用于联邦学习的电子设备以及方法技术

本公开提供了用于联邦学习的电子设备以及方法。中央处理装置处的用于联邦学习的电子设备包括处理电路，所述处理电路被配置为：确定多个分布式节点中用于生成全局模型参数的一组分布式节点，其中，所述一组分布式节点的本地训练数据之间的相关性满足特定相关性要求；以及基于所述一组分布式节点的本地模型参数生成全局模型参数，其中，所述本地模型参数是由所述一组分布式节点基于其各自的本地训练数据生成的。练数据生成的。练数据生成的。

【技术实现步骤摘要】
用于联邦学习的电子设备以及方法


[0001]本公开涉及用于联邦学习的电子设备以及方法。

技术介绍

[0002]联邦学习(Federated Learning)是一种新兴的人工智能基础技术。其在2016年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题。其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算节点之间开展高效率的机器学习。联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。
[0003]图1是示出现有技术中的联邦学习系统的示意图。如图1所示，UE1、UE2……
UE
K
为由用户设备实现的进行联邦学习的分布式节点。AP为由基站实现的进行联邦学习的中央处理装置。各个分布式节点UE1、UE2……
UE
K
根据自身的本地训练数据D1、D2……
D
K
利用人工智能算法(例如梯度下降)生成本地模型参数并上传给中央处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种中央处理装置处的用于联邦学习的电子设备，包括处理电路，所述处理电路被配置为：确定多个分布式节点中用于生成全局模型参数的一组分布式节点，其中，所述一组分布式节点的本地训练数据之间的相关性满足特定相关性要求；以及基于所述一组分布式节点的本地模型参数生成全局模型参数，其中，所述本地模型参数是由所述一组分布式节点基于其各自的本地训练数据生成的。2.如权利要求1所述的电子设备，其中，所述特定相关性要求包括：所述一组分布式节点的本地训练数据的采集时间之间的时间间隔大于特定时间间隔阈值。3.如权利要求1所述的电子设备，其中，所述特定相关性要求包括：所述一组分布式节点的节点位置之间的距离大于特定距离阈值。4.如权利要求1所述的电子设备，其中，所述特定相关性要求包括：所述一组分布式节点中的每个分布式节点在所述一组分布式节点中的其余分布式节点的关联的排他区域之外，其中，每个分布式节点的关联的排他区域由其中各个点与该分布式节点的距离小于排他距离的区域定义或者由与该分布式节点的距离最近的第二预定数量的分布式节点的集合定义。5.如权利要求1所述的电子设备，其中，所述特定相关性要求包括：所述一组分布式节点的本地训练数据的生成模型不同。6.如权利要求1所述的电子设备，其中，所述特定相关性要求包...

【专利技术属性】
技术研发人员：孙晨，吴松涛，崔焘，
申请(专利权)人：索尼公司，
类型：发明
国别省市：