-
公开(公告)号：CN119721187B
公开(公告)日：2025-05-06
申请号：CN202510217551.1
申请日：2025-02-26
Applicant: 湖南科技大学
IPC: G06N3/098 , G06N3/063 , G06N3/0464 , G06N3/10
Abstract: 本发明公开了一种基于张量填充的遍历式联邦学习方法及系统，包括：基于设备位宽对相应梯度进行分层张量建模；在服务器端将不同梯度中同一模型层的参数归类，将各层分别建模为一个张量；基于张量填充技术将位宽恢复组件中张量对应的不同位宽梯度进行对齐，并对所有梯度进行加权聚合，基于聚合后的权重生成新的全局模型；通过遍历窗口机制，在服务器和客户端中，选取全局模型的不同层进行每一轮训练，使全局模型在低容量设备中均匀训练，直到全局模型收敛。本发明通过结合张量填充和基于遍历的部分模型训练技术，利用张量分解和重构技术迭代恢复模型参数的精度，并采用遍历分层的方式适应不同设备的能力，确保资源受限的客户端也能均衡参与训练。
-
Patent Agency Ranking
公开(公告)号：CN118939404B
公开(公告)日：2025-01-03
申请号：CN202411425785.7
申请日：2024-10-14
Applicant: 湖南科技大学
Abstract: 本发明公开了一种基于拆分联邦学习的分布式调度方法，涉及电数字数据处理技术领域。该基于拆分联邦学习的分布式调度方法，包括以下步骤：获取客户端状态信息；进行匹配度评估；进行任务分配；进行动态优化。本发明通过对客户端状态信息、样本信息和任务数据进行匹配度评估，根据得到的资源匹配度指数筛选出待测客户端组，并进行任务分配得到任务队列，然后根据传输策略将任务队列传输给待测客户端组，最后根据任务执行评估指数进行动态优化，达到了更稳定的进行分布式资源调度的效果，解决了现有技术中存在基于拆分联邦学习的分布式调度过程中调度稳定性低的问题。
-
公开(公告)号：CN118939404A
公开(公告)日：2024-11-12
申请号：CN202411425785.7
申请日：2024-10-14
Applicant: 湖南科技大学
Abstract: 本发明公开了一种基于拆分联邦学习的分布式调度方法，涉及电数字数据处理技术领域。该基于拆分联邦学习的分布式调度方法，包括以下步骤：获取客户端状态信息；进行匹配度评估；进行任务分配；进行动态优化。本发明通过对客户端状态信息、样本信息和任务数据进行匹配度评估，根据得到的资源匹配度指数筛选出待测客户端组，并进行任务分配得到任务队列，然后根据传输策略将任务队列传输给待测客户端组，最后根据任务执行评估指数进行动态优化，达到了更稳定的进行分布式资源调度的效果，解决了现有技术中存在基于拆分联邦学习的分布式调度过程中调度稳定性低的问题。
-
公开(公告)号：CN117806806B
公开(公告)日：2024-05-17
申请号：CN202410218204.6
申请日：2024-02-28
Applicant: 湖南科技大学
Abstract: 本发明公开了任务部分卸载调度方法、终端设备及存储介质，涉及雾计算技术领域。该任务部分卸载调度方法、终端设备及存储介质，基于当前移动设备的本地资源信息判断是否可以本地执行任务，对于无法本地执行的任务进行任务分解，获得相互独立的各个子任务；获取各个子任务的任务处理相关信息，包括：子任务处理价值信息、子任务紧急信息，根据任务处理相关信息获取各个子任务的处理需求值，用于评估各个子任务需处理卸载的重要程度，展示各个子任务处理的优先级；获取子任务处理执行信息、节点负载信息，基于各个子任务处理的优先级依次计算出各个子任务的计算节点对应值，用于选取处理卸载各个子任务的计算节点，实现子任务卸载调度。
-
公开(公告)号：CN117806806A
公开(公告)日：2024-04-02
申请号：CN202410218204.6
申请日：2024-02-28
Applicant: 湖南科技大学
Abstract: 本发明公开了任务部分卸载调度方法、终端设备及存储介质，涉及雾计算技术领域。该任务部分卸载调度方法、终端设备及存储介质，基于当前移动设备的本地资源信息判断是否可以本地执行任务，对于无法本地执行的任务进行任务分解，获得相互独立的各个子任务；获取各个子任务的任务处理相关信息，包括：子任务处理价值信息、子任务紧急信息，根据任务处理相关信息获取各个子任务的处理需求值，用于评估各个子任务需处理卸载的重要程度，展示各个子任务处理的优先级；获取子任务处理执行信息、节点负载信息，基于各个子任务处理的优先级依次计算出各个子任务的计算节点对应值，用于选取处理卸载各个子任务的计算节点，实现子任务卸载调度。
-
公开(公告)号：CN118395191A
公开(公告)日：2024-07-26
申请号：CN202410815645.4
申请日：2024-06-24
Applicant: 湖南科技大学
IPC: G06F18/214 , G06F18/10 , G06N3/098 , G06F21/62 , G06F21/64
Abstract: 本发明涉及一种维度驱动的去中心化联邦学习数据偏差处理方法（TrustBCFL），采用局部内在维度（LID）理论在本地数据集层面完成了噪声客户端识别，同时针对噪声客户端的噪声标签，使用最新的全局模型，根据样本的Loss值完成噪声标签校正，从而减少了联邦客户端数据集中的信息丢失。采用基于委员会共识的联邦学习本地模型筛选机制在模型层面完成了低质量局部模型更新的筛查，只有提交的模型LID值在阈值范围内的训练客户端才能通过验证委员会的交叉评估。本发明借助局部内在维度理论和区块链技术解决了传统联邦学习的本地数据偏差问题和单点故障问题，并有效平衡数据隐私和数据共享需求。
-
-
-
-
-
Search Results
16
records
(took 0.021 seconds)
