发明公开
- 专利标题: 一种基于稳定特征原型的联邦类别增量学习建模方法
-
申请号: CN202411062873.5申请日: 2024-08-05
-
公开(公告)号: CN118586475A公开(公告)日: 2024-09-03
- 发明人: 沈晓兵 , 孙飞 , 张铁汉 , 朱君 , 赵春晖 , 姚邹静 , 贾晓燕
- 申请人: 浙江浙能电力股份有限公司萧山发电厂 , 浙江大学 , 浙江浙能数字科技有限公司
- 申请人地址: 浙江省杭州市萧山区临浦镇元宝山路1号附近萧山发电厂行政楼210室; ;
- 专利权人: 浙江浙能电力股份有限公司萧山发电厂,浙江大学,浙江浙能数字科技有限公司
- 当前专利权人: 浙江浙能电力股份有限公司萧山发电厂,浙江大学,浙江浙能数字科技有限公司
- 当前专利权人地址: 浙江省杭州市萧山区临浦镇元宝山路1号附近萧山发电厂行政楼210室; ;
- 代理机构: 杭州求是专利事务所有限公司
- 代理商 邱启旺
- 主分类号: G06N3/098
- IPC分类号: G06N3/098 ; G06N3/048
摘要:
本发明公开了一种基于稳定特征原型的联邦类别增量学习建模方法,该方法在云边协同场景下实现,针对边缘设备数据类别增量时模型的灾难性遗忘问题,在边端建立类别样本记忆库存储类别代表性样本,采用基于回放范式的原型网络更新策略进行边端本地更新;针对多边端云边协同建模时灾难性遗忘的扩散问题,在云端采用以统一特征空间下的特征原型为参考基准的加权聚合策略,在联邦框架下稳定优化特征空间,实现类别知识的联邦更新。本发明在保护数据隐私的情况下,解决了边端类别增量时的协同建模问题,可以有效缓解灾难性遗忘,在模型准确性和训练稳定性方面具有优越性。