一种面向集群车辆合作学习的训练方法技术

本发明专利技术公开了一种面向集群车辆合作学习的训练方法。首先，服务器将全局模型广播给其覆盖范围的每个车辆客户端，使用迭代K‑means算法实现无需预先设定划分模型个数的模型划分，并对划分后的模型进行分组聚合；然后，基于客户端本地数据质量与相似度的匹配聚类方法，通过簇头选择、簇头匹配模型、车辆客户端匹配簇头，三个过程实现精准聚类；接着，使用双层激励机制方案，在上层，服务器采用Stackelberg博弈机制对各个簇头进行激励，在下层，簇头则采用多维合同理论机制对簇内车辆客户端进行激励。本发明专利技术训练方法实现了对车辆客户端的精准聚类，同时激励了多个簇并行训练多个联邦学习任务，从而有效地提高了面向集群车辆合作学习的整体效率。

【技术实现步骤摘要】

本申请涉及智能交通，特别涉及一种面向集群车辆合作学习的训练方法。

技术介绍

1、随着vfl(车辆网联邦学习)技术的出现，可以在有效降低通信延迟的同时，保护车辆客户端的隐私。然而，vfl在带来诸多好处的同时，也面临着许多挑战。对于cvfl(面向集群车辆合作学习)，由于cvfl服务器不知道车辆客户端的本地数据信息，很难根据数据分布准确地将车辆客户端聚类。如果没有适当的激励，车辆客户主动参与学习过程是不现实的，因为车辆客户在培训过程中消耗了大量的私人资源。因此，cvfl服务器有必要设计激励机制，激励车载客户参与培训过程，鼓励诚实行为，以提高培训效率。

2、近年来，为了解决cvfl中的聚类问题，研究人员进行了许多工作。然而，这些工作在聚类过程中没有考虑到车辆客户端的移动性，在动态车联网场景下，车辆客户端的连接可能会频繁中断。

3、同时，现有技术已经对fl(联邦学习)激励机制的设计进行了一系列的研究。然而，并没有考虑到在cvfl的场景下，如何进行双层的激励机制设计，即cvfl服务器如何对各个簇头进行激励，以及簇头如何对簇内客户端进行激励。此外本文档来自技高网...

【技术保护点】

1.一种面向集群车辆合作学习的训练方法，包括以下步骤：

2.根据权利要求1所述的面向集群车辆合作学习的训练方法，其特征在于，步骤1中基于迭代K-means算法的模型划分方法，分为以下步骤：

3.根据权利要求2所述的面向集群车辆合作学习的训练方法，其特征在于，步骤1中通过模型划分算法，将车辆客户端的模型划分为具有给定集合中心的分类，对于每个分类Ck，得出集合中心方法如下：

4.根据权利要求1所述的面向集群车辆合作学习的训练方法，其特征在于，步骤2中，车辆客户端对本地模型精准聚类，实现每个簇内车辆客户端的数据独立同分布，提高参与聚类的各车辆客户端数据质量，...

【技术特征摘要】

1.一种面向集群车辆合作学习的训练方法，包括以下步骤：

2.根据权利要求1所述的面向集群车辆合作学习的训练方法，其特征在于，步骤1中基于迭代k-means算法的模型划分方法，分为以下步骤：

3.根据权利要求2所述的面向集群车辆合作学习的训练方法，其特征在于，步骤1中通过模型划分算法，将车辆客户端的模型划分为具有给定集合中心的分类，对于每个分类ck，得出集合中心方法如下：

4.根据权利要求1所述的面向集群车辆合作学习的训练方法，其特征在于，步骤2中，车辆客户端对本地模型精准聚类，实现每个簇内车辆客户端的数据独立同分布，提高参与聚类的各车辆客户端数据质量，方法如下：...

【专利技术属性】
技术研发人员：夏文超，付奕淞，王思洋，徐林林，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：