公开(公告)号：CN113010305B

公开(公告)日：2022-09-23

申请号：CN202110180514.X

申请日：2021-02-08

Applicant: 北京邮电大学

Inventor： 张兴 ,  曹启明 ,  张禹舜 ,  李昊波

IPC: G06F9/50 ,  G06N20/00

Abstract: 本发明公开一种部署在边缘计算网络中的联邦学习系统及其学习方法，所述系统包括：联邦学习模块、边缘推理模块和云服务模块；所述方法包括：步骤1，联邦学习模块与云服务模块初始化以获取全局模型；步骤2，利用本地数据对全局模型在本地进行训练；步骤3，在云服务模块的协助下修改拓扑结构；步骤4，分发新模型至根节点的子节点；步骤5，联邦学习节点的联邦学习模块对推理模块中的模型进行更新。本发明所述系统及其学习方法采用逐层聚合的方式，减少了不必要的数据传输；能够提高联邦学习的效率；并能够在不破坏联邦学习的隐私性的前提下使得联邦学习能够突破本地计算能力的限制。

公开(公告)号：CN113010305A

公开(公告)日：2021-06-22

申请号：CN202110180514.X

申请日：2021-02-08

Applicant: 北京邮电大学

Inventor： 张兴 ,  曹启明 ,  张禹舜 ,  李昊波

IPC: G06F9/50 ,  G06N20/00

Abstract: 本发明公开一种部署在边缘计算网络中的联邦学习系统及其学习方法，所述系统包括：联邦学习模块、边缘推理模块和云服务模块；所述方法包括：步骤1，联邦学习模块与云服务模块初始化以获取全局模型；步骤2，利用本地数据对全局模型在本地进行训练；步骤3，在云服务模块的协助下修改拓扑结构；步骤4，分发新模型至根节点的子节点；步骤5，联邦学习节点的联邦学习模块对推理模块中的模型进行更新。本发明所述系统及其学习方法采用逐层聚合的方式，减少了不必要的数据传输；能够提高联邦学习的效率；并能够在不破坏联邦学习的隐私性的前提下使得联邦学习能够突破本地计算能力的限制。