【技术实现步骤摘要】
本专利技术属于联邦学习和分布式机器学习的，具体涉及一种基于滚动提取的异构工业检测训练方法。
技术介绍
1、随着物联网和智能设备的普及，联邦学习已成为保护数据隐私、实现跨设备协同建模的关键技术。然而，传统联邦学习方法多采用同构模型，即服务器和客户端设备上使用相同的模型架构。这种方法在现实中面临诸多局限，尤其在设备资源不均、数据分布差异显著的情况下，低资源设备往往无法参与到大型模型的训练中，从而导致模型泛化性受限。
2、现有的一些异构联邦学习方法引入了部分模型训练和知识蒸馏技术，试图弥合不同设备资源带来的差距。然而，知识蒸馏方法通常依赖于服务器端的公共数据，而这种数据并非总是能够获得。此外，部分模型训练的方法则多采用随机或静态子模型提取策略，这会导致全局模型的参数更新不均，进一步导致客户端模型与服务器模型的不一致性。
技术实现思路
1、本专利技术的目的在于针对现有技术中的上述不足，提供一种基于滚动提取的异构工业检测训练方法，以解决传统方法在设备异构性和数据不一致性下的问题。
...【技术保护点】
1.一种基于滚动提取的异构工业检测训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于滚动提取的异构工业检测训练方法，其特征在于，所述S1包括以下分步骤：
3.根据权利要求2所述的基于滚动提取的异构工业检测训练方法，其特征在于，所述S11中，提取的子模型为：
4.根据权利要求3所述的基于滚动提取的异构工业检测训练方法，其特征在于，所述S12中，采用本地数据集训练的子模型的损失函数为：
5.根据权利要求3所述的基于滚动提取的异构工业检测训练方法，其特征在于，所述S2中，每个客户端采用滚动窗口从服务器的全局模型...
【技术特征摘要】
1.一种基于滚动提取的异构工业检测训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于滚动提取的异构工业检测训练方法，其特征在于，所述s1包括以下分步骤：
3.根据权利要求2所述的基于滚动提取的异构工业检测训练方法，其特征在于，所述s11中，提取的子模型为：
4.根据权利要求3所述的基于滚动提取的异构工业检测训练方法，其特征在于，所述s12中，采用本地数据集训练的子模型的损失函数为：
5.根据权利要求3所述的基于滚动提取的异构工业检测训练方法，其特征在于，所述s2中，每个客户端采用滚动窗口从服...
【专利技术属性】
技术研发人员：曹明生，陈虹良，丁桥隆，张宇，及宇轩，王竣，黄丹，陈天赐，李韦成，曾佩仪，
申请(专利权)人：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。