一种基于异构边端设备的自适应联邦学习方法与系统技术方案

本发明专利技术提供一种基于异构边端设备的自适应联邦学习系统及方法，属于机器学习技术领域，所述系统包括：中心服务器，用于在当前轮次模型训练过程中，根据从各边端设备接收的底层模型参数，更新当前业务模型，更新后的业务模型作为下一轮次模型训练过程中的当前业务模型，底层模型参数是输入侧的模型参数；K个边端设备，各边端设备存储有本地数据集，并部署有与其设备算力相符的子模型，子模型是业务模型的分片。各边端设备持有独立的训练数据，充分利用各个边端设备分散的算力资源与本地数据，根据现场边端设备算力对大规模模型进行切分部署，通过在边端设备上部署与其设备算力相符的子模型，协调资源开销，解决应急场景下边端设备资源受限的问题。

【技术实现步骤摘要】

本专利技术涉及机器学习，尤其涉及一种基于异构边端设备的自适应联邦学习方法与系统。

技术介绍

1、在应急救援现场，数据的精准采集和目标的实时感知是至关重要的。这些数据可以帮助救援人员了解灾情的严重程度，受灾人口的分布情况，以及最需要救援的地点和资源分配情况。在如林区火灾等复杂灾区环境下，救援现场往往面临地形复杂、通信链路不畅等问题，大型救援设备也难以迅速到达。因此，为保障救援效率，边端设备扮演着至关重要的角色。这些设备位于现场或其附近，例如现场无人机、救援人员携带的设备等，它们能够迅速应对应急事件，具有实时数据采集、处理、传输和决策的能力，以更好地指导救援行动。

2、为进一步协助救援人员进行高效精准搜救，通常需设计智能灾情感知模型，如基于深度学习的目标检测、识别模型等，并将智能模型传输或下发到边端设备上。在应急救援的场景下，需快速处理大量数据，及时响应检测结果，然而，在应急场景下，使用传统的单机模型训练方式，由于边端设备的计算能力和存储容量有限，无法统一部署和处理庞大的数据集和复杂感知模型，导致训练过程缓慢，影响救援效率。p>

本文档来自技高网...

【技术保护点】

1.一种基于异构边端设备的自适应联邦学习系统，其特征在于，包括：

2.根据权利要求1所述的基于异构边端设备的自适应联邦学习系统，其特征在于，所述K个边端设备根据设备算力划分为N个层级，第n+1层边端设备上部署的子模型的宽度是第n层边端设备上部署的子模型的宽度的两倍，其中，N为大于1的正整数，n为正整数，n+1≤N。

3.一种基于异构边端设备的自适应联邦学习方法，其特征在于，应用于如权利要求1或2所述的基于异构边端设备的自适应联邦学习系统，所述基于异构边端设备的自适应联邦学习方法包括：

4.根据权利要求3所述的基于异构边端设备的自适应联邦学习方法，其特征...

【技术特征摘要】

1.一种基于异构边端设备的自适应联邦学习系统，其特征在于，包括：

2.根据权利要求1所述的基于异构边端设备的自适应联邦学习系统，其特征在于，所述k个边端设备根据设备算力划分为n个层级，第n+1层边端设备上部署的子模型的宽度是第n层边端设备上部署的子模型的宽度的两倍，其中，n为大于1的正整数，n为正整数，n+1≤n。

3.一种基于异构边端设备的自适应联邦学习方法，其特征在于，应用于如权利要求1或2所述的基于异构边端设备的自适应联邦学习系统，所述基于异构边端设备的自适应联邦学习方法包括：

4.根据权利要求3所述的基于异构边端设备的自适应联邦学习方法，其特征在于，所述边端设备的子模型基于如下公式进行更新：

5.根据权利要求3所述的基于异构边端设备的自适应联邦学习方法，其特征在于，所述本地参数梯度基于如下公式进行更新：

6...

【专利技术属性】
技术研发人员：王莉，徐连明，费爱国，吴鑫，刘虓，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：