CN114254761B 一种适用于异构网络的通 用联邦学习实现方法 （安徽兰科智能科技有限公司）_第1页
CN114254761B 一种适用于异构网络的通 用联邦学习实现方法 （安徽兰科智能科技有限公司）_第2页
CN114254761B 一种适用于异构网络的通 用联邦学习实现方法 （安徽兰科智能科技有限公司）_第3页
CN114254761B 一种适用于异构网络的通 用联邦学习实现方法 （安徽兰科智能科技有限公司）_第4页
CN114254761B 一种适用于异构网络的通 用联邦学习实现方法 （安徽兰科智能科技有限公司）_第5页
已阅读5页，还剩13页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

2800号创新产业园二期J1楼A座1008-A,2020.08.11A,2020.06.19A,2021.11.30A,2021.03.19一种适用于异构网络的通用联邦学习实现自适应训练，并将更新信息一并发送至中央节发明提供的技术方案能够有效克服现有联邦学2S2、中央节点向其他异构异步子节点分配基本S4、中央节点使用全局优化器对上传的更新信息进行子节点根据本地可用计算资源，合理安排本地迭代的子节点将更新的局部模型参数、参与迭代的样本信所述子节点根据本地可用计算资源，合理安排本地迭代的样本数量在本地可用计算资源极其稀缺的情况下，仅选取少在本地可用计算资源宽裕的情况下，采用差分隐私策略，并在数据属性描述，子节点需要对本地数据关于更细粒度的属性进行3中央节点使用全局优化器对上传的更新信息进行加权聚合，得到新一轮的全局模型参数，全局模型根据每个子节点上传的更新的局部模型参数、训练样本)＝l(w,Xi)为每个子节点的学习任i为节点i当前迭代的训练样本集；i,compute代表节点i处训练和8.根据权利要求6或7所述的适用于异构网络的通用联邦学习实现方法，其特征在于：4[0002]数据驱动的人工智能随着深度学习的广泛应用成为当今大数据信息时代的支柱5[0021]中央节点设置一个基本联邦学习任务，连同初始全局模型参数下发给每个子节[0032]中央调度器根据训练任务需求针对每个子节点进行计算6)＝l(w,Xi)为每个子节点的学习任务，fi为节点i的局部模型参i为节点i当前迭代的训练样本集；[0045]与现有技术相比，本发明所提供的一种适用于异构网络的通用联邦学习实现方[0046]1)利用子节点的高度自治性对每一个节点采取针对性的训练策略和隐私保护策[0047]2)使得异构节点，如移动端和数据服务器可以一并参与到同一个联邦学习任务7一些应用场景下，比如对某些来源特殊或者具有特殊属性的数据有特别的偏好(如偏好用[0066]中央节点设置一个基本联邦学习任务(数据标签及来源要求，训练目标以及超参8[0081]全局模型根据每个子节点上传的更新的局部模型参数、训练样本情况(数量及标签相关信息)和采取的隐私保护策略(数据精度有损还是无损)，通过全局优化器进行加权)＝l(w,Xi)为每个子节点的学习任务，fi为节点i的局部模型参i为节点i当前迭代的训练样本集；[0086]b、全局优化器还需要根据当前网络拓扑和异构网络对下一轮分配的学习任务进

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论