公开(公告)号：CN114202077B

公开(公告)日：2025-04-15

申请号：CN202111610294.6

申请日：2021-12-27

Applicant: 南京理工大学

Inventor： 廖杰 ,  马川 ,  钱玉文 ,  李骏 ,  韦康

IPC: G06N20/00 ,  G06N3/0499 ,  G06N3/092

Abstract: 本发明公开了一种基于联邦学习及均值迭代的机器学习模型压缩方法，包括以下步骤：用户在本地端进行联邦学习获取本次的机器学习模型；针对用户进行联邦学习得到的机器学习模型，使用均值迭代模型压缩算法压缩；将压缩后的机器学习模型上传到中心服务器，对压缩后的机器学习模型进行还原和模型聚合处理，对聚合后的机器学习模型进行精度检测。本发明通过均值迭代压缩算法来动态调整边界和优化值，获得量化区间的最优值和最佳边界区间，进而在高压缩率下，保证模型的收敛和模型的精度。

公开(公告)号：CN114202077A

公开(公告)日：2022-03-18

申请号：CN202111610294.6

申请日：2021-12-27

Applicant: 南京理工大学

Inventor： 廖杰 ,  马川 ,  钱玉文 ,  李骏 ,  韦康

IPC: G06N20/20 ,  G06N3/04

Abstract: 本发明公开了一种基于联邦学习及均值迭代的机器学习模型压缩方法，包括以下步骤：用户在本地端进行联邦学习获取本次的机器学习模型；针对用户进行联邦学习得到的机器学习模型，使用均值迭代模型压缩算法压缩；将压缩后的机器学习模型上传到中心服务器，对压缩后的机器学习模型进行还原和模型聚合处理，对聚合后的机器学习模型进行精度检测。本发明通过均值迭代压缩算法来动态调整边界和优化值，获得量化区间的最优值和最佳边界区间，进而在高压缩率下，保证模型的收敛和模型的精度。