一种基于模型分割的联邦学习加速方法
公开
摘要
本发明公开了一种基于模型分割的联邦学习加速方法，属于物联网领域和机器视觉领域，首先，为了提高联邦学习的训练效率，选择高质量的参与者是极其关键的，针对高质量的、资源受限的物联网设备，综合考虑网络带宽变化与全局训练时间这两方面，利用模型分割的理念，设计一种计算任务卸载策略，减少全局训练时间，从而提高训练效率；然后，采用联邦学习范式，保护数据安全，利用分布式用户数据提高推理性能；最后，优化联邦学习的全局模型聚合策略，通过多轮迭代再通信与模型压缩相结合的聚合方式，进一步减少传输内容，降低通信压力，达到联邦学习加速的目的。
基本信息
专利标题 ：
一种基于模型分割的联邦学习加速方法
专利标题（英）：
暂无
公开（公告）号 ：
CN114492746A
申请号 ：
CN202210057437.3
公开（公告）日 ：
2022-05-13
申请日 ：
2022-01-19
授权号 ：
暂无
授权日 ：
暂无
发明人 ：
曹绍华陈辉陈舒张汉卿张卫山吴春雷
申请人 ：
中国石油大学（华东）
申请人地址 ：
山东省青岛市黄岛区长江西路66号
代理机构 ：
青岛智地领创专利代理有限公司
代理人 ：
陈海滨
优先权 ：
CN202210057437.3
主分类号 ：
G06N3/04
IPC分类号 ：
G06N3/04 G06N3/08 G06K9/62
IPC结构图谱
G
G部——物理
G06
计算；推算或计数
G06N
基于特定计算模型的计算机系统
G06N3/00
基于生物学模型的计算机系统
G06N3/02
采用神经网络模型
G06N3/04
体系结构，例如，互连拓扑
法律状态
2022-05-13 ：
公开
注：本法律状态信息仅供参考，即时准确的法律状态信息须到国家知识产权局办理专利登记簿副本。
文件下载
暂无PDF文件可下载
