【技术实现步骤摘要】
本专利技术属于模型数据处理，涉及一种基于边缘无状态网内聚合的联邦学习方法和系统。
技术介绍
1、联邦学习(fl)是一个很有前途的框架，它可以在不共享参与者个人数据的情况下协同进行全局模型的训练。通常，有一个中心服务器管理训练过程并收集模型更新，而多个客户端使用它们各自的数据执行本地模型训练。尽管该框架具有广泛的应用和高性能，但仍可以通过加速模型聚合和增强数据隐私来进一步改进。一方面，多个客户端将各自的本地模型发送到中心服务器，在网络上形成“多对一”的incast传输，这可能会阻塞中心服务器，减慢整个训练过程。另一方面，在收集本地模型后，中心服务器进行有状态的聚合，这需要在每一轮中保留每个客户端的本地更新。通过这样的历史更新数据，中心服务器可以推断出敏感属性，甚至可以恢复每个客户端的原始数据。因此，联邦学习中所宣称的隐私保护优势可能会受到损害。然而，当前的研究要么集中在通信优化上，要么集中在数据隐私上，存在着的联邦学习性能不高的技术问题。
技术实现思路
1、针对上述传统方法中存在的问题，本专...
【技术保护点】
1.一种基于边缘无状态网内聚合的联邦学习方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于边缘无状态网内聚合的联邦学习方法，其特征在于，所述子节点还包括连接至当前聚合交换机的非聚合交换机。
3.一种基于边缘无状态网内聚合的联邦学习系统，其特征在于，包括：
4.根据权利要求3所述的基于边缘无状态网内聚合的联邦学习系统，其特征在于，所述子节点还包括连接至当前聚合交换机的非聚合交换机。
5.一种基于边缘无状态网内聚合的联邦学习方法，其特征在于，包括步骤：
6.根据权利要求5所述的基于边缘无状态网内聚合的联邦...
【技术特征摘要】
1.一种基于边缘无状态网内聚合的联邦学习方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于边缘无状态网内聚合的联邦学习方法，其特征在于，所述子节点还包括连接至当前聚合交换机的非聚合交换机。
3.一种基于边缘无状态网内聚合的联邦学习系统，其特征在于，包括：
4.根据权利要求3所述的基于边缘无状态网内聚合的联邦学习系统，其特征在于，所述子节点还包括连接至当前聚合交换机的非聚合交换机。
5.一种基于边缘无状态网内聚合的联邦学习方法，其特征在于，包括步骤：
6.根据权利要求5所述的基于边缘无状态网内聚合的联邦学习方法，其特征在于，所述子节点还包括连接至当前聚合交换机...
【专利技术属性】
技术研发人员：郭得科，夏俊旭，刘晗，罗来龙，顾舜贤，程葛瑶，
申请(专利权)人：中国人民解放军国防科技大学，
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。