学

Inventor： 滕颖蕾 ,  王炳晖 ,  满毅 ,  赵杨柳 ,  牛涛 ,  张勇 ,  魏翼飞 ,  胡聪颖 ,  蔚亚鑫 ,  王小娟

IPC: H04W28/06 ,  H04L25/02 ,  H04B17/373

Abstract: 本发明提供一种基于十字交叉注意力的信道信息压缩方法及装置。该方法包括：对任意信道状态信息CSI矩阵进行维度变换，得到CSI矩阵对应的行向量和列向量；基于行向量和列向量，得到第一矩阵，第一矩阵用于指示CSI矩阵中每一个响应点与同行同列上其余响应点的点积；基于CSI矩阵中每一个响应点与同行同列上其余响应点的幅值之积，确定第二矩阵；将第一矩阵和第二矩阵相除，得到CSI矩阵中每一个响应点与同行同列上其余响应点的余弦相似度矩阵。本发明提供的基于十字交叉注意力的信道信息压缩方法及装置，保证能够提取信道状态信息矩阵中有效信息的同时，也可以通过矩阵变换巧妙地降低计算复杂度。

公开(公告)号：CN113067873A

公开(公告)日：2021-07-02

申请号：CN202110298308.9

申请日：2021-03-19

Applicant: 北京邮电大学

Inventor： 滕颖蕾 ,  牛涛 ,  张勇 ,  滕俊杰 ,  满毅 ,  王楠 ,  胡刚 ,  邹盼盼 ,  刘阳 ,  文志刚

IPC: H04L29/08 ,  H04L12/24 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于深度强化学习的边云协同优化方法，所述方法包括：在离线阶段，通过离线训练深度学习模型生成带有多个早退点的多分支网络，并获取云服务器与终端设备运行深度学习模型中的不同神经网络层的时延和能耗作为设备参数；在优化决策阶段，将预先获取的时延、能耗、准确率以及带宽的设备参数一起输入至优化器进行优化，得到深度学习模型关于早退点、分割点以及量化编码的推理方案；在在线推理阶段，边缘设备与云服务器建立连接并运行深度学习模型，优化器根据边缘设备实时检测到的带宽对推理方案进行动态优化，并按照优化后的推理方案指导边缘设备与云服务器协同实施。本发明对于传输数据的时延、能耗和准确率能够有效优化。

公开(公告)号：CN115250507B

公开(公告)日：2025-03-25

申请号：CN202210892762.1

申请日：2022-07-27

Applicant: 北京邮电大学

Inventor： 滕颖蕾 ,  王炳晖 ,  满毅 ,  赵杨柳 ,  牛涛 ,  张勇 ,  魏翼飞 ,  胡聪颖 ,  蔚亚鑫 ,  王小娟

IPC: H04W28/06 ,  H04L25/02 ,  H04B17/373

Abstract: 本发明提供一种基于十字交叉注意力的信道信息压缩方法及装置。该方法包括：对任意信道状态信息CSI矩阵进行维度变换，得到CSI矩阵对应的行向量和列向量；基于行向量和列向量，得到第一矩阵，第一矩阵用于指示CSI矩阵中每一个响应点与同行同列上其余响应点的点积；基于CSI矩阵中每一个响应点与同行同列上其余响应点的幅值之积，确定第二矩阵；将第一矩阵和第二矩阵相除，得到CSI矩阵中每一个响应点与同行同列上其余响应点的余弦相似度矩阵。本发明提供的基于十字交叉注意力的信道信息压缩方法及装置，保证能够提取信道状态信息矩阵中有效信息的同时，也可以通过矩阵变换巧妙地降低计算复杂度。

公开(公告)号：CN113067873B

公开(公告)日：2022-08-30

申请号：CN202110298308.9

申请日：2021-03-19

Applicant: 北京邮电大学

Inventor： 滕颖蕾 ,  牛涛 ,  张勇 ,  滕俊杰 ,  满毅 ,  王楠 ,  胡刚 ,  邹盼盼 ,  刘阳 ,  文志刚

IPC: H04L67/10 ,  H04L41/142 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于深度强化学习的边云协同优化方法，所述方法包括：在离线阶段，通过离线训练深度学习模型生成带有多个早退点的多分支网络，并获取云服务器与终端设备运行深度学习模型中的不同神经网络层的时延和能耗作为设备参数；在优化决策阶段，将预先获取的时延、能耗、准确率以及带宽的设备参数一起输入至优化器进行优化，得到深度学习模型关于早退点、分割点以及量化编码的推理方案；在在线推理阶段，边缘设备与云服务器建立连接并运行深度学习模型，优化器根据边缘设备实时检测到的带宽对推理方案进行动态优化，并按照优化后的推理方案指导边缘设备与云服务器协同实施。本发明对于传输数据的时延、能耗和准确率能够有效优化。