-
公开(公告)号:CN115544873B
公开(公告)日:2023-10-17
申请号:CN202211184157.5
申请日:2022-09-27
Applicant: 南京邮电大学
IPC: G06F30/27 , G06N20/00 , G06Q10/0639 , G06F111/16
Abstract: 本发明属于个性化联邦学习领域,尤其是个性化联邦学习的训练效率与个性化效果量化评估方法,包括以下步骤:S1、创建一个Non‑IID的跨域数据集,作为评测数据集;S2、选择合适的模型,作为个性化联邦学习的初始全局模型;S3、进行联邦学习的全局神经网络训练,聚合出一个收敛的全局神经网络模型;S4、各个客户端利用本地的数据集对下发的全局模型进行优化,收敛并形成个性化的本地神经网络模型;本发明充分考虑了跨域异质的场景,实现了模型的个性化功能,在现有研究的基础上,针对个性化联邦学习训练效率和个性化效果给出定性定量的评价指标,为在跨域异质场景下,为衡量不同个性化联邦学习算法与架构提供了一种具体方法。
-
公开(公告)号:CN118400008A
公开(公告)日:2024-07-26
申请号:CN202311772700.8
申请日:2023-12-21
Applicant: 南京邮电大学
IPC: H04B7/06 , G06N20/00 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/088 , G06N3/084 , H04B7/08 , H04B17/382 , H04B17/345
Abstract: 本发明公开了一种去中心化联邦学习场景下的波束赋形系统,基于去中心化联邦学习架构,包括学习场景模块、学习模型模块、波束赋形模块和神经网络模块,学习场景模块包括无人机和地面设备,无人机辅助地面设备在所述学习模型模块中进行本地模型训练和模型参数共享;波束赋形模块用于进行波束赋形的速率最大化描述,以采用所述神经网络模块模拟传统算法的输入输出映射,将混合通信网络中链路之间的干扰关系建模为异构图后,基于所述异构图的输入,得到最优的波束成形向量。本发明引入无人机辅助地面设备进行本地模型训练和模型参数共享,提高频谱利用率,降低同频干扰,降低地面设备的功率消耗,进而提高联邦学习的模型训练准确度和收敛速度。
-
公开(公告)号:CN117556923A
公开(公告)日:2024-02-13
申请号:CN202311556011.3
申请日:2023-11-21
Applicant: 南京邮电大学
IPC: G06N20/00 , G06F18/22 , G06F18/23213
Abstract: 本发明提出了一种跨域异质场景下的去中心化联邦学习方法,包括,去中心化学习对客户端进行训练,并对领居交换的信息进行分散优化,基于流言算法协议对客户端的参数进行传播,通过图论算法将客户端和其它客户端之间建立的通信,最后通过去中心化联邦学习方式得出客户端和其它客户端模型相似度函数,并判断模型是否收敛,是则训练结束,否则返回步骤一;本发明基于模型相似度的GossipDFL的方法,本地客户端只在模型相似度高的模型中寻找通信和聚合的对象,减少了通信次数,提高了模型聚合的精度,而对导致参与训练的数据信息冗余和较高的通信延迟问题进行限制。
-
公开(公告)号:CN115544873A
公开(公告)日:2022-12-30
申请号:CN202211184157.5
申请日:2022-09-27
Applicant: 南京邮电大学
IPC: G06F30/27 , G06N20/00 , G06Q10/06 , G06F111/16
Abstract: 本发明属于个性化联邦学习领域,尤其是个性化联邦学习的训练效率与个性化效果量化评估方法,包括以下步骤:S1、创建一个Non‑IID的跨域数据集,作为评测数据集;S2、选择合适的模型,作为个性化联邦学习的初始全局模型;S3、进行联邦学习的全局神经网络训练,聚合出一个收敛的全局神经网络模型;S4、各个客户端利用本地的数据集对下发的全局模型进行优化,收敛并形成个性化的本地神经网络模型;本发明充分考虑了跨域异质的场景,实现了模型的个性化功能,在现有研究的基础上,针对个性化联邦学习训练效率和个性化效果给出定性定量的评价指标,为在跨域异质场景下,为衡量不同个性化联邦学习算法与架构提供了一种具体方法。
-
-
-