公开(公告)号：CN116663675A

公开(公告)日：2023-08-29

申请号：CN202310605713.X

申请日：2023-05-26

Applicant: 同济大学

Inventor： 王睿 ,  李贺举

IPC: G06N20/00 ,  G06F16/27 ,  G06F21/62

Abstract: 本发明提出适用于边缘车联网的区块链赋能联邦学习系统，该区块链系统包括：边缘车辆设备、边缘服务器、任务发布者、云端服务器；车联网中的移动车辆定义为边缘车辆设备，所有边缘车辆设备和边缘服务器分别注册为区块链角色，再连同任务发布者、云端服务器等共同形成区块链系统的参与者；参与者中的边缘车辆设备集合{1,2,...,K}和移动边缘服务器集合{1,2,...,L}，按照区块链架构功能，分为模型节点和共识节点两类。区块链系统的区块链架构自动协调每个模型节点的加入和离开，促进联邦学习的独立性和模块化。

公开(公告)号：CN116841732A

公开(公告)日：2023-10-03

申请号：CN202310672273.X

申请日：2023-06-07

Applicant: 同济大学

Inventor： 王睿 ,  李贺举

IPC: G06F9/50 ,  H04W24/02 ,  H04W24/04 ,  G06N20/00

Abstract: 本发明涉及无线通信和联邦学习领域，提出一种基于单比特量化的联邦学习资源优化设计方法，包括步骤