【技术实现步骤摘要】
本专利技术属于联邦学习，涉及一种基于移动设备的联邦学习优化方法。
技术介绍
1、近年来，随着移动通信技术和个人移动设备的广泛应用，机器学习逐渐从中央服务器转向移动边缘设备，而联邦学习(federated learning，fl)以其对移动设备数据的隐私保护能力从机器学习的领域脱颖而出。fl是一种去中心化的机器学习方法，与传统集中式的机器学习不同的是，fl将训练数据留在客户端本地，通过构建一个服务器与多个客户端的分布式合作训练模型，用参数的传递取代客户端数据的传递，从而在实现模型协同训练的同时，完成对客户端数据的隐私保护。在fl的训练过程中，客户端负责模型的训练过程，即大部分计算都是由客户端完成，而服务器则承担了多个客户端训练结果的聚合以及精度测试的工作。
2、一个典型的fl包括了一个中央服务器，以及数百个移动客户端，而随着移动客户端种类的增加，这数百个移动客户端的类别可能多达几十种，如移动电话、智能车辆、以及更加种类繁多的智能可穿戴设备。而每一轮服务器-客户端的通信过程中，服务器可采用有线通信或是无线通信的方式，有线通信虽然...
【技术保护点】
1.一种基于移动设备的联邦学习优化方法，其特征在于：基于联邦学习框架，包括用于模型聚合的中央服务器以及多个用于本地训练的移动客户端，该方法包括以下步骤：
2.根据权利要求1所述的基于移动设备的联邦学习优化方法，其特征在于：步骤S1所述动态分配，具体包括以下步骤：
3.根据权利要求2所述的基于移动设备的联邦学习优化方法，其特征在于：在每轮的移动客户端-中央服务器的通信中，通过结合网络通信领域的AIMD拥塞控制算法以及查找算法中的折半查找方法，对移动客户端的计算能力进行快速探测；
4.根据权利要求1所述的基于移动设备的联邦学习优化方法，...
【技术特征摘要】
1.一种基于移动设备的联邦学习优化方法，其特征在于：基于联邦学习框架，包括用于模型聚合的中央服务器以及多个用于本地训练的移动客户端，该方法包括以下步骤：
2.根据权利要求1所述的基于移动设备的联邦学习优化方法，其特征在于：步骤s1所述动态分配，具体包括以下步骤：
3.根据权利要求2所述的基于移动设备的联邦学习优化方法，其特征在于：在每轮的移动客户端-中央服务器的通信中，通过结...
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。