【技术实现步骤摘要】
本公开涉及计算机，特别涉及基于联邦学习的模型训练方法及系统、计算机可存储介质。
技术介绍
1、联邦学习可以使多个参与方在保证数据隐私的前提下共同完成模型训练任务。联邦学习被广泛应用于移动通信领域，并且已经成为3gpp((3rd generation partnershipproject，第三代合作伙伴计划)等标准组织的重点研究内容。
2、相关技术中，为参与联邦学习的多个ue(user equipment，用户设备)预先人工设定相同的本地联邦学习模型的超参数的值。
技术实现思路
1、相关技术中，通过为不同ue人工设定相同的本地联邦学习模型的超参数的值，未考虑不同ue的不同情况，联邦学习模型的准确率有待提高。
2、针对上述技术问题，本公开提出了一种解决方案，可以提高联邦学习模型的准确率。
3、根据本公开的第一方面，提供了一种基于联邦学习的模型训练方法，包括：第一设备接收来自第二设备的分析请求，所述分析请求包括分析标识、多个用户设备ue的相关信息和联邦学习需求...
【技术保护点】
1.一种基于联邦学习的模型训练方法，包括：
2.根据权利要求1所述的模型训练方法，其中，与所述第二设备共同确定所述每个UE的本地联邦学习模型的超参数的目标值包括：
3.根据权利要求2所述的模型训练方法，其中，所述第一设备根据所述分析标识、所述多个用户设备UE的相关信息、所述联邦学习需求信息和与所述每个UE相关的第一时间的性能数据，与所述第二设备共同确定所述每个UE的本地联邦学习模型的超参数的目标值包括：
4.根据权利要求3所述的模型训练方法，其中，所述超参数包括丢弃率，所述模型训练方法还包括：
5.根据权利要求1-4任一...
【技术特征摘要】
1.一种基于联邦学习的模型训练方法，包括：
2.根据权利要求1所述的模型训练方法，其中，与所述第二设备共同确定所述每个ue的本地联邦学习模型的超参数的目标值包括：
3.根据权利要求2所述的模型训练方法，其中，所述第一设备根据所述分析标识、所述多个用户设备ue的相关信息、所述联邦学习需求信息和与所述每个ue相关的第一时间的性能数据，与所述第二设备共同确定所述每个ue的本地联邦学习模型的超参数的目标值包括：
4.根据权利要求3所述的模型训练方法，其中，所述超参数包括丢弃率，所述模型训练方法还包括：
5.根据权利要求1-4任一项所述的模型训练方法，还包括：
6.根据权利要求5所述的模型训练方法，其中，所述联邦学习反馈信息包括所述分析标识，与所述第二设备共同更新所述每个ue的本地联邦学习模型的超参数的目标值包括：
7.根据权利要求6所述的模型训练方法，其中...
【专利技术属性】
技术研发人员：于梦晗，李鹏宇，
申请(专利权)人：中国电信股份有限公司，
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。