发明公开
- 专利标题: 一种面向双不均衡的联邦学习方法、装置和系统
-
申请号: CN202211606757.6申请日: 2022-12-13
-
公开(公告)号: CN116127351A公开(公告)日: 2023-05-16
- 发明人: 廖清 , 郭松岳 , 丁烨 , 王轩 , 肖京 , 张加佳
- 申请人: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 东莞理工学院 , 平安科技(深圳)有限公司
- 申请人地址: 广东省深圳市南山区桃源街道深圳大学城哈尔滨工业大学校区; ;
- 专利权人: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院),东莞理工学院,平安科技(深圳)有限公司
- 当前专利权人: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院),东莞理工学院,平安科技(深圳)有限公司
- 当前专利权人地址: 广东省深圳市南山区桃源街道深圳大学城哈尔滨工业大学校区; ;
- 代理机构: 北京三聚阳光知识产权代理有限公司
- 代理商 安志娇
- 主分类号: G06F18/24
- IPC分类号: G06F18/24 ; H04L67/01 ; G06F18/214 ; G06N3/098
摘要:
本发明公开了一种面向双不均衡的联邦学习方法和系统,客户端接收服务器发送的服务器模型参数,并载入本地模型;根据当前样本类别的样本数量占当前客户端样本总数量的比值确定当前样本类别对应的权重因子;利用权重因子计算本地模型识别当前样本类别产生的损失值;利用损失值计算关于当前样本类别的参数变化量,并基于参数变化量对服务器模型参数中关于当前样本类别的模型参数进行更新,直至当前客户端内所有样本类别相关的模型参数均完成更新,得到客户端模型参数;将客户端模型参数发送至服务器,以使服务器通过引力正则项对各个客户端发送的客户端模型参数进行聚合。本发明提供的技术方案,解决了联邦学习的双重不均衡场景模型训练较差的问题。