-
公开(公告)号：CN116321255A
公开(公告)日：2023-06-23
申请号：CN202310149227.1
申请日：2023-02-22
Applicant: 北京邮电大学
Abstract: 本发明公开了一种无线联邦学习中高时效模型压缩和用户调度方法，各个参与学习的终端设备在上传本地参数模型之前，利用随机梯度量化策略对本地模型梯度进行压缩量化，将量化后的本地模型梯度作为终端设备的重要度指标，用来衡量终端设备选择决策对全局模型收敛轮数的影响；在模型训练时，综合终端设备处的CPU计算频率、时变信道状态、所选量化级别对每轮训练时延的影响，以及终端设备参数年龄和量化后的本地梯度对收敛轮次的影响，以终端设备的参数年龄受限条件下最小化模型训练时延和能耗为优化目标，并对优化目标进行求解得到用户调度策略。本发明保证了学习性能，提升了终端设备与边缘服务器间通信效率，降低联邦学习训练时延和能耗。
Search Results
1
records
(took 0.013 seconds)
筛选
AND
AND
过滤
NOT
NOT
Scan to Join
