-
公开(公告)号：CN116560832A
公开(公告)日：2023-08-08
申请号：CN202310382467.6
申请日：2023-04-11
Applicant: 北京邮电大学
Abstract: 本申请提供一种面向联邦学习的资源分配方法以及相关设备，包括：边缘服务器获取预设覆盖范围内所有移动端的移动轨迹信息及资源信息，根据移动轨迹信息、资源信息及预设覆盖范围从所有移动端确定第一移动端子集及第二移动端子集；向第一移动端发送与其相应的第一卸载比例及全局模型，向第二移动端发送第二卸载比例；根据所述第一模型参数以及所述第二模型参数得到全局模型参数；根据所述全局模型参数迭代训练所述全局模型，得到迭代全局模型；响应于所述迭代全局模型的精度达到预设精度或者所述训练轮次数达到预设轮次数，确定该迭代全局模型为最优全局模型。
-
公开(公告)号：CN115796274A
公开(公告)日：2023-03-14
申请号：CN202211654182.5
申请日：2022-12-22
Applicant: 北京邮电大学
Abstract: 本发明公开了一种狭义异步个性化联邦学习自适应聚合方法，属于车联网领域；首先，对于某时刻新进入RSU服务范围内的车辆客户端，从联邦服务器处下载当前模型作为本地模型，使用本地数据集进行训练后上传至服务器；服务器计算欧几里得距离表示模型间差异性；然后，使用模型间差异性、全局模型精确度和模型损失来表示当前状态，通过A2C算法自适应得到应该采取的动作，即为聚合权重。并使用该权重进行全局聚合得到新的全局模型，根据模型精度的提升与模型损失的衰减计算执行本次动作得到的奖励，量化本次动作结果的优劣。通过A2C的价值网络进行学习，直至所有车辆客户端完成个性化联邦学习过程。本发明能快速实现全局模型的收敛，精确度高。
-
Search Results
2
records
(took 0.011 seconds)
