-
公开(公告)号：CN112433843B
公开(公告)日：2022-07-08
申请号：CN202011133101.8
申请日：2020-10-21
Applicant: 北京邮电大学
Abstract: 本发明提供一种基于深度强化学习的计算分流优化方法，所述方法包括以下步骤：步骤1，用户端进行计算分流前，用户端向雾节点发送自身状态信息，自身状态信息包括信道增益、任务大小、CPU处理频率；步骤2，雾节点集中接收系统中的用户状态信息，并将这些信息输入神经网络，输出系统的计算分流决策和资源分配方案；步骤3，雾节点反馈计算分流决策和资源分配方案给系统中的用户等；本发明的优越效果在于利用深度强化学习的自主学习能力和决策能力来完成系统计算分流决策的制定，解决传统方法因算法复杂度过高而无法应用于实时场景的问题。
-
公开(公告)号：CN113222179A
公开(公告)日：2021-08-06
申请号：CN202110291738.8
申请日：2021-03-18
Applicant: 北京邮电大学
IPC: G06N20/20
Abstract: 本发明公开了一种基于模型稀疏化与权重量化的联邦学习模型压缩方法，所述方法包括以下步骤：步骤1，客户端使用本地数据集进行本地模型训练；步骤2，客户端对本地模型训练生成的权重矩阵进行模型稀疏化；步骤3，客户端对稀疏化之后的矩阵进行权重量化；步骤4，客户端将完成压缩后的模型通过无线信道传输到服务器；步骤5，服务器对接收到的权重矩阵进行解压缩，并完成联邦学习聚合。本发明的优越效果在于有效解决了联邦学习训练过程中的资源不足问题，并通过优化算法提升了联邦学习的训练精度。
-
公开(公告)号：CN113222179B
公开(公告)日：2023-06-20
申请号：CN202110291738.8
申请日：2021-03-18
Applicant: 北京邮电大学
IPC: G06N20/20
Abstract: 本发明公开了一种基于模型稀疏化与权重量化的联邦学习模型压缩方法，所述方法包括以下步骤：步骤1，客户端使用本地数据集进行本地模型训练；步骤2，客户端对本地模型训练生成的权重矩阵进行模型稀疏化；步骤3，客户端对稀疏化之后的矩阵进行权重量化；步骤4，客户端将完成压缩后的模型通过无线信道传输到服务器；步骤5，服务器对接收到的权重矩阵进行解压缩，并完成联邦学习聚合。本发明的优越效果在于有效解决了联邦学习训练过程中的资源不足问题，并通过优化算法提升了联邦学习的训练精度。
-
公开(公告)号：CN112433843A
公开(公告)日：2021-03-02
申请号：CN202011133101.8
申请日：2020-10-21
Applicant: 北京邮电大学
Abstract: 本发明提供一种基于深度强化学习的计算分流优化方法，所述方法包括以下步骤：步骤1，用户端进行计算分流前，用户端向雾节点发送自身状态信息，自身状态信息包括信道增益、任务大小、CPU处理频率；步骤2，雾节点集中接收系统中的用户状态信息，并将这些信息输入神经网络，输出系统的计算分流决策和资源分配方案；步骤3，雾节点反馈计算分流决策和资源分配方案给系统中的用户等；本发明的优越效果在于利用深度强化学习的自主学习能力和决策能力来完成系统计算分流决策的制定，解决传统方法因算法复杂度过高而无法应用于实时场景的问题。
-
-
-
Search Results
4
records
(took 0.015 seconds)
