公开(公告)号：CN114529012B

公开(公告)日：2025-01-14

申请号：CN202210152993.9

申请日：2022-02-18

Applicant: 厦门大学

Inventor： 丁兴号 ,  黄悦 ,  庄易鸿 ,  井长兴

IPC: G06N20/00 ,  G06N3/098 ,  G06F18/23 ,  G06F18/2411

Abstract: 一种基于双阶段个性化联邦学习方法，属于机器学习领域。包括：1)全局表征学习阶段：依据不同客户端所获取的不同数据信息进行统一的联邦表征学习，以获得准确的图像到特征空间的表征映射模型；先进行本地客户端学习，然后在全局服务器上进行客户端聚合为全局模型；2)个性化分类器学习阶段：利用联邦学习获得的表征映射模型，依据不同客户端的数据分布训练个性化分类器。可有效利用各个客户端数据获得全局的表征模型和本地个性化分类器模型，提高识别精度。建立在联邦学习与对比学习的基础上，实用性强，灵活性高，能够满足不同数据分布和计算资源下的联邦学习需求。为客户端训练出偏差较小的全局表征模型和更加个性化的本地分类器模型。

公开(公告)号：CN114529012A

公开(公告)日：2022-05-24

申请号：CN202210152993.9

申请日：2022-02-18

Applicant: 厦门大学

Inventor： 丁兴号 ,  黄悦 ,  庄易鸿 ,  井长兴

IPC: G06N20/00 ,  G06N3/08 ,  G06K9/62

Abstract: 一种基于双阶段个性化联邦学习方法，属于机器学习领域。包括：1)全局表征学习阶段：依据不同客户端所获取的不同数据信息进行统一的联邦表征学习，以获得准确的图像到特征空间的表征映射模型；先进行本地客户端学习，然后在全局服务器上进行客户端聚合为全局模型；2)个性化分类器学习阶段：利用联邦学习获得的表征映射模型，依据不同客户端的数据分布训练个性化分类器。可有效利用各个客户端数据获得全局的表征模型和本地个性化分类器模型，提高识别精度。建立在联邦学习与对比学习的基础上，实用性强，灵活性高，能够满足不同数据分布和计算资源下的联邦学习需求。为客户端训练出偏差较小的全局表征模型和更加个性化的本地分类器模型。