“李祥前”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果2个，建议您升级VIP下载更多相关专利

[发明专利]一种在非独立同分布数据上实现高效通信的个性化联邦学习方法-CN202310869681.4在审
发明人：马春梅;李祥前;黄宝贵;李光顺 -专利权人：曲阜师范大学
申请日： 2023-07-17 - 公布日： 2023-09-15 - 主分类号： G06N3/098 文献下载
摘要：本发明实现了一种在非独立同分布数据上实现高效通信的个性化联邦学习方法。联邦学习的重大挑战是客户端数据的非独立同分布性，即统计异质性，以及客户端和云服务器之间的通信资源有限。统计异质性和通信资源限制给联邦学习的实施带来了障碍。为了应对这些挑战，本发明提供了一种在非独立同分布数据上实现高效通信的个性化联邦学习方法，使每个客户端能够训练个性化模型，同时大幅降低通信成本。具体来说，每个客户端在上传梯度之前对其进行压缩，并通过将压缩前后的梯度误差保存然后在下一轮中将误差加入到要压缩的梯度中来缓解梯度压缩的不良影响。通过仅上传压缩后的稀疏梯度，可以显著降低通信成本。在云服务器端，将接收到的稀疏梯度恢复为模型，并对这些模型进行相似度聚合，以促进客户端之间的协作。收到全局模型后，客户进行本地更新以获得个性化模型。本发明不仅获得了具有较高精度的模型，而且还大幅降低了客户端的通信成本。
一种独立分布数据实现高效通信个性化联邦学习方法

[发明专利]一种在分层联邦学习框架下实现个性化模型的方法-CN202210979251.3在审
发明人：马春梅;李祥前;黄宝贵;李凤银;李光顺 -专利权人：曲阜师范大学
申请日： 2022-08-11 - 公布日： 2022-11-15 - 主分类号： G06N20/00 文献下载
摘要：本发明实现了一种在分层联邦学习框架中训练个性化模型的方法。在面对非独立同分布数据时，实现模型的个性化是联邦学习的主要方法。分层联邦学习是一种新型的联邦学习结构，它可以实现更好地平衡通信与计算的开销。但是，在面对非独立同分布数据时，传统联邦学习训练的预测模型性能较差。为了解决这一问题，本发明提供了一种在分层联邦学习框架下实现个性化模型的方法，把个性化的模型部署到边缘服务器上来解决模型过拟合的问题，并使用标准化参数以及云服务器相似度聚合来提高个性化模型的性能。本发明能够为每个边缘服务器训练一个个性化的预测模型，具有收敛快，模型精度高的优势。
一种分层联邦学习框架实现个性化模型方法

1
共 2 条