当前位置: 首页 > 专利查询>广州大学专利>正文

一种协作学习过程中的节点贡献度衡量方法技术

技术编号:39671569 阅读:26 留言:0更新日期:2023-12-11 18:37
本发明专利技术公开了一种协作学习过程中的节点贡献度衡量方法,本发明专利技术方法通过对比模型的相似度,筛选出具有高质量而且独特性的原始数据的节点,并采用核密度估计的方法来计算奖励,从而鼓励高质量节点主动参与训练过程,最终快速计算得到高精度的全局模型

【技术实现步骤摘要】
一种协作学习过程中的节点贡献度衡量方法


[0001]本专利技术涉及协作学习的
,具体涉及一种协作学习过程中的节点贡献度衡量方法


技术介绍

[0002]协作学习是一种允许多个参与方
(
例如设备或组织
)
共同训练模型,同时保留各自的数据隐私的分布式学习方法

由于其在数据隐私保护

资源利用优化以及数据安全等方面的优势,被广泛应用于医疗健康

金融服务

智能设备和物联网

零售和电子商务等各个领域

[0003]在以联邦学习为代表的协作学习过程中,参与计算的节点的激励问题是一个无法忽视的问题

鉴于模型训练过程会不可避免的消耗节点的资源,节点在没有足够激励的情况下不愿意主动参与训练

激励机制旨在激励节点,特别是那些拥有充足计算资源和高质量数据的节点主动参与训练过程,为最终的全局模型做出贡献,从而计算出准确的全局模型,并减少通信开销和收敛时间
本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.
一种协作学习过程中的节点贡献度衡量方法,其特征在于,包括:
S1
:优化本地模型;
S2
:计算不同模型之间的相似度;
S3
:计算节点的贡献度
。2.
根据权利要求1所述的一种协作学习过程中的节点贡献度衡量方法,其特征在于,所述
S1
中,参与训练的节点根据其本地数据的特点,采用聚类算法,计算出能描述其特征的聚类模型
。3.
根据权利要求2所述的一种协作学习过程中的节点贡献度衡量方法,其特征在于,所述计算步骤如下:
1)
参与训练的节点将原始数据集降维成对聚类算法输入友好的低维矩阵;
2)
将降维后的低维矩阵进行聚类处理;
3)
通过信息共享和更新,优化本地模型
。4.
根据权利要求1所述的一种协作学习过程中的节点贡献度衡量方法,其特征在于,所述
S2
中,通过
Earth Mover

s Distnace
来计算不同模型之间的相似度
。5.
根据权利要求4所述的一种协作学习过程中的节点贡献度衡量方法,其特征在于,所述计算不同模型之间的相似度具体包括以下步骤:
1)...

【专利技术属性】
技术研发人员:乔成田志宏刘园陈鹏李冕杰
申请(专利权)人:广州大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1