公开(公告)号：CN112181666A

公开(公告)日：2021-01-05

申请号：CN202011155848.3

申请日：2020-10-26

Applicant: 华侨大学

Inventor： 王田 ,  孙兵 ,  张依琳 ,  张忆文 ,  高振国

IPC: G06F9/50 ,  G06F16/242 ,  G06F16/2455 ,  G06N3/04 ,  G06N3/08 ,  H04L12/24

Abstract: 本发明提供一种基于边缘智能的设备评估和联邦学习重要性聚合方法，包括如下步骤：云服务器初始化：云服务器生成初始模型，设备评估与选择：边缘服务器接收终端设备的资源信息，生成资源特征向量，并将所述资源特征向量输入评估模型，本地训练：边缘服务器选择智能设备后，将转存的初始模型发送所述智能设备，智能设备对初始模型在联邦学习中进行本地训练，得到本地模型；本地模型筛选：将本地模型发送到边缘服务器，通过比较本地模型与前一轮全局模型的损失值来判断是否为异常的模型；全局聚合：利用经典的联邦平均算法进行全局聚合。本发明提供的方法一方面解决了带有资源约束设备的训练瓶颈问题，另一方面提高模型聚合的效果以减少冗余的训练与通信消耗。