【技术实现步骤摘要】
本专利技术涉及计算机，更具体地，涉及一种具有贡献感知的联邦学习客户端调度方法、装置及系统。
技术介绍
1、近年来，人工智能（artificial intelligence, ai）技术取得了飞速的发展，特别是在深度学习、计算机视觉、自然语言处理等领域取得了突破性进展。伴随着大数据的积累和计算能力的提升，传统的集中式训练模式逐渐暴露出隐私泄露、数据孤岛和传输成本高等问题。这些挑战促使研究者寻求更加分布式和隐私保护的学习范式，以适应现实场景中对数据安全和计算效率的双重需求。
2、联邦学习（federated learning, fl）是一种分布式机器学习框架，允许多个客户端在本地保留数据的前提下协同训练一个全局模型，有效缓解了数据隐私与合规性问题。通过将模型训练过程从中心服务器迁移至边缘设备，联邦学习不仅保护了用户隐私，还节省了大规模数据上传的通信成本。尤其在医疗、金融和智能设备等涉及敏感数据的领域，联邦学习为构建安全、高效的ai系统提供了关键支撑，逐渐成为人工智能发展的重要方向。
3、在联邦学习系统中，由于客户端的...
【技术保护点】
1.一种具有贡献感知的联邦学习客户端调度方法，其特征在于，包括：
2.如权利要求1所述的具有贡献感知的联邦学习客户端调度方法，其特征在于，基于客户端上传的模型参数，采用信息熵理论和夏普利值对客户端进行贡献评估，包括：
3.如权利要求2所述的具有贡献感知的联邦学习客户端调度方法，其特征在于，根据客户端的夏普利值和信息熵得到客户端的边际贡献表示为加入边际联盟后联盟的熵增，包括：
4.如权利要求1所述的具有贡献感知的联邦学习客户端调度方法，其特征在于，根据贡献评估结果，采用多臂老虎理论选择参与下一轮模型训练的客户端，并将全局模型下发给选中
【技术特征摘要】
1.一种具有贡献感知的联邦学习客户端调度方法，其特征在于，包括：
2.如权利要求1所述的具有贡献感知的联邦学习客户端调度方法，其特征在于，基于客户端上传的模型参数，采用信息熵理论和夏普利值对客户端进行贡献评估，包括：
3.如权利要求2所述的具有贡献感知的联邦学习客户端调度方法，其特征在于，根据客户端的夏普利值和信息熵得到客户端的边际贡献表示为加入边际联盟后联盟的熵增，包括：
4.如权利要求1所述的具有贡献感知的联邦学习客户端调度方法，其特征在于，根据贡献评估结果，采用多臂老虎理论选择参与下一轮模型训练的客户端，并将全局模型下发给选中的客户端，包括：
5.如权利要求4所述的具有贡献感知的联邦学习客户端调度方法，其特征在于，所述方法还包括引入模拟退火策略计算客户端回报：
6.如权利要求5所述的具有贡献感知的联邦学习客户端调...
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。