-
公开(公告)号：CN113902021B
公开(公告)日：2024-06-21
申请号：CN202111191599.8
申请日：2021-10-13
Abstract: 本发明公开了一种高能效的聚类联邦边缘学习策略生成方法和装置，方法包括以下步骤：S1、云中心初始化边缘接入策略；S2、边缘基站求解其接入设备的带宽资源分配策略，将其初始化模型发送给接入设备；S3、设备计算接收到的全局模型的精度，根据全局模型和本地数据采用分层迁移策略训练本地模型，计算上传本地模型花费的能量，将测试精度与能耗的差值作为本地收益，将本地模型和本地收益上传到所接入的边缘基站；S4、边缘基站分层聚合本地模型，通过平均所有接入设备的本地收益，计算边缘收益，将边缘收益上传到云中心；S5、云中心根据收到的边缘基站的反馈信息，计算系统收益，采用深度强化学习算法调整边缘接入策略；S6、重复上述过程直至收敛。
-
公开(公告)号：CN113902021A
公开(公告)日：2022-01-07
申请号：CN202111191599.8
申请日：2021-10-13
Abstract: 本发明公开了一种高能效的聚类联邦边缘学习策略生成方法和装置，方法包括以下步骤：S1、云中心初始化边缘接入策略；S2、边缘基站求解其接入设备的带宽资源分配策略，将其初始化模型发送给接入设备；S3、设备计算接收到的全局模型的精度，根据全局模型和本地数据采用分层迁移策略训练本地模型，计算上传本地模型花费的能量，将测试精度与能耗的差值作为本地收益，将本地模型和本地收益上传到所接入的边缘基站；S4、边缘基站分层聚合本地模型，通过平均所有接入设备的本地收益，计算边缘收益，将边缘收益上传到云中心；S5、云中心根据收到的边缘基站的反馈信息，计算系统收益，采用深度强化学习算法调整边缘接入策略；S6、重复上述过程直至收敛。
-
公开(公告)号：CN116341679A
公开(公告)日：2023-06-27
申请号：CN202310284944.5
申请日：2023-03-22
Applicant: 北京邮电大学
Abstract: 本发明公开了一种高时效的联邦边缘学习调度策略设计方法，首先从理论上推导了优化变量与收敛性能之间的关系，在收敛分析的基础上，提出了在每个设备平均能量和梯度年龄约束下的最小化收敛误差与时间加权和的优化问题。其次采用李雅普诺夫优化方法将长期随机优化问题转化为了在线优化问题，以便在每一轮训练中在线求解。然后提出了一种自适应的数据辅助调度策略，并证明了该算法具有多项式的算法复杂度，同时保持渐近最优性。最后通过实验观察，研究了设备不同的异构性对训练效率的影响。结果表明本发明能够综合考虑设备选择、训练数据量和梯度量化级别等因素，在设备的统计、计算资源和通信资源三重异构下，提高联邦边缘学习的训练效率。
-
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
4
records
(took 0.03 seconds)
