公开(公告)号：CN120046755A

公开(公告)日：2025-05-27

申请号：CN202510112096.9

申请日：2025-01-24

Applicant: 东北大学

Inventor： 毕远国 ,  全兴晓 ,  郅明见 ,  项天敖 ,  佟懿轩 ,  王侃

IPC: G06N20/00 ,  G06F18/24

Abstract: 本发明属于联邦学习技术领域，公开一种基于队列调度的异步联邦学习方法。将客户端分为快客户端和慢客户端；将客户端上传的模型划分为高陈旧度模型和低陈旧度模型；根据上传本地模型的客户端类型以及客户端上传的模型类型，将本地模型进行再分类；服务器同样的生成与本地模型wi类别相对应的队列用于存储对应的本地模型，服务器依据本地模型wi的类型选择不同的聚合策略或交换策略，使得快客户端将高陈旧度模型的陈旧度降低为低陈旧度模型的判定要求后参与聚合。

公开(公告)号：CN118070926A

公开(公告)日：2024-05-24

申请号：CN202410483842.0

申请日：2024-04-22

Applicant: 东北大学

Inventor： 毕远国 ,  裴芸 ,  佟懿轩

IPC: G06N20/00

Abstract: 本发明属于联邦学习场景下的资源自适应技术领域，公开了一种基于客户端资源自适应的多任务联邦学习方法。解决异质计算资源与多任务学习场景下对联邦学习系统性能和模型训练效果的影响，提高联邦学习在资源与任务异构环境下的效率和鲁棒性。提出客户端计算资源自适应的模型弹性缩放与基于任务相关性的多任务联邦学习聚合两种关键技术，将联邦学习模型分为底层基础模型与上层任务模型，在底层基础模型上实现计算资源自适应弹性缩放与分层聚合策略。提出任务相关性多任务联邦学习聚合方法，相同任务客户端构建任务模型相似图，采用k‑core聚合方法实现任务模型稳定训练减少数据异质影响。

公开(公告)号：CN119906969A

公开(公告)日：2025-04-29

申请号：CN202510112688.0

申请日：2025-01-24

Applicant: 东北大学

Inventor： 毕远国 ,  刘浩璐 ,  项天敖 ,  郅明见 ,  佟懿轩 ,  王侃

IPC: H04W4/40 ,  H04W28/084 ,  H04L41/16 ,  H04L41/142 ,  G06N3/0495 ,  G06N3/098

Abstract: 本发明属于车联网网络通信领域，公开一种基于集群拓展的车联网联邦学习动态稀疏训练方法。构建车联网场景下分层联邦学习训练架构：所述车联网场景下分层联邦学习训练架构为客户端‑服务器两层结构，包括边缘服务器和道路系统；基于车联网场景下分层联邦学习训练架构进行联邦动态稀疏训练：在边缘服务器的协调与管理下，训练节点基于本地数据训练稀疏网络结构，周期性地根据预定义的重构更新标准对稀疏网络结构进行更新；最终，在边缘服务器聚合并重构出一个满足目标稀疏度的全局网络结构。

公开(公告)号：CN118070926B

公开(公告)日：2024-08-09

申请号：CN202410483842.0

申请日：2024-04-22

Applicant: 东北大学

Inventor： 毕远国 ,  裴芸 ,  佟懿轩

IPC: G06N20/00

Abstract: 本发明属于联邦学习场景下的资源自适应技术领域，公开了一种基于客户端资源自适应的多任务联邦学习方法。解决异质计算资源与多任务学习场景下对联邦学习系统性能和模型训练效果的影响，提高联邦学习在资源与任务异构环境下的效率和鲁棒性。提出客户端计算资源自适应的模型弹性缩放与基于任务相关性的多任务联邦学习聚合两种关键技术，将联邦学习模型分为底层基础模型与上层任务模型，在底层基础模型上实现计算资源自适应弹性缩放与分层聚合策略。提出任务相关性多任务联邦学习聚合方法，相同任务客户端构建任务模型相似图，采用k‑core聚合方法实现任务模型稳定训练减少数据异质影响。