(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202211184157.5
(22)申请日 2022.09.27
(71)申请人 南京邮电大 学
地址 214000 江苏省无锡市滨湖区太湖街
道周新苑280
(72)发明人 刘淼 郭亮 夏雨虹 王少鹏
杨洁 桂冠
(74)专利代理 机构 无锡市才标专利代理事务所
(普通合伙) 32323
专利代理师 郭金玉
(51)Int.Cl.
G06F 30/27(2020.01)
G06N 20/00(2019.01)
G06Q 10/06(2012.01)
G06F 111/16(2020.01)
(54)发明名称
个性化联邦学习的训练效率与个性化效果
量化评估方法
(57)摘要
本发明属于个性化联邦学习领域, 尤其是个
性化联邦学习的训练效率与个性化效果量化评
估方法, 包括以下步骤: S1、 创建一个Non ‑IID的
跨域数据集, 作为评测数据集; S2、 选择合适的模
型, 作为个性化联邦学习的初始全局模型; S3、 进
行联邦学习的全局神经网络训练, 聚合出一个收
敛的全局神经网络模型; S4、 各个客户端利用本
地的数据集对 下发的全局模型进行优化, 收敛并
形成个性化的本地神经网络模型; 本发明充分考
虑了跨域异质 的场景, 实现了模型的个性化功
能, 在现有研究的基础上, 针对个性化联邦学习
训练效率和个性化效果给出定性定量的评价指
标, 为在跨域异质场景下, 为衡量不同个性化联
邦学习算法与架构提供了一种具体方法。
权利要求书3页 说明书6页 附图3页
CN 115544873 A
2022.12.30
CN 115544873 A
1.个性化联邦学习的训练效率与个性化效果量化评估方法, 其特征在于, 包括以下步
骤:
S1、 创建一个N on‑IID的跨域数据集, 作为评测数据集;
S2、 选择合 适的模型, 作为个性 化联邦学习的初始全局模型;
S3、 进行联邦学习的全局 神经网络训练, 聚合出一个收敛的全局 神经网络模型;
S4、 各个客户端利用本地的数据集对下发的全局模型进行优化, 收敛并形成个性化的
本地神经网络模型;
S5、 进行全局模型训练效率和个性 化效果指标设计。
2.根据权利要求1所述的个性化联邦学习的训练效率与个性化效果量化评估方法, 其
特征在于, 所述S1中, 创建一个N on‑IID的跨域数据集, 作为评测数据集, 具体步骤 包括:
采用跨域数据 集: Office ‑Home数据集, 作 为评测数据 集, 对于该数据 集, 使用原始测试
数据集的一半作为 公共数据集, 其余的作为最终测试数据集, 使用Dir ichlet分布 来模拟各
方之间的异构数据分区, 假设有k个客户端, 根据 pk~DirN( β )进行采样, 并将标签m的比例为
pk,j的样本分配客户端j, 作为本地数据集Dj, 其中Dir(.)代 表狄利克 雷分布, 参数β =0.5 。
3.根据权利要求2所述的个性化联邦学习的训练效率与个性化效果量化评估方法, 其
特征在于, 所述S2中, 选择合适的模型, 作为个性化联邦学习的初始全局模型, 具体步骤包
括:
使用ResNet18作为全局模型, 模型由1个卷积层和8个残差块以及1个全连接层组成。
4.根据权利要求3所述的个性化联邦学习的训练效率与个性化效果量化评估方法, 其
特征在于, 所述S 3中, 进行联邦学习的全局神经网络训练, 聚合出一个收敛的全局神经网络
模型, 具体步骤 包括:
步骤4‑1, 服务器随机挑选异质客户端, 并将全局模型参数进行广播;
步骤4‑2, 客户端根据全局模型参数, 利用本地测试数据进行训练, 将所得的本地模型
参数传回服 务器;
