【技术实现步骤摘要】
本说明书涉及计算机，尤其涉及一种基于特征分布的模型训练方法和任务执行方法。
技术介绍
1、随着现代芯片制造业的快速发展，计算机的算力得到了极大的提升，从而为大型神经网络模型的训练提供了基础。但是一个复杂神经网络模型的训练通常需要大量的数据。而由于数据隐私保护等原因，很多数据只允许在不同企业或机构侧的客户端本地进行存储和使用。为了能够利用这些数据共同对模型进行训练，同时又不将数据传送到一个服务器端，联邦学习应运而生。
2、然而，在现有的联邦学习方法中，客户端会将本地训练的训练数据上传给服务器，再由服务器对全部客户端发送过来的训练数据进行统一的处理，得到统一的模型数据后发送给每个客户端。但是在实际应用场景中，不同客户端下的数据所对应的数据类型的分布情况往往是不同的，如果所有客户端中的模型均采用相同的模型数据，则会导致不同客户端中的模型无法适用于本地数据的分布情况，难以对数据进行精准的识别。
3、因此，如何在联邦学习的过程中，提高不同客户端下的模型的准确性，是一个亟待解决的问题。
技术实现思
<本文档来自技高网...【技术保护点】
1.一种基于特征分布的模型训练方法，其特征在于，所述方法应用于客户端，包括：
2.如权利要求1所述的方法，其特征在于，根据所述分类结果和所述标签信息的之间偏差，以及所述个体数据特征和全局数据特征之间的偏差，确定所述分类模型的损失值，具体包括：
3.如权利要求1所述的方法，其特征在于，所述本地分类模型的模型参数包括：特征提取层参数；
4.如权利要求2所述的方法，其特征在于，所述本地分类模型的模型参数包括：分类层参数；
5.如权利要求4所述的方法，其特征在于，根据所述损失值以及所述变化值，对所述分类层参数进行更新，具体包括：
6.如...
【技术特征摘要】
1.一种基于特征分布的模型训练方法，其特征在于，所述方法应用于客户端，包括：
2.如权利要求1所述的方法，其特征在于，根据所述分类结果和所述标签信息的之间偏差，以及所述个体数据特征和全局数据特征之间的偏差，确定所述分类模型的损失值，具体包括：
3.如权利要求1所述的方法，其特征在于，所述本地分类模型的模型参数包括：特征提取层参数；
4.如权利要求2所述的方法，其特征在于，所述本地分类模型的模型参数包括：分类层参数；
5.如权利要求4所述的方法，其特征在于，根据所述损失值以及所述变化值，对所述分类层参数进行更新，具体包括：
【专利技术属性】
技术研发人员：黄章敏，孙辰晨，张煜晴，梅飞，曾令仿，
申请(专利权)人：之江实验室，
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。