CN114528304B 一种自适应客户端参数更新的联邦学习方法、系统及存储介质 （安徽工业大学）

号一种自适应客户端参数更新的联邦学习方本发明提供的自适应客户端参数更新的联习任务，降低联邦学习学习模型所需的通信代2在中央服务器使用Q-Learning的算法建立Q表，其中，Q表接收客户端上传的其本地更新的资源信息，并采用马尔科夫下发更新后的全局模型参数至各个客户端，以便客户端其中，所述马尔科夫决策过程定义为联邦学习系统中客户k为客户端k所述动作空间A表示为中央服务器对系统包含的所有客户端本地更新局部最优模型的所述中央服务器根据客户端上传的本地更新局部最优模型的参数进行全局模型参数3s表示客户端k达到局部的模型收敛或设定的局部模型精度的状态s下的累积奖k为客户端每次迭代所需要的接收中央服务器下发的初始化的全局模型参数，根上传其本地更新的资源信息至中央服务器，以便中央服上传本地更新局部最优模型的参数至中央服务器，以便中4接收中央服务器下发的更新后的全局模型参数，重复执行上述始化的全局模型参数为将全局损失函数中包含的全局模型的权重户端根据其拥有的本地数据进行训练过程为在本地数据上进行一次或多次的梯度下降更广播模块，用于中央服务器广播其初始化的全局模型第一接收模块，用于接收客户端上传的其本地更重复迭代模块，用于客户端根据接收的更新后的全局模型参数所述处理器执行时实现如权利要求1至5中任一项所述的自适应客户端参数更新的联邦学联邦学习系统的控制程序被处理器执行时实现如权利要求1至5中任一项所述的自适应客5本地并且训练过程不共享，只在训练过程中分享本地数据上训练的机器学习模型的参数，需要等待所有客户端模型全部更新完毕才能开始新的迭代过程，因为存在系统异构性问6[0019]所述操作空间A表示为中央服务器对系统包含的所有客户端本地更新局部最优模[0023]所述状态转换概率P表示为联邦学习系统从当前状态s1转换到下一个状态s2的概[0024]所述中央服务器根据客户端上传的本地更新局部最优模型的参数进行全局模型到客户端的状态达到局部的模型收敛或设定的局7k为客户端每次迭代所需[0032]接收中央服务器下发的初始化的全局模型参数，根据其拥有的本地数据进行训为中央服务器使用Q-Learning的算法建立，建立过程为在中央服务器的任意状态s1下出8决策过程依据所述资源信息对应的状态在Q表中选择最大Q值对应的动作a反馈至客户端；统的控制程序被所述处理器执行时实现上述的自适应客户端参数更新的状态s1在Q表中选择最大Q值对应的动作a反馈至客户端，该最大Q值对应的动作a作为客9样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面[0068]结合图3所示，本发明一实施例提供的自适应客户端参数更新的联邦学习方法执学习去选择的本地更新局部最优模型；当客户端2本地更新次数达到训练的本地更新最优[0069]具体的，当本发明方法应用于中央服务器1时，包括：在中央服务器1使用Q-源信息，并采用马尔科夫决策过程依据资源信息对应的状态s在Q表中选择最大Q值对应的局模型参数至各个客户端2，以便客户端2重复执行上述确定本地更新局部最优模型的过程，多次迭代，直至联邦学习系统中所有客户端2内全局模型收敛或达到设定全局模型精Q表中选择最大Q值对应的动作a反馈至客户端，最大Q值对应的动作a为客户端下一个新状态s2统中所有客户端2内全局模型收敛或达到设定全局模[0073]方法实施中，将联邦学习系统中用于训练客户端2本地更新局部最优模型的选择[0079]操作空间A表示为中央服务器1对系统包含的所有客户端2的本地更新次数的选择态转换是根据系统中所有客户端2状态的转[0084]所述中央服务器根据客户端上传的本地更新局部最优模型的参数进行全局模型到客户端的状态达到局部的模型收敛或设定的局k为客户端每次迭代所需[0091]本发明提出的自适应客户端参数更新的联邦学习方法，适用于图1所示的联邦学所有客户端2存储的本地数据集合。机器学习问题的核心就是通过输入数据集迭代更新求[0096]实施例中，中央服务器1广播的初始化的全局模型参数获得方式为将全局损失函2本地更新次数的最优值后进行本地训练过程为在本地数据上进行一次或多次的梯度下降可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方设定范围内。Q-Learning算法的主要思想就是将状态s和动作a构建成一张Q表来存储Q值，[0102]本系统在运行时先通过客户端2对初始化的全局参数在本地进