← 返回列表
一种联邦学习方法及介质
摘要文本
本发明涉及一种联邦学习方法，包括：S1，初始化服务器端的全局模型，以及初始化各客户端的本地模型和样本的权重；S2，从第一次迭代起，各客户端获取当前迭代次数中初始的全局模型，并基于全局模型计算各样本的样本不确定度和损失值；S3，各客户端根据计算的各样本的样本不确定度和损失值，调整样本的权重，并根据调整后的样本，确定当前迭代次数下参与训练的样本集；S4，各客户端根据当前迭代次数下参与训练的样本集对本地模型进行更新，并将更新后的本地模型上传到服务器端，以供服务器端根据各客户端更新后的本地模型执行全局优化来更新全局模型；S5，更新迭代次数，并返回S2执行，直到满足预设的迭代停止条件。本方案提高模型性能。。
申请人信息
- 申请人:中国人民大学
- 申请人地址:100872 北京市海淀区中关村大街59号
- 发明人: 中国人民大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种联邦学习方法及介质 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311512264.0 |
| 申请日 | 2023/11/14 |
| 公告号 | CN117556253A |
| 公开日 | 2024/2/13 |
| IPC主分类号 | G06F18/214 |
| 权利人 | 中国人民大学 |
| 发明人 | 沈栋; 赵兴莹 |
| 地址 | 北京市海淀区中关村大街59号 |
专利主权项内容
1.一种联邦学习方法，其特征在于，所述方法包括：S1，初始化服务器端的全局模型，以及初始化各客户端的本地模型和样本的权重；S2，从第一次迭代起，各客户端获取当前迭代次数中初始的全局模型，并基于全局模型计算各样本的样本不确定度和损失值；S3，各客户端根据计算的各样本的样本不确定度和损失值，调整样本的权重，并根据调整后的样本，确定当前迭代次数下参与训练的样本集；S4，各客户端根据当前迭代次数下参与训练的样本集对本地模型进行更新，并将更新后的本地模型上传到服务器端，以供服务器端根据各客户端更新后的本地模型执行全局优化来更新全局模型；S5，更新迭代次数，并返回S2执行，直到满足预设的迭代停止条件。