一种基于随机接入机制的联邦学习设备调度方法技术

本发明专利技术涉及一种基于随机接入机制的联邦学习设备调度方法，包括：广播全局模型及分发下行导频，估计每个设备端的下行信道状态信息，从而生成每个设备端的初始全局模型；排除不能上传局部模型的设备端，剩余设备端迭代生成局部模型，使每个剩余设备端随机选择信道上传上行导频及局部模型，根据上行导频获取信道设备数及各信道中局部模型的和，根据信道设备数及局部模型的和计算得到迭代全局模型。本发明专利技术的方法采用随机接入机制，使能够计算本地模型的设备随机选择其上传信道，然后由基站直接对从信道接收到的本地模型进行聚合，从而解决了一些本地设备无法计算其本地模型时的设备调度问题。调度问题。调度问题。

【技术实现步骤摘要】
一种基于随机接入机制的联邦学习设备调度方法


[0001]本专利技术属于无线通信
，具体涉及一种基于随机接入机制的联邦学习设备调度方法。

技术介绍

[0002]联邦学习作为一种很有前景的隐私保护机器学习方法，近年来引起了学术界到工业界的广泛关注。联邦学习使设备能够单独训练它们的本地数据，然后在中心聚合这些本地模型，以获得全局模型。然而，无线通信的不可靠性将带来一定的训练误差。事实上，无线链路引入的噪声和衰落不仅降低了每个设备的学习算法性能，而且导致基站（base station,BS）的全局模型不准确。因此，无线信道环境中的噪声和衰落是制约联邦学习性能提升的一个重要因素。大规模多输入多输出(massive multiple
‑
input multiple
‑
output,MIMO)通过在BS部署大量天线，进而缓解噪声和衰落对信号的影响。 因此，大规模MIMO系统非常适合部署联邦学习模型。
[0003]Elbir等人验证了在大规模MIMO系统下部署联邦学习模型的可行性。在大规模MIMO系统下，Jeo本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机接入机制的联邦学习设备调度方法，其特征在于，具体包括如下步骤：S1、广播全局模型及分发下行导频至设备端；S2、根据所述下行导频估计每个所述设备端的下行信道状态信息；S3、根据所述全局模型及所述下行信道状态信息生成每个所述设备端的初始全局模型；S4、判断每个所述设备端是否能够上传局部模型，将不能上传局部模型的设备端排除，剩余设备端根据所述初始全局模型迭代生成局部模型；S5、使每个剩余设备端随机选择一个信道上传上行导频及所述局部模型；S6、根据每个信道的上行导频获取信道设备数，并获取每个信道中上传局部模型的和；S7、根据所述信道设备数及所述局部模型的和计算得到迭代全局模型。2.如权利要求1所述的一种基于随机接入机制的联邦学习设备调度方法，其特征在于，所述步骤S4中，所述初始全局模型根据梯度下降算法迭代更新，生成所述局部模型。3.如权利要求1所述的一种基于随机接入机制的联邦学习设备调度方法，其特征在于，所述步骤S5具体包括：S51、对剩余设备端进行执行访问类禁止检查，若某一设备端未通过所述执行访问类禁止检查，...

【专利技术属性】
技术研发人员：朱力，韩会梅，张昱，彭宏，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：