公开(公告)号：CN114139688B

公开(公告)日：2024-09-13

申请号：CN202111497630.0

申请日：2021-12-09

Applicant: 福州大学

Inventor： 郑海峰 ,  杜孟轩 ,  冯心欣 ,  陈由甲

IPC: G06N3/098 ,  G06N7/01 ,  G16Y20/20 ,  G16Y40/35 ,  H04W72/12

Abstract: 本发明涉及一种基于马尔可夫链共识的工业物联网分布式联邦学习方法，包括以下步骤：步骤S1：调度器获取预设区域内物联网设备的连接情况，得到网络拓扑图；步骤S2：调度器根据网络拓扑图，利用快速混合马尔可夫链优化问题计算出最优共识矩阵；步骤S3：调度器根据最优共识矩阵得到一个稀疏拓扑图，并作为当前网络的拓扑图，利用该稀疏拓扑图构造一个辅助图来制定通信资源的调度策略；步骤S4：各个物联网设备分别训练一个本地神经网络模型，并根据调度策略，将训练好的本地神经网络模型广播到它在稀疏拓扑图中的所有邻居设备；步骤S5：当各个物联网设备都接收到来自邻居的模型之后，在本地根据步骤S2得到的共识矩阵来聚合模型得到新的本地模型。

公开(公告)号：CN116910692A

公开(公告)日：2023-10-20

申请号：CN202310908348.X

申请日：2023-07-24

Applicant: 福州大学

Inventor： 郑海峰 ,  高敏 ,  冯心欣 ,  杜孟轩

IPC: G06F18/25 ,  G06F18/214 ,  G06N3/098 ,  G06F17/16 ,  G06F18/241

Abstract: 本发明提出异步联邦学习中基于张量块分解的多模态融合方法，包括以下步骤；步骤S1、在云端设计基于张量块分解的多线性融合模型；步骤S2、设计基于张量块分解模型的自适应损失策略；步骤S3、设计自适应选择策略，包括张量块选择和模态选择；步骤S4、设计自适应聚合策略；步骤S5、在云端初始化多线性融合模型并下发至参与训练的边缘节点；步骤S6、参与训练的边缘节点对多模态融合模型进行学习，得到具有本地特征的本地模型；步骤S7、筛选要进行传输的层，上传本地模型；步骤S8、在云端通过步骤S4设计的聚合策略对本地模型聚合；本发明实现了对多源异构信息的自适应融合，具有快速收敛、数据传输量少等优点，同时也增强了基于类别和模态的泛化能力。

公开(公告)号：CN114139688A

公开(公告)日：2022-03-04

申请号：CN202111497630.0

申请日：2021-12-09

Applicant: 福州大学

Inventor： 郑海峰 ,  杜孟轩 ,  冯心欣 ,  陈由甲

IPC: G06N3/04 ,  G06N3/08 ,  G06N7/00 ,  G16Y20/20 ,  G16Y40/35

Abstract: 本发明涉及一种基于马尔可夫链共识的工业物联网分布式联邦学习方法，包括以下步骤：步骤S1：调度器获取预设区域内物联网设备的连接情况，得到网络拓扑图；步骤S2：调度器根据网络拓扑图，利用快速混合马尔可夫链优化问题计算出最优共识矩阵；步骤S3：调度器根据最优共识矩阵得到一个稀疏拓扑图，并作为当前网络的拓扑图，利用该稀疏拓扑图构造一个辅助图来制定通信资源的调度策略；步骤S4：各个物联网设备分别训练一个本地神经网络模型，并根据调度策略，将训练好的本地神经网络模型广播到它在稀疏拓扑图中的所有邻居设备；步骤S5：当各个物联网设备都接收到来自邻居的模型之后，在本地根据步骤S2得到的共识矩阵来聚合模型得到新的本地模型。