步骤4‑3, 服务器聚合这些参数得到下一轮初始参数, 重复步骤4 ‑1, 4‑2, 4‑3直至全局
模型收敛。
5.根据权利要求4所述的个性化联邦学习的训练效率与个性化效果量化评估方法, 其
特征在于, 步骤4 ‑1, 服务器随机挑选一批客户端, 并将全局模型参数进 行广播, 具体步骤包
括:
步骤5‑1, 假设所有客户端达到模型优化拟合状态需要的整体通信次数为T, 对于其中
的第t轮模型 联合训练, t=1,2, …,T;
步骤5‑2, 确定客户端总数为k, 客户端设备异质, 如手机、 平板、 监控摄像头等, 被选中
的客户端个数为 n, 第k个客户端被选中的概 率为pk;
步骤5‑3, 服务器首先根据概 率pk随机选出一批客户端, 它 们的集合为St;
步骤5‑4, 服务器将当前的参数wt发送给被选中的客户端。
6.根据权利要求5所述的个性化联邦学习的训练效率与个性化效果量化评估方法, 其
特征在于, 客户端根据全局模型参数, 利用本地测试数据进 行训练, 将所得的本地模型参数
传回服务器, 具体步骤 包括:权 利 要 求 书 1/3 页
2
CN 115544873 A
2客户端n收到全局模型信息wt,并利用本地数据集进行训练, 得到本地模型
并将
本地模型参数传递给服 务器。
7.根据权利要求6所述的个性化联邦学习的训练效率与个性化效果量化评估方法, 其
特征在于, 每个客户端将得到的不精确 解传递回服务器, 服务器聚合这些参数得到下一轮
初始参数, 重复步骤4 ‑1, 4‑2, 4‑3直至全局模型收敛, 其具体步骤 包括:
步骤7‑1, 服务器在第t个通信轮次中接收到第k个客户端所提交的本地模型信息
步骤7‑2, 服务器通过
对得到的所有的本地模型参数进行加权平均, 聚
合为全局模型;
步骤7‑3, 重复步骤4 ‑1、 4‑2、 4‑3, 直至全局模型收敛。
8.根据权利要求7所述的个性化联邦学习的训练效率与个性化效果量化评估方法, 其
特征在于, 所述S4中, 各个客户端利用本地的数据集对下发的全局模 型进行优化, 收敛并形
成个性化的本地神经网络模型, 具体步骤 包括:
步骤8‑1, 在第i轮前向计算+反向传播过程的第b批中, 每个客户端k求解步骤6 ‑2中的
最优个性 化问题以获得其个性 化模型;
步骤8‑2, 客户端k利用梯度下降的公式进行本地更新, 具体公式为
其中η是学习率,
是客户端n数据批次为b时本地模型
的梯度。
9.根据权利要求8所述的个性化联邦学习的训练效率与个性化效果量化评估方法, 其
特征在于, 所述S5中, 进行全局模型训练效率和个性 化效果指标设计, 具体步骤 包括:
步骤9‑1, 我们将训练效率Sglobal作为全局模型训练效率指标, 具体定义为集中式训练
时的全局准确率
与训练周期T的加权值即:
F1Center是初始全局模型ResNet18使用初始最终测试数据集进行训练时的F1分数
是进行全局训练时, 客户端n
其中,
P为测试的精确率, 可定义 为:
R为召回率, 可定义 为:
TP即True Positive, 真阳性, 指模型 预测为正的正样本;
FP, FN为计算错误的结果数, 其中FP即False Positive, 假阳性, 指被模型预测为正 的
负样本; FN即False Negative, 假阴性, 指模型 预测为负的正样本;
TCenter是联邦全局训练时所需收敛周期;权 利 要 求 书 2/3 页
3
CN 115544873 A
3
专利 个性化联邦学习的训练效率与个性化效果量化评估方法
文档预览
中文文档
13 页
50 下载
1000 浏览
0 评论
0 收藏
3.0分
温馨提示:本文档共13页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 SC 于 2024-02-18 22:25:51上传分享