公开(公告)号：CN116843016B

公开(公告)日：2025-02-14

申请号：CN202310580633.3

申请日：2023-05-22

Applicant: 重庆大学

Inventor： 程路熙 ,  李秀华 ,  徐国增 ,  李辉 ,  郝金隆 ,  蔡春茂 ,  范琪琳 ,  杨正益

IPC: G06N3/092 ,  G06N3/098 ,  G06N20/00

Abstract: 本发明公开一种移动边缘计算网络下基于强化学习的联邦学习方法、系统及介质，方法步骤为：所述边缘服务器通过基站将待训练的机器学习模型下载至用户设备；每个用户设备利用本地数据对机器学习模型进行训练，获得机器学习模型参数wi(k)，并通过基站上传到边缘服务器中；根据待聚合设备的本地数据量，所述边缘服务器对所有待聚合设备的机器学习模型参数进行聚合，得到机器学习模型参数聚合值#imgabs0#并通过基站下载至加入联邦学习的用户设备；系统包括边缘服务器和用户设备。介质存储有计算机程序。本发明综合考虑联邦学习过程中的能量消耗和任务模型的损失函数值来优化联邦聚合策略，在保证任务模型精度的同时减少能量的消耗。

公开(公告)号：CN116843016A

公开(公告)日：2023-10-03

申请号：CN202310580633.3

申请日：2023-05-22

Applicant: 重庆大学

Inventor： 李秀华 ,  徐国增 ,  李辉 ,  郝金隆 ,  程路熙 ,  蔡春茂 ,  范琪琳 ,  杨正益

IPC: G06N3/092 ,  G06N3/098 ,  G06N20/00

Abstract: 本发明公开一种移动边缘计算网络下基于强化学习的联邦学习方法、系统及介质，方法步骤为：所述边缘服务器通过基站将待训练的机器学习模型下载至用户设备；每个用户设备利用本地数据对机器学习模型进行训练，获得机器学习模型参数wi(k)，并通过基站上传到边缘服务器中；根据待聚合设备的本地数据量，所述边缘服务器对所有待聚合设备的机器学习模型参数进行聚合，得到机器学习模型参数聚合值#imgabs0#并通过基站下载至加入联邦学习的用户设备；系统包括边缘服务器和用户设备。介质存储有计算机程序。本发明综合考虑联邦学习过程中的能量消耗和任务模型的损失函数值来优化联邦聚合策略，在保证任务模型精度的同时减少能量的消耗。