半监督联邦学习方法、系统、设备及可读存储介质技术方案

本发明专利技术公开了一种半监督联邦学习方法、系统、设备及可读存储介质，该方法包括：基于多个客户端中的有标签数据，分别对所述客户端本地的初始模型进行训练，并将训练后的本地模型上传至服务器；基于所述服务器，分别获取各个所述本地模型的相似度，并基于各所述本地模型的相似度，对各个客户端进行模型迁移；聚合迁移后所述客户端内的模型，并对所述聚合后的模型进行训练以修正模型参数。该半监督联邦学习方法经实验室多次模拟，在达到相同准确率的情况下，相比于传统的学习方法，模型的收敛速度显著提高。并且由于在模型迁移的过程中，考虑到了客户端的通信能力，所以该方法适应性更强，可应用场景无明显限制。

【技术实现步骤摘要】

本专利技术是关于人工智能，特别是关于一种半监督联邦学习方法、系统、设备及可读存储介质。

技术介绍

1、随着世界范围内隐私保护法律的日益严格实施，联邦学习受到了极大的关注。通过聚合多个设备的局部模型参数，使多个设备能够协同学习一个全局模型，不需要从本地上传数据到云端。既减少了云端的资源消耗，也增强了客户端的隐私。同时，由于无标签的数据易于获取，而有标签的数据收集起来通常很困难，标注也耗时和耗力。在这种情况下，半监督学习更适用于现实应用，近来也已成为深度学习领域热门的新方向，该方法只需要少量有带标签的样本和大量无标签的样本。但在实际的模型学习过程中，边缘计算网络中边缘设备资源受限，大概率存在设备异构以及数据异构的问题。

2、因此，针对上述技术问题，有必要提供一种半监督联邦学习方法、系统、设备及可读存储介质。

3、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路>

1、本专利技本文档来自技高网...

【技术保护点】

1.一种半监督联邦学习方法，其特征在于，包括：

2.如权利要求1所述的半监督联邦学习方法，其特征在于，所述方法还包括：

3.如权利要求1所述的半监督联邦学习方法，其特征在于，所述对各个客户端进行模型迁移，包括：

4.如权利要求1所述的半监督联邦学习方法，其特征在于，所述对所述聚合后的模型进行训练以修正模型参数，包括：

5.如权利要求4所述的半监督联邦学习方法，其特征在于，所述基于聚合后的模型为所述客户端中的无标签数据生成伪标签，包括：

6.如权利要求4所述的半监督联邦学习方法，其特征在于，所述验证所述伪标签是否为真标签，包括：<...

【技术特征摘要】

1.一种半监督联邦学习方法，其特征在于，包括：

2.如权利要求1所述的半监督联邦学习方法，其特征在于，所述方法还包括：

3.如权利要求1所述的半监督联邦学习方法，其特征在于，所述对各个客户端进行模型迁移，包括：

4.如权利要求1所述的半监督联邦学习方法，其特征在于，所述对所述聚合后的模型进行训练以修正模型参数，包括：

5.如权利要求4所述的半监督联邦学习方法，其特征在于，所述基于聚合后的模型为所述客户端中的无标签数据生成伪标签，包括：

6.如权利要求4所述的半监督联邦学习方法，其特征在于，所述验证所述伪标签是否为真标签，包括：

7.如权...

【专利技术属性】
技术研发人员：许杨，姚志伟，徐宏力，刘建春，廖云铭，
申请(专利权)人：中国科学技术大学苏州高等研究院，
类型：发明
国别省市：