公开(公告)号：CN118211639A

公开(公告)日：2024-06-18

申请号：CN202410371816.9

申请日：2024-03-29

Applicant: 西安电子科技大学

Inventor： 王明君 ,  李小双 ,  闫峥 ,  梁雪芹 ,  丁文秀 ,  董庆宽

IPC: G06N3/098 ,  G06N3/0464

Abstract: 一种针对同步掉队问题的联邦学习训练方法、系统及设备，其方法通过同步聚合算法，根据客户端在每一轮的本地训练时间和本地模型精度两个参数动态调整客户端下一轮次训练的本地迭代次数；通过客户端选择算法，在每一轮次训练中，以更高概率选择训练时间短、本地模型精度高的客户端参与本轮训练，实现联邦学习训练速度和准确率的同步提升；其系统、设备及介质能够针对同步掉队问题的联邦学习训练方法，实现联邦学习训练速度和准确率的同步提升，解决了现有技术中同步聚合方案中准确率低、收敛速度慢的问题。

公开(公告)号：CN117217328A

公开(公告)日：2023-12-12

申请号：CN202311132778.3

申请日：2023-09-04

Applicant: 西安电子科技大学

Inventor： 李小双 ,  王明君 ,  闫峥 ,  丁文秀 ,  陈亮 ,  王普

IPC: G06N20/00 ,  G06F18/22

Abstract: 本发明提出了一种基于约束因子的联邦学习客户端选择方法，具体实现步骤为：初始化联邦学习系统；每个客户端获取训练样本集；中心服务器初始化全局模型并广播模型参数；每个客户端对全局模型进行本地训练；中心服务器基于约束因子和余弦相似度获取客户端选择结果。本发明在联邦学习客户端选择阶段首先通过比较每个客户端的约束因子与约束因子阈值选出备选客户端，能够限制每个客户端被选择的次数上限，然后再根据备选客户端中的本地模型参数与全局模型参数的余弦相似度来获得最终的客户端选择结果，充分考虑了每个客户端的参与程度及其对全局模型的贡献程度，避免了模型易陷入局部最优的缺陷，有效提高了模型的准确性和联邦学习的公平性。