公开(公告)号：CN117408354A

公开(公告)日：2024-01-16

申请号：CN202311356388.4

申请日：2023-10-18

Applicant: 重庆大学

Inventor： 谭州勇 ,  乐俊青 ,  张迪 ,  廖晓峰 ,  向涛

IPC: G06N20/00 ,  G06N3/098 ,  G06F18/22

Abstract: 本申请涉及人工智能领域，公开了一种个性化联邦学习方法，应用于第一客户端，首先利用第一客户端的本地数据对预置在第一客户端上的模型进行预训练，获得第一模型参数；并利用第一模型参数触发服务端反馈第一客户端对应的模型参数相似度；接收模型参数相似度并根据模型参数相似度确定待聚合客户端；利用第一客户端对应各待聚合客户端的模型参数相似度分别对第一模型参数进行加权，获得第二模型参数；并利用第二模型参数触发服务端反馈聚合参数，并利用聚合参数训练第一客户端上预训练后的模型。这样，提高了第一客户端进行个性化联邦学习的效率。本申请还公开一种应用于服务端的个性化联邦学习方法、个性化联邦学习装置、电子设备、存储介质。

公开(公告)号：CN117973562A

公开(公告)日：2024-05-03

申请号：CN202410161849.0

申请日：2024-02-05

Applicant: 重庆大学

Inventor： 乐俊青 ,  张迪 ,  谭州勇 ,  刘高 ,  向涛

IPC: G06N20/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于宽度网络架构的联邦持续学习方法及系统，属于机器学习技术领域。该方法包括以下步骤：S1、客户端在本地数据集上结合宽度学习进行本地训练，并在后续新数据集上进行持续学习；S2、云服务器采用批异步处理方法，服务器只有在接收到一批客户端的模型参数后才执行模型聚合，并将聚合模型参数回传给各个客户端；S3、客户端结合全局模型，采用局部重聚合策略，获得新的本地局部模型；S4、服务器接到所有客户端的模型参数，计算得到新的全局模型。本发明能够避免使用耗时的同步方法，同时解决现有异步方法的不准确训练问题；减少客户机和服务器交互轮数，同时在很大程度上保持全局模型的预测精度，避免长时间的聚合延迟。