【技术实现步骤摘要】
一种面向异构任务需求的联邦学习训练系统及方法
[0001]本专利技术属于联邦学习
,涉及一种联邦学习训练系统及方法,具体涉及一种面向异构任务需求的联邦学习任务训练系统及方法。
技术介绍
[0002]联邦学习(FL)是一种保护隐私的分布式机器学习范式。它使得大量设备在不泄露数据隐私的前提下使用本地数据集共同训练一个全局联邦学习模型成为可能。FL最普遍的场景是,在每轮训练中,大量客户端的一个子集被选择来使用本地数据对全局联邦学习模型进行训练,并将本地联邦学习模型更新上传到云上的中心服务器中进行聚合,得到新的全局联邦学习模型。由于FL中的参与客户端是大量拥有异构数据并且具有异构资源能力的客户端,FL任务提高效率要克服的主要困难包括:统计异构性,即客户端之间的数据分布为非平衡的和非独立同分布的;客户端异构性,即客户端计算资源等能力各不相同,导致客户端在完成训练任务时的表现参差不齐。为了提高FL的训练效率,更高效地完成训练任务,需要在FL的训练框架中从客户端选择方法上做出优化。目前常用的选择机制包括随机选择机制等方法具有很大的优化空间。
[0003]进一步,从实际任务角度出发,很多FL任务需要在短时间内完成训练,例如谷歌键盘的文本预测等训练任务。FL任务一般是要求在规定时间内训练一个机器学习模型达到规定的精度,因此衡量FL任务完成的好坏有两个维度:完成时间和模型精度。而这两个维度又是相互制约的。这是因为对于一个FL模型的训练,提高精度通常是通过增加计算量来实现的,而增加计算量会消耗更多的能量和时间。完成时间和模型 ...
【技术保护点】
【技术特征摘要】
1.一种面向异构任务需求的联邦学习训练系统,其特征在于:包括中心服务器、客户端;所述中心服务器,根据联邦学习的任务要求C、ε、α预估训练总轮数K、每轮训练选择客户端个数M、每轮训练迭代次数τ三个控制参数的最优值,其中,C为完成任务要求的最长时长,ε是联邦学习模型损失和最小损失之间的差值,α表示时间和精度重要性偏好的权重指标,α∈[0,1];所述中心服务器,从每轮的候选客户端集IIk选出参与子集其中为0/1变量,表示本轮选择该客户端参与训练,反之则表示本轮不选择该客户端;所述中心服务器,以多种选择准则作为优化目标,选择变量作为决策变量建模得到0
‑
1二次规划问题,得到每轮客户端选择结果;被选择的客户端,进行τ次迭代,使用本地数据训练之后,将本地联邦学习模型的参数更新上传到中心服务器聚合,得到新一轮的全局联邦学习模型;训练过程持续K轮,最终达到差异化定制的任务目标。2.一种面向异构任务需求的联邦学习训练方法,采用权利要求1所述面向异构任务需求的联邦学习训练系统;其特征在于,包括以下步骤:步骤1:根据联邦学习的任务要求C、ε、α预估训练总轮数K、每轮训练选择客户端个数M、每轮训练迭代次数τ三个控制参数的最优值;步骤2:根据多种选择准则从每轮的候选客户端集II
k
选出参与子集所述多种选择准则,包括历史训练有效性准则和数据有效性准则;步骤3:以多种选择准则作为优化目标,选择变量作为决策变量建模得到0
‑
1二次规划问题,得到每轮客户端选择结果;步骤4:被选择的客户端进行本轮训练并上传本地联邦学习模型,在每轮训练的最后,中心服务器首先选择与当前全局联邦学习模型最相关的前M个本地联邦学习模型,然后在权重因子中加入精度因子进行聚合计算,得到新一轮的全局联邦学习模型;步骤5:训练过程持续K轮,最终达到差异化定制的任务目标。3.根据权利要求2所述的面向异构任务需求的联邦学习训练方法,其特征在于,步骤1的具体包括以下子步骤:步骤1.1:根据任务要求及要求偏好,建模得问题P1;P1:subject to:to:to:其中,表示K轮训练完成后总时长的期望,表示K轮训练完成后全局联邦学习模型损失的期望;F(w
*
)表示全局联邦学习模型的最小损失,为定值;步骤1.2:将问题P1重写为显示表达的整数优化问题P2;第k轮的总训练时间由计算时间和通信时间组成,用表示第k轮训练中每轮迭代的
计算时间,用表示第k轮训练中的通信时间,则总训练时间为:每轮的计算时间的近似表达为:其中N表示可用客户端总数,ΔC1表示所有客户端一轮迭代最长和最短计算时长之差,c1表示所有客户端中一轮迭代最短的计算时长,表示前K轮的平均通信时长;使用收敛上界来表示K轮训练之后全局联邦学习模型能够达到的精度水平:其中A1和A2是两个常数参数;将由于隐式表达而不可求解的P1转化为P2:P2:subject to:to:to:步骤1.3:求解原问题P1的最优解;将P2的整数约束(1c)放松为K,M,τ≥1,和M≤N,记放松后的问题为使用块坐标下降算法BCD得到的分数最优解(K
*
,M
*
,τ
*
)之后,将每个值分别向上向下取整,得到八种整数组合,再依次将八个解代入原问题P2即原问题P1中得出最优整数解(K
**
,M
**
,τ
**
)。4.根据权利要求2所述的面向异构任务需求的联邦学习训练方法,其特征在于,步骤2的具体实现包括以下子步骤:步骤2.1:每轮训练之...
【专利技术属性】
技术研发人员:周睿婷,王若贝,陈晶,
申请(专利权)人:武汉大学日照信息技术研究院,
类型:发明
国别省市:
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。