【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于资源受限设备的联邦学习方法。
技术介绍
1、伴随着边缘计算和人工智能技术的发展，边缘智能应运而生。边缘智能以边缘计算平台为依托，将人工智能的学习和推理能力下沉到更加靠近用户和数据源头的网络边缘侧，促进了物联网等多个领域的终端智能化进程。作为一种边缘智能催生的多终端协同训练机制，联邦学习一经提出便受到了产业界极大的关注。与传统基于云计算的集中式机器学习相比，联邦学习借助终端设备(即联邦学习的参与方)共同训练机器学习模型。不同于普通的分布式机器学习，联邦学习不需要把大量本地数据发送到边缘或者云服务器进行处理，而只需上传和下载参数进行模型的聚合更新即可。这样的操作，既满足了用户低时延响应需求，又使用户数据在本地训练，进而实现了对数据隐私的保护。
2、联邦学习的实施需要在终端设备和边缘服务器之间进行多轮的参数更新和聚合。若终端设备算力不足，服务器会因长时间收不到终端设备返回的模型参数而丢弃该部分训练结果；若终端设备的能量不足，亦会因中途掉线而成为联邦训练的掉队者，进而影响联邦训练的效率。当被丢...
【技术保护点】
1.一种基于资源受限设备的联邦学习方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于资源受限设备的联邦学习方法，其特征在于，
3.如权利要求2所述的基于资源受限设备的联邦学习方法，其特征在于，
4.如权利要求3所述的基于资源受限设备的联邦学习方法，其特征在于，
5.如权利要求3所述的基于资源受限设备的联邦学习方法，其特征在于，
6.如权利要求3所述的基于资源受限设备的联邦学习方法，其特征在于，
【技术特征摘要】
1.一种基于资源受限设备的联邦学习方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于资源受限设备的联邦学习方法，其特征在于，
3.如权利要求2所述的基于资源受限设备的联邦学习方法，其特征在于，
...【专利技术属性】
技术研发人员：陈晓，仇洪冰，李燕龙，何启浩，王俊义，符杰林，
申请(专利权)人：桂林电子科技大学，
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。