一种双端聚类联邦学习方法技术

本发明专利技术公开了一种双端聚类联邦学习方法，包括如下步骤：步骤1、服务器模型参数初始化；步骤2、客户端训练全局模型r轮；步骤3、服务器将参与客户端执行服务器端聚类；步骤4、服务器根据聚类结果将全局模型扩展成k个簇，并发送给未参与客户端执行客户端聚类；步骤5、客户端根据簇模型进行本地训练，并上传更新梯度；步骤6、服务器判断客户端的身份是否需要重新识别，若需要，则进入步骤7，否则进入步骤8；步骤7、客户端根据全部簇模型交替计算经验损失，获取新的身份发送给服务器；步骤8、服务器判断联邦系统是否完成训练，若完成训练，则进入步骤9；步骤9、联邦训练结束，输出最终预测模型；该方法可以在服务器端聚类结果出错的情况下，小规模调整客户端身份，将错误聚类结果调整为正确聚类结果，提高了聚类算法的容错率和模型收敛速度。

【技术实现步骤摘要】

本专利技术涉及联邦学习，具体是一种双端聚类联邦学习方法。

技术介绍

1、联邦学习(fl)是一种分布式的机器学习方法，其主要目的是允许多个参与方(例如移动设备、传感器、客户端)在本地维护其数据，并仅共享模型的参数更新，而不共享原始数据。与一般的分布式机器学习框架不同，联邦学习更加强调隐私保护的重要性。在联邦学习中，原始数据严格保持在本地设备上，仅有经过加密的模型参数的微小更新会在设备之间进行共享，从而提供了更高级别的隐私保护。在广泛使用的联邦学习算法fedavg中，多个被称为客户端的用户无需将本地设备的数据传输至中央服务器，而是通过协同训练一个共享的神经网络模型来实现模型更新。这一算法代表了一种通用的联邦学习方法，吸引了一些学者进一步展开研究，以不断完善和扩展联邦学习的应用领域。

2、联邦学习以其隐私保护、数据传输减少以及分布式数据场景适用等特点，为应对数据共享和隐私问题提供了有力的解决方案。此外，联邦学习已广泛应用于多个领域，如下一个单词预测和电子健康记录学习等。然而，尽管联邦学习带来了众多优势，仍然伴随着多项挑战。其中一个主要挑战是统计异质性本文档来自技高网...

【技术保护点】

1.一种双端聚类联邦学习方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种双端聚类联邦学习方法，其特征在于：所述S2步骤包括：

3.根据权利要求1所述的一种双端聚类联邦学习方法，其特征在于：所述S4步骤包括：

4.根据权利要求1所述的一种双端聚类联邦学习方法，其特征在于：所述S6步骤包括：

5.根据权利要求1所述的一种双端聚类联邦学习方法，其特征在于：所述S8步骤包括：

【技术特征摘要】

1.一种双端聚类联邦学习方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种双端聚类联邦学习方法，其特征在于：所述s2步骤包括：

3.根据权利要求1所述的一种双端聚类联邦学习方法，其...

【专利技术属性】
技术研发人员：尹春勇，周永成，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：