基于结构增强的异质数据联邦学习方法及相关设备技术

本申请提供一种基于结构增强的异质数据联邦学习方法及相关设备包括接收服务器端的全局模型根据全局模型对本地网络模型进行初始化；响应于确定完成所述初始化，获取本地数据根据本地数据对所述本地网络模型进行正则化训练确定第一损失函数；响应于确定完成训练获取预设采样系数和预设采样宽度对本地网络模型进行结构增强训练，根据预设采样系数和所述预设采样宽度对所述本地网络模型进行采样确定若干子网络模型；对所述本地数据进行数据增强处理确定训练用数据，根据所述训练用数据对若干所述子网络模型进行更新训练确定全局损失函数；根据全局损失函数对本地网络模型的权重进行更新将所述全局损失函数将更新的所述本地网络模型上传所述服务器端。述本地网络模型上传所述服务器端。述本地网络模型上传所述服务器端。

【技术实现步骤摘要】
基于结构增强的异质数据联邦学习方法及相关设备


[0001]本申请涉及联邦学习
，尤其涉及一种基于结构增强的异质数据联邦学习方法及相关设备。

技术介绍

[0002]联邦学习使大量客户端能够在不损害数据隐私的情况下实现对机器学习模型的协作训练。在联邦学习设置中，参与的客户端通常部署在各种环境中，或者由不同的用户或机构所拥有。因此，每个客户端本地数据的分布可能有很大差异，即数据异构性。这种在联邦学习中参与设备之间的非独立同分布数据导致全局模型精度下降。

技术实现思路

[0003]有鉴于此，本申请的目的在于提出一种基于结构增强的异质数据联邦学习方法及相关设备。
[0004]基于上述目的，本申请提供了一种应用于联邦学习客户端的基于结构增强的异质数据联邦学习方法，包括：接收服务器端的全局模型，根据所述全局模型对本地网络模型进行初始化；响应于确定完成所述初始化，获取本地数据，并根据所述异质本地数据对所述本地网络模型进行初始训练，确定第一损失函数；响应于确定完成训练，获取预设采样系数和预设采样宽度，根据所述预设采样系数和所述预设采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于结构增强的异质数据联邦学习方法，其特征在于，应用于联邦学习的客户端，包括：接收服务器端的全局模型，根据所述全局模型对本地网络模型进行初始化；响应于确定完成所述初始化，获取本地数据，并根据所述本地数据对所述本地网络模型进行初始训练，确定第一损失函数；响应于确定完成本地网络模型的结构增强训练，获取预设采样系数和预设采样宽度，根据所述预设采样系数和所述预设采样宽度对所述本地网络模型进行采样，确定若干子网络模型；对所述本地数据进行数据增强处理，确定训练用数据，并根据所述训练用数据对若干所述子网络模型进行结构增强训练，确定全局损失函数；根据全局损失函数对本地网络模型的权重进行更新，并将更新后的所述本地网络模型上传所述服务器端。2.根据权利要求1所述的方法，其特征在于，所述根据所述预设采样系数和所述预设采样宽度对所述本地网络模型进行采样，确定子网络模型，包括：确定所述本地网络模型的模型宽度；根据所述本地网络模型的模型宽度、所述预设采样系数和所述模型宽度对所述本地网络模型进行采样，确定所述子网络模型；其中，所述预设采样系数与所述预设采样宽度一一对应。3.根据权利要求1所述的方法，其特征在于，所述根据所述预设采样系数和所述预设采样宽度对所述本地网络模型进行采样，确定若干子网络模型，包括：根据所述预设采样系数，确定所述预设采样系数对应的所述预设采样宽度；根据所述预设采样宽度对所述本地网络模型确定目标采样部分，并将所述目标采样部分作为所述子网络模型。4.根据权利要求1所述的方法，其特征在于，所述本地数据为图像数据；所述对所述本地数据进行数据增强处理，确定训练用数据，包括：对所述图像数据进行旋转、翻转、缩放、裁剪、加噪以及改变色彩范围，确定...

【专利技术属性】
技术研发人员：梁美玉，张珉，李雅文，薛哲，管泽礼，潘圳辉，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：