【技术实现步骤摘要】
一种基于响应时间实时均衡的联邦学习高效通信方法
[0001]本专利技术属于联邦机器学习领域,涉及一种基于响应时间实时均衡的联邦学习高效通信方法。
技术介绍
[0002]随着智能边缘设备的普及应用,个性化、低延迟的人工智能应用需求,如人脸识别、智能驾驶、智能监控等不断涌现。传统的机器学习算法(ML,machine learning)通常采用基于云的集中式学习方式,其需要边缘设备将自身所采集和产生的海量原始数据,如图片、视频、位置等数据通过移动网络上传至云服务器,并由云服务器集中完成模型的训练和推理。集中式学习方式虽然可以训练更加准确的人工智能模型,但存在高传输延时、高网络带宽压力以及用户隐私泄露等弊端。为解决这一问题,基于联邦学习(FL,federated learning)的分布式机器学习框架应运而生。
[0003]联邦学习允许多个分布式边缘设备在云服务器的统一协调下,协作完成一个全局模型的训练,而无需传输自身所采集的原始数据。在标准的联邦学习训练过程中,每个边缘设备会先从云服务器下载当前最新的全局模型,然后利用自身所采集的原始数据在本地完成局部模型训练。在每轮通信迭代前,将局部模型更新发送至云服务器,云服务器聚合各个终端发送的局部更新,得到更新的全局模型。最后,不断重复这一过程,直至全局模型收敛。与直接传输原始数据的集中式学习方法相比,FL选择上传训练后的被本地模型更新,能有效地降低对云端的网络带宽压力,同时保护用户的隐私。
[0004]然而,由于联邦学习环境中终端设备资源或者数据异构,Stragg ...
【技术保护点】
【技术特征摘要】
1.一种基于响应时间实时均衡的联邦学习高效通信方法,其特征在于:该方法包括以下步骤:S1:初始化,定义为设备集合,N为设备个数,和分别为所有设备所采集的本地隐私数据和计算能力集合,和分别为簇以及簇的Head节点集合,M为簇个数,云服务器初始化全局模型ω0,全局模型训练轮数T,簇内模型训练轮数H;S2:动态分层通信架构构建,根据给定的设备计算能力以及设备的数据集合动态的将终端设备划分至给定的计算簇中,使得每个计算簇在当前迭代轮次h∈H的簇模型训练时间均衡,并构建基于“云服务器
‑
Head节点
‑
终端设备”的动态分层通信架构;S3:簇内加权协作训练,每个簇的Head的节点分别进行簇内加权协作训练,得到每个簇在当前迭代轮次h∈H的簇内模型更新S4:簇间模型聚集,每个计算簇的Head节点分别将获得的簇模型更新上传至云服务器,云服务器对上传的簇模型更新进行聚集操作,得到下一轮迭代的全局模型ω
t+1
;S5:全局模型分发,云服务器将更新的全局模型ω
t+1
下发给所有计算设备,模型训练进入下一轮迭代。2.根据权利要求1所述的一种基于响应时间实时均衡的联邦学习高效通信方法,其特征在于:所述S2具体包括以下步骤:S2
‑
1:所有终端设备从云服务器获取迭代轮次t∈T的全局模型ω
t
(t=0,1,2,...,T);S2
‑
2:所有终端设备根据各自的本地隐私数据以及全局模型ω
t
并行地进行本地模型训练,对于设备有如下计算公式:其中,e∈E为终端设备的本地模型训练轮次,和为终端设备在本地迭代轮次e和e
‑
1的本地模型更新,b∈B为训练块大小,η和分别为学习率和梯度函数;S2
‑
3:记簇内迭代训练轮次h∈H,得到经过E轮本地模型训练的终端设备集合为S且S中每个设备的本地模型更新为则分别预测评估将设备划分至每个簇的簇模型训练时间对于设备有如下计算公式:S2
‑
4:将设备分配至使得簇间训练时间差异最小的簇中,对于簇有如
下计算公式:S2
‑
5:更新每个簇的簇模型训练时间重复S2
‑
3至S2
‑
5,直至集合S中所有设备划分完成为止,得到当前迭代轮数h∈H的一次簇划分结果;S2
‑
6,在每个簇中,选择一个计算能力最强的设备作为簇的Head节点,并构建基于“云服务器
‑
Head节点
‑
终端设备”一体的逻辑分层架构。3.根据权利要求2所述的一种基于响应时间实时均衡的联邦学习高效通信方法,其特征在于:所述S3具体包括以下步骤:S3
‑
1:分别统计每个设备直至迭代轮次h∈H,训练得到本地模型更新的总频次S3
‑
2:分别计算每个设备在当前迭代轮次h∈H的簇内模型聚集权重其计算公式如下:S3
‑
3:计算每个簇在当前迭代轮次h∈H的簇内模型更新,对于簇其计算公式如下:其中,表示簇在簇内迭代轮次(h
‑
1)的簇模型更新;不断重复S2~S3,直至每个簇迭代训练H轮为止,得到经过H轮迭代训练的簇模型更新4.根据权利要求3所述的一种基于响应时间实时均衡的联邦学习高效通信方法,其特征在于:所述S4具体包括以下步骤:S4
‑
1,每个计算簇的Head节点将训练得到的簇模型更新传输至云服务器;S4
‑
2,云服务器对所有上传的簇模型更新进行聚集操作,并得到下一轮迭代的全局模型ω
t+1
,其计算公式如下:其中,ω
t
为第t轮迭代的全局模型。5.根据权利要求4所述的一种基于响应时间实时均衡的联邦学习高效通信方法,其特征在于:所述S5具体包括以下步骤:
S5
‑<...
【专利技术属性】
技术研发人员:李开菊,王豪,张清华,夏英,张旭,
申请(专利权)人:重庆邮电大学,
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。