【技术实现步骤摘要】
本专利技术涉及联邦学习领域，尤其是涉及一种基于模型分解的联邦学习训练方法、装置及存储介质。
技术介绍
1、随着城市化的进展，越来越多的人口涌入城市，居住在社区内。社区人口密度大，火灾具有突发性高、蔓延速度快、造成危害大等特点，因此如何将火情扼杀在源头里或发生初期，成为现阶段消防面临的重大问题。现代智慧社区中部署了大量的传感器和摄像头，例如，居民楼中普遍安装了火灾探测器，可以探测空气中的烟雾浓度、一氧化碳含量、温度变化等因素，预测火灾是否发生；楼道及街道上安装的摄像头能拍摄到可能引发火灾的堆积杂物、油渍、烟头、纸张等。
2、利用物联网设备能够获取前述相关数据，并基于这些数据，可以采用深度学习，训练出高效准确的火灾预测模型，但是需要将这些设备的本地数据传输到中央服务器进行集中训练，这种数据传输会破坏用户的隐私。近年来联邦学习的概念被提出，该方法能让多个用户共同训练可靠的全局模型，而不用将其本地数据传输给其他用户，具有数据隐私性好、模型准确率高、训练消耗少等优点。然而联邦学习方案应用于社区火情预测还面临以下两个问题：
...
【技术保护点】
1.一种基于模型分解的联邦学习训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于模型分解的联邦学习训练方法，其特征在于，在所述S6中，分别聚合所有社区当前的第一模块、共享模块和第二模块，更新城市全局模型的过程包括，聚合所有社区当前的共享模块，聚合具有相同剪枝比例的社区的第一模块，以及聚合具有相同剪枝比例的社区的第二模块。
3.根据权利要求1所述的基于模型分解的联邦学习训练方法，其特征在于，每个所述设备具有相应的本地数据集，用于各阶段的模型训练。
4.根据权利要求1所述的基于模型分解的联邦学习训练方法，其特征在于，所述...
【技术特征摘要】
1.一种基于模型分解的联邦学习训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于模型分解的联邦学习训练方法，其特征在于，在所述s6中，分别聚合所有社区当前的第一模块、共享模块和第二模块，更新城市全局模型的过程包括，聚合所有社区当前的共享模块，聚合具有相同剪枝比例的社区的第一模块，以及聚合具有相同剪枝比例的社区的第二模块。
3.根据权利要求1所述的基于模型分解的联邦学习训练方法，其特征在于，每个所述设备具有相应的本地数据集，用于各阶段的模型训练。
4.根据权利要求1所述的基于模型分解的联邦学习训练方法，其特征在于，所述第一模块、所述共享模块和所述第二模块的关系表达式为：
5.根据权利要求4所述的基于模型分解的联邦学习训练...
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。