【技术实现步骤摘要】
联邦学习方法、装置、电子设备和计算机可读存储介质
[0001]本公开涉及人工智能
,尤其涉及联邦学习、图像处理等领域。
技术介绍
[0002]近年来,联邦学习(Federated Learning,FL)取得了重大进展,它可以利用边缘设备上的分布式数据进行协作式模型训练。联邦学习通常利用分布式架构,在设备和集中式服务器之间传输梯度或模型,而不是原始数据,以解决安全或隐私问题。采用集中式服务器的分布式联邦学习会在服务器上产生严重的通信开销。
技术实现思路
[0003]本公开提供了一种联邦学习方法、装置、电子设备和计算机可读存储介质。
[0004]根据本公开的一方面,提供了一种联邦学习方法,包括:
[0005]基于本设备的当前模型进行参数优化,得到本地更新模型;
[0006]基于本设备的局部掩码对本地更新模型进行修剪,得到本地修剪模型;
[0007]基于多个邻居模型中的各邻居模型对应的局部掩码以及本设备的局部掩码,对多个邻居模型以及本地修剪模型进行聚合,得到新的当前模型;
[0008]向本设备的邻居设备发送当前模型的相关信息,其中,相关信息用于表征当前模型以及本设备的局部掩码。
[0009]根据本公开的另一方面,提供了一种联邦学习装置,包括:
[0010]本地更新模块,用于基于本设备的当前模型进行参数优化,得到本地更新模型;
[0011]修剪模块,用于基于本设备的局部掩码对本地更新模型进行修剪,得到本地修剪模型;
[0012]聚 ...
【技术保护点】
【技术特征摘要】
1.一种联邦学习方法,包括:基于本设备的当前模型进行参数优化,得到本地更新模型;基于本设备的局部掩码对所述本地更新模型进行修剪,得到本地修剪模型;基于多个邻居模型中的各邻居模型对应的局部掩码以及本设备的局部掩码,对所述多个邻居模型以及所述本地修剪模型进行聚合,得到新的当前模型;向本设备的邻居设备发送所述当前模型的相关信息,其中,所述相关信息用于表征所述当前模型以及本设备的局部掩码。2.根据权利要求1所述的方法,其中,所述基于本设备的当前模型进行参数优化,得到本地更新模型,包括:基于所述当前模型对样本图像进行处理,得到图像处理结果;基于所述图像处理结果,确定所述当前模型对应的损失;基于所述损失,对本设备的当前模型进行参数优化,得到所述本地更新模型。3.根据权利要求1或2所述的方法,还包括:基于所述各邻居模型的训练信息以及所述当前模型的训练信息,确定所述各邻居模型的权重以及所述当前模型的权重;基于所述各邻居模型的权重以及所述当前模型的权重,得到本设备的目标剪枝率;基于所述目标剪枝率,得到本设备的局部掩码。4.根据权利要求3所述的方法,其中,所述基于所述各邻居模型的权重以及所述当前模型的权重,得到本设备的目标剪枝率,包括:基于预设算法得到本设备的参考剪枝率;基于所述各邻居模型的权重以及所述当前模型的权重,对与所述多个邻居模型分别对应的多个目标剪枝率以及本设备的参考剪枝率进行计算,得到本设备的目标剪枝率。5.根据权利要求3或4所述的方法,其中,所述多个邻居模型中的第一邻居模型的训练信息包括以下至少之一:所述第一邻居模型的模型更新次数与所述当前模型的模型更新次数之间的差异;所述第一邻居模型对应的损失;所述第一邻居模型对应的样本数量。6.根据权利要求3
‑
5中任一项所述的方法,其中,所述基于所述各邻居模型的训练信息以及所述当前模型的训练信息,确定所述各邻居模型的权重以及所述当前模型的权重,包括:基于所述当前模型对应的损失,对控制变量进行更新;基于所述各邻居模型的训练信息、所述当前模型的训练信息以及所述控制变量,确定所述各邻居模型的权重以及所述当前模型的权重。7.根据权利要求3
‑
6中任一项所述的方法,其中,所述基于所述目标剪枝率,得到本设备的局部掩码,包括:确定当前模型的各参数对所述当前模型对应的损失的影响程度;基于所述影响程度,得到所述当前模型的各参数的次序;基于所述当前模型的各参数的次序以及所述目标剪枝率,确定待修剪的参数;基于所述待修剪的参数以及完整模型结构,得到本设备的局部掩码。
8.根据权利要求1
‑
7中任一项所述的方法,其中,所述基于多个邻居模型中的各邻居模型对应的局部掩码以及本设备的局部掩码,对所述多个邻居模型以及所述本地修剪模型进行聚合,包括:针对完整模型结构中的每个参数,基于所述各邻居模型的权重以及所述当前模型的权重,对所述各邻居模型中的对应参数以及所述本地修剪模型中的对应参数进行加权求和,得到所述每个参数的第一更新结果;基于各邻居模型对应的局部掩码以及本设备的局部掩码,在所述多个邻居模型以及所述本地修剪模型中确定出所述每个参数的相关模型;基于所述相关模型的权重以及所述每个参数的第一更新结果,得到所述每个参数的第二更新结果;基于所述每个参数的第二更新结果,得到新的当前模型。9.根据权利要求1
‑
8中任一项所述的方法,还包括:基于所述当前模型的参数、所述当前模型的训练信息以及本设备的局部掩码,得到所述当前模型的模型相关信息。10.一种联邦学习装置,包括:本地更新模块,用于基于本设备的当前模型进行参数优化,得到本地更新模型;修剪模块,用于基于本设备的局部掩码对所述本地更新模型进行修剪,得到本地修剪模型;聚合模块,用于基于多个邻居模型中的各邻居模型对应的局部掩码以及本设备的局部掩码,对所述多个邻居模型以...
【专利技术属性】
技术研发人员:刘吉,马北辰,窦德景,
申请(专利权)人:北京百度网讯科技有限公司,
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。