联邦学习系统设备节点选择的方法及装置制造方法及图纸

本发明专利技术提供一种联邦学习系统设备节点选择的方法及装置。所述方法包括：基于联邦学习系统的设备层中各设备节点的系统能耗和各设备节点输出结果的正确率，确定联邦学习系统的奖励函数；以联邦学习系统的奖励函数的累计值最大化为目标，确定设备层中各设备节点的选择方案，其中包括各设备节点的选择状态。本发明专利技术提供的联邦学习系统设备节点选择的方法，综合考虑节点设备的系统能耗和输出结果的正确率，实现服务器对设备节点的最优选择，提高系统训练模型的准确度并节省系统的通信开销能耗和计算能耗。计算能耗。计算能耗。

【技术实现步骤摘要】
联邦学习系统设备节点选择的方法及装置


[0001]本专利技术涉及人工智能
，具体涉及一种联邦学习系统设备节点选择的方法及装置。

技术介绍

[0002]在人工智能日益发展的今天，为此服务的机器学习模型和网络结构都经历了更新迭代和分化。以往人工智能发展的各个低迷时期是由于缺乏算法，计算能力和数据造成的，而当今由大数据环境驱动的人工智能已经进入了第三个黄金发展时期。依赖于计算能力的提升和分布式网络的成熟部署，集群计算带来的高效吸引了众多研究者的目光，联邦学习也应运而生。
[0003]目前联邦学习领域关于节点调度的研究大都仅追求训练准确度的提升。只关注高准确率进行模型设计固然会使训练的效率提升，可以理想地提升系统的整体性能，但同时，过度地使用计算资源产生的大量能耗是不能忽略的，大型系统的能源使用情况也会密切地影响系统性能。实际上，能耗管理也是联邦学习部署的关键点之一，对设备能耗管理的考虑不足使实际应用场景中系统性能受到能耗因素限制，进一步影响到节点选择方法的实际训练情况。

技术实现思路

[0004]针对现有技术存在的问题，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联邦学习系统设备节点选择的方法，其特征在于，包括：基于联邦学习系统的设备层中各设备节点的系统能耗和各设备节点输出结果的正确率，确定联邦学习系统的奖励函数；以联邦学习系统的奖励函数的累计值最大化为目标，确定设备层中各设备节点的选择方案，其中包括各设备节点的选择状态；其中，所述联邦学习系统的设备层中各设备节点的系统能耗包括设备训练能耗和网络输导能耗，所述设备节点输出结果的正确率是设备节点预测正确的输出结果个数占所有训练样本个数的比例。2.根据权利要求1所述的联邦学习系统设备节点选择的方法，其特征在于，所述基于联邦学习系统模型的设备层中各设备节点的系统能耗和各设备节点输出结果的正确率，确定联邦学习系统的奖励函数，包括：基于马尔科夫决策过程，确定联邦学习系统的系统状态S，动作空间A，决策P以及奖励函数R；其中，所述系统状态S由联邦学习系统的设备层中各设备与网络层的基站之间的传输速率，各设备节点的设备训练能耗，各设备节点的网络输导能耗及设备节点的选择状态组成；所述动作空间A表示设备层各设备节点的选择状态；所述决策P表示一个由状态空间到动作空间的映射；所述奖励函数R包括设备层中各设备节点的系统能耗和各设备节点输出结果的正确率。3.根据权利要求2所述的联邦学习系统设备节点选择的方法，其特征在于，所述系统状态S的公式为：其中，r
d
表示联邦学习系统中网络层与设备节点间的传输速率，为设备节点的设备训练能耗，为设备节点的网络输导能耗，λ
t
表示联邦学习系统在时间片t中，设备层各设备节点的选择状态。4.根据权利要求2所述的联邦学习系统设备节点选择的方法，其特征在于，所述奖励函数R的公式为：其中，为设备节点的设备训练能耗，为设备节点的网络输导能耗，为设备节点输出结果的正确率，为在时间片t中设备层中设备节点d的选择状态，d代表设备层中设备节点中任一个，n代表设备层中设备节点的个数，S
t
表示联邦学习系统在时间片t的系统状态，λ
t
表示联邦学习系统在时间片t中，设备层各设备节点的选择状态。5.根据权利要求1所述的联邦学习系统设备节点选择的方法，其特征在于，所述以联邦学习系统的奖励函数的累计值最大化为目标，确定设备层中各设备节点的选择状态，包括：基于联邦学习系统的奖励函数R以及奖励函数...

【专利技术属性】
技术研发人员：尚芳剑，李信，彭柏，陈重韬，王艺霏，阮琳娜，李坚，吴佳，娄竞，姚艳丽，闫忠平，张少军，王东升，来骥，张宁，温馨，郭少勇，
申请(专利权)人：国家电网有限公司北京邮电大学，
类型：发明
国别省市：