公开(公告)号：CN115481755A

公开(公告)日：2022-12-16

申请号：CN202211253769.5

申请日：2022-10-13

Applicant: 上海交通大学

Inventor： 马汝辉 ,  张剑清 ,  褚学森 ,  宋涛 ,  管海兵

IPC: G06N20/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于自适应本地聚合的个性化联邦学习方法，涉及联邦学习技术领域，包括以下步骤：服务器发送全局模型Θ0到所有客户机中，初始化各个客户机的本地模型；客户机i执行第t轮迭代训练，执行自适应本地聚合，得到初始化本地模型；根据t值判断是否需要进行自适应本地聚合权重训练，以得到新的自适应本地聚合权重并更新初始化本地模型；采用梯度下降方式更新本地模型，并发送到服务器；服务器对接收到的本地模型执行全局聚合生成全局模型Θt。本发明能够捕获全局模型中提升本地模型质量的信息，促进本地模型训练，能够应用于现有的其他联邦学习方法，实现全局模型中信息的精准提取，并利用提取到的信息提升模型在各个客户机上的个性化表现。

公开(公告)号：CN119990372A

公开(公告)日：2025-05-13

申请号：CN202510172673.3

申请日：2025-02-17

Applicant: 上海数据集团有限公司 ,  上海交通大学

Inventor： 李小山 ,  薛广涛 ,  秦磊 ,  曹健 ,  卞敏捷 ,  张剑清

IPC: G06N20/00 ,  G06F18/213 ,  G06F18/214 ,  G06F18/241

Abstract: 本发明提供了一种通讯高效的联邦个性化特征选择方法及系统，方法包括步骤S1：在多个数据所有者的本地设备上进行特征分析，将初步分析结果发送至中心服务器；步骤S2：中心服务器接收初步分析结果，为多个本地设备生成个性化特征选择策略；步骤S3：各本地设备根据接收到的个性化特征选择策略训练模型，将更新后的模型参数发送至中心服务器；步骤S4：中心服务器汇总各个设备发送的模型参数，更新全局模型。本发明通过引入一种适应于各数据所有者本地数据特性的个性化特征选择机制，克服了传统全局特征选择方法在处理具有不同特征维度、数据分布和样本量的异质性数据时的不足，从而提升了联邦学习模型的整体性能和本地适应性。

公开(公告)号：CN115660107A

公开(公告)日：2023-01-31

申请号：CN202211375337.1

申请日：2022-11-04

Applicant: 上海交通大学

Inventor： 马汝辉 ,  张剑清 ,  褚学森 ,  宋涛 ,  管海兵

IPC: G06N20/00 ,  G06F21/62 ,  G06F18/24 ,  G06N3/084 ,  G06N3/04

Abstract: 本发明公开了一种应用于隐私计算的个性化联邦学习方法，涉及隐私计算领域，通过条件策略模块将每个样本的特征信息分离为通用特征信息和个性化特征信息，并分别通过全局分类器和个性化分类器处理这两类信息，实现样本级别且样本特定的个性化信息提取。本发明通过只聚合处理全局信息的全局分类器并本地化个性化分类器，减轻了聚合过程中的数据异质化问题。

公开(公告)号：CN119990262A

公开(公告)日：2025-05-13

申请号：CN202510172675.2

申请日：2025-02-17

Applicant: 上海数据集团有限公司 ,  上海交通大学

Inventor： 李小山 ,  薛广涛 ,  秦磊 ,  曹健 ,  卞敏捷 ,  张剑清

IPC: G06N3/098 ,  G06N3/0895

Abstract: 本发明提供了一种用于模型异构场景的联邦学习方法及系统，包括：步骤S1：采集个体化原型，增强自适应边界；步骤S2：通过对比学习优化所述个体化原型；步骤S3：通过所述个体化原型指导本地模型的训练，得到客户端的模型；所述个体化原型，即具有客户机信息的原型向量。本发明通过仅传输低维的类原型，显著减少通信开销，具体而言，本发明提供的通信开销仅为共享轻量级辅助模型这类方法的4％。