一种低精度整型表示下的联邦学习方法及系统
公开
摘要
本发明提供了一种低精度整型表示下的联邦学习方法，包括：服务器对全局浮点数模型进行初始化，并选择终端；将全局浮点数模型量化为整型的全局整型模型；服务器将全局整型模型发送至终端；终端利用训练数据对获取的全局整型模型进行训练，得到整型的低精度模型；终端将低精度模型传输至服务器；服务器对全局整型模型以及低精度模型反量化，利用反量化后的全局整型模型以及反量化后的低精度模型更新全局浮点数模型；重复上述初始化之后的步骤直至所述全局浮点数模型收敛或达到预设的训练次数；本发明通过设计一个全整型表示的神经网络训练算法解决终端浮点数运算的能耗问题并通过设计一个低精度模型聚合算法解决低精度联邦学习的精度问题。
基本信息
专利标题 ：
一种低精度整型表示下的联邦学习方法及系统
专利标题（英）：
暂无
公开（公告）号 ：
CN114611689A
申请号 ：
CN202210100881.9
公开（公告）日 ：
2022-06-10
申请日 ：
2022-01-27
授权号 ：
暂无
授权日 ：
暂无
发明人 ：
徐梦炜袁进良周傲马骁孙其博王尚广
申请人 ：
北京邮电大学
申请人地址 ：
北京市海淀区西土城路10号
代理机构 ：
北京德琦知识产权代理有限公司
代理人 ：
陈舒维
优先权 ：
CN202210100881.9
主分类号 ：
G06N3/08
IPC分类号 ：
G06N3/08 G06N20/20
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
G06N3/08
学习方法
法律状态
2022-06-10 ：
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
