【技术实现步骤摘要】
本专利技术涉及人工智能领域，更具体地，涉及一种拆分联邦学习的成本优化方法及系统。
技术介绍
1、联邦学习(federated learning,fl)和拆分学习(split learning,sl)是深度学习中以不分享用户数据为前提的分布式模型训练技术。在联邦学习中，服务器首先初始化一个全局模型。在每一轮全局模型训练中，服务器下发全局模型给所有客户端，每个客户端在本地侧基于本地数据训练此模型，随后将更新后的模型参数上传至服务器，由服务器聚合更新全局模型，以上过程持续迭代进行，直至全局模型精度收敛或者全局模型训练轮次到达预设值。在服务器与某客户端之间的拆分学习中，首先将完整的模型在指定位置(即拆分层)拆分成前后两部分子模型，为各个客户端分配前部分子模型，为服务器端分发后部分子模型。在每一轮模型训练中，客户端基于本地数据执行到拆分层的前向传播，获得粉碎数据并上传至服务器，由服务器完成剩余层的前向传播，服务器也进行到拆分层的反向传播，获得上述粉碎数据的梯度信息并回传至客户端，客户端接着完成剩余层的反向传播。以上前向与反向传播两个过程持续迭代进...
【技术保护点】
1.一种拆分联邦学习的成本优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种拆分联邦学习的成本优化方法，其特征在于，步骤S2所述计算所有客户端数据计算与通信的时延和能耗，首先计算客户端本地计算能量消耗和计算时延，然后计算拆分联邦学习系统客户端能量成本和计算通信延迟。
3.根据权利要求2所述的一种拆分联邦学习的成本优化方法，其特征在于，所述计算客户端本地计算能量消耗和计算时延的具体过程如下：
4.根据权利要求2所述的一种拆分联邦学习的成本优化方法，其特征在于，所述计算拆分联邦学习系统客户端能量成本和计算通信延迟，具体过
【技术特征摘要】
1.一种拆分联邦学习的成本优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种拆分联邦学习的成本优化方法，其特征在于，步骤s2所述计算所有客户端数据计算与通信的时延和能耗，首先计算客户端本地计算能量消耗和计算时延，然后计算拆分联邦学习系统客户端能量成本和计算通信延迟。
3.根据权利要求2所述的一种拆分联邦学习的成本优化方法，其特征在于，所述计算客户端本地计算能量消耗和计算时延的具体过程如下：
4.根据权利要求2所述的一种拆分联邦学习的成本优化方法，其特征在于，所述计算拆分联邦学习系统客户端能量成本和计算通信延迟，具体过程如下：
5.根据权利要求1所述的一种拆分联邦学习的成本优化方法，其特征在于，在步骤s3中，建立的系统成本优化问题具体如下：
6.根据权利要求1所述的一种拆分联邦学习的成本优化方法，其特征在于，在步骤s4中，求解优化问题具体包括...
【专利技术属性】
技术研发人员：黄旭民，杨锐彬，吴茂强，钟伟锋，谢胜利，
申请(专利权)人：广东工业大学，
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。