【技术实现步骤摘要】
联邦学习的多层协调控制方法、控制装置、介质和设备
[0001]本专利技术属于分布式机器学习
，具体地讲，涉及一种联邦学习的多层协调控制方法、控制装置、计算机可读存储介质和计算机设备。
技术介绍
[0002]近年来，移动设备快速发展，其不仅在计算能力上得到快速提升，也配备了各种各样的传感器，从不同维度搜集着信息并且记录着人们的生活。有效利用这些数据进行机器学习模型的训练将大大提高移动设备的智能化发展，同时也将大幅提高用户体验。传统的训练方式会首先将用户在移动设备上的初始数据集中到服务器上，而后对相关深度学习模型进行训练。在应用具有推测需求的时候，其将初始数据上传服务器，在服务器上进行推理过程，而后服务器将推理结果回传给移动设备，这种训练与推理方式将引起严重的数据隐私问题。
[0003]为了解决分布式训练的隐私问题，相关人员提出了联邦学习。联邦学习首先将数据在移动设备上直接进行训练，之后将相关梯度进行上传，并在服务器端对梯度进行融合，并将更新好的模型下发给移动设备。以这种方式进行模型的迭代与更新直到模型收敛。
【技术保护点】
【技术特征摘要】
1.一种联邦学习的多层协调控制方法，其特征在于，包括：获取各个候选设备的本地信息；根据各个候选设备的本地信息确定进行训练的参与设备；向各个参与设备发送待训练的共享模型和训练时间，以使参与设备在训练时间之内进行训练并更新共享模型；在训练时间到达时，统计训练进度数据，并根据训练进度数据生成继续本轮训练或停止本轮训练的指令。2.根据权利要求1所述的联邦学习的多层协调控制方法，其特征在于，训练进度数据包括完成训练的设备数量和权重更新值，根据训练进度生成继续训练或停止训练的指令的具体方法包括：当完成训练的设备数量和权重更新值均达到预设条件时，生成停止本轮训练的指令，否则，生成继续本轮训练的指令。3.根据权利要求2所述的联邦学习的多层协调控制方法，其特征在于，生成继续本轮训练的指令之后，所述多层协调控制方法还包括：在未完成训练的参与设备中确定补充训练设备；向补充训练设备发送补充训练时间，以使补充训练设备在补充训练时间之内进行训练并更新共享模型。4.根据权利要求3所述的联邦学习的多层协调控制方法，其特征在于，所述多层协调控制方法还包括：在补充训练时间到达时，统计补充训练进度；若补充训练进度未达到阈值，则生成重新进行本轮训练的指令；若补充训练进度达到阈值，则生成进行下一轮训练的指令。5.一种联邦学习的多层协调控制装置，其特征在于，包括：获取单元，用于获取各个候选设备的本地信息；处理单元，用于根据各个候选设备的本地信息确定进行训练的参与设备；发送单元，用于向各个参与设备发送待训练的共享模型和训练时间，以使参与设备在训练时间之内进行训练并更新共享...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。