公开(公告)号：CN114881134A

公开(公告)日：2022-08-09

申请号：CN202210450589.X

申请日：2022-04-26

Applicant: 上海工程技术大学

Inventor： 方志军 ,  黄芳 ,  赵晓丽 ,  李兴宸

IPC: G06K9/62 ,  G06N20/00

Abstract: 本发明属于机器学习的技术领域，公开了一种应用于数据异构的联邦域适应方法，每个联邦源域节点基于相关的本地数据集进行当前轮次训练得到对应的本地源域模型，对所有的本地源域模型进行知识蒸馏，获取高质量知识和支持所述高质量知识的本地源域模型数量，连同所有的本地源域模型共同上传至中央服务器，然后计算每个本地源域模型对应的权重，通过聚合操作建立全局模型，最后中央服务器将全局模型下发至各个源域节点，再结合对比训练方法，进行下一轮次训练得到每个源域节点对应的本地源域模型，依次迭代，直到全局模型收敛，从而完成联邦域的自适应学习。

公开(公告)号：CN115344883A

公开(公告)日：2022-11-15

申请号：CN202210754970.5

申请日：2022-06-29

Applicant: 上海工程技术大学

Inventor： 方志军 ,  李兴宸 ,  赵晓丽 ,  黄芳 ,  史志才

IPC: G06F21/62 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种用于处理不平衡数据的个性化联邦学习方法和装置，属于机器学习技术领域。具体包括：中央服务器建立全局网络模型，并将其分发给客户端；客户端根据其私有数据通过对比学习算法进行训练，并将更新后的基础编码层参数返回给中央服务器；中央服务器根据所有客户端参数重新计算全局网络模型及每个客户端本地网络模型的基础编码层参数，并将其分别下发给每个客户端；客户端更新本地网络，迭代训练直至全局网络模型收敛或达到指定训练次数。本发明采用个性化联邦学习与对比学习的模型训练方法，在保证各方数据的私密性与安全性的同时，针对不平衡数据的目标网络高效训练，提高了模型收敛速率与泛化能力。