基于自组织集群的联邦学习方法、装置、设备及存储介质制造方法及图纸

本申请涉及人工智能技术领域，公开了一种基于自组织集群的联邦学习方法、装置、计算机设备及计算机可读存储介质，该方法包括：获取各个用户设备发送的广播信号，生成对应的集群；根据所述集群，确定所述集群中的目标用户设备，并将所述目标用户设备作为中心节点；接收各个所述用户设备发送的模型参数，并将各个所述模型参数发送至所述中心节点；获取所述中心节点对各个所述模型参数进行聚合联邦学习后的聚合模型参数；将所述聚合模型参数发送至各个所述用户设备，更新各个所述用户设备中预置模型的所述模型参数，实现无需使用预先确定的集中式云服务器即可提供联合的FL模型训练，有效避免了预先确定的集中服务器的单点故障的问题。

【技术实现步骤摘要】
基于自组织集群的联邦学习方法、装置、设备及存储介质
本申请涉及人工智能
，尤其涉及一种基于自组织集群的联邦学习方法、装置、计算机设备及计算机可读存储介质。
技术介绍
在传统的机器学习训练中，数据通常集中存储在一个中心实体中，该中心实体必须首先从各个数据源中收集数据以便之后进行学习，这会带来安全与隐私的一系列的问题。联邦学习(FL)提出一种分布式学习的方式，基于终端设备和集中式服务器之间学习模型持续进行参数的迭代交换，直到全局FL模型收敛到一定精度水平为止，全程无需将数据从终端设备迁移到集中式服务器，是机器学习一种很有前途的训练范式。尽管FL在实现协作进行机器学习的同时在保护数据隐私方面显示出了巨大的优势，但它仍然面临着一些问题。由于FL要求使用一个集中式服务器用作训练过程中与参与的客户端反复迭代参数模型并进行参数聚合，因此，如果受到物理损坏或受到攻击，服务器出现故障会导致FL过程的失败。
技术实现思路
本申请的主要目的在于提供一种基于自组织集群的联邦学习方法、装置、计算机设备及计算机可读存储介质，旨在解决现有集本文档来自技高网...

【技术保护点】
1.一种基于自组织集群的联邦学习方法，其特征在于，包括：/n获取各个用户设备发送的广播信号，生成对应的集群；/n根据所述集群，确定所述集群中的目标用户设备，并将所述目标用户设备作为中心节点；/n接收各个所述用户设备发送的模型参数，并将各个所述模型参数发送至所述中心节点；/n获取所述中心节点对各个所述模型参数进行聚合联邦学习后的聚合模型参数；/n将所述聚合模型参数发送至各个所述用户设备，更新各个所述用户设备中预置模型的所述模型参数。/n

【技术特征摘要】
1.一种基于自组织集群的联邦学习方法，其特征在于，包括：
获取各个用户设备发送的广播信号，生成对应的集群；
根据所述集群，确定所述集群中的目标用户设备，并将所述目标用户设备作为中心节点；
接收各个所述用户设备发送的模型参数，并将各个所述模型参数发送至所述中心节点；
获取所述中心节点对各个所述模型参数进行聚合联邦学习后的聚合模型参数；
将所述聚合模型参数发送至各个所述用户设备，更新各个所述用户设备中预置模型的所述模型参数。


2.如权利要求1所述的基于自组织集群的联邦学习方法，其特征在于，所述获取各个用户设备发送的广播信号，生成对应的集群，包括：
根据获取各个用户设备发送的广播信号，生成对应的图团体；
通过对所述图团体中各个所述用户设备的顶点进行聚合计算，确定各个所述用户设备之间是否为同一聚类；
确定所述同一聚类的用户设备，并将同一聚类的用户设备作为集群。


3.如权利要求2所述的基于自组织集群的联邦学习方法，其特征在于，所述根据获取到各个用户设备发送的广播信号，生成对应的图团体，包括：
获取各个用户设备发送的广播信号；
通过各个所述用户设备发送的广播信号，确定各个所述用户设备之间的关联信息；
通过各个所述用户设备之间的关联信息，生成对应的图团体。


4.如权利要求2所述的基于自组织集群的联邦学习方法，其特征在于，所述通过对所述图团体中各个所述用户设备的顶点进行聚合计算，确定各个所述用户设备之间是否为同一聚类，包括；
通过预置聚合公式计算所述图团体中各个所述用户设备的顶点，得到各个所述用户设备的聚合参数；
若各个所述聚合参数为第一预置阈值，则确定各个所述用户设备为同一聚类；
若各个所述聚合参数为第二预置阈值，则确定不是同一聚类。


5.如权利要求1所述的基于自组织集群的联邦学习方法，其特征在于，所述根据所述集群，确定所述集群中的目标用户设备，并将所述目标用户设备作为中心节点，包括：
获取所述集群中各个所述用户设备的社会中心性信息；
通过各个所述用户设备的社会中...

【专利技术属性】
技术研发人员：李泽远，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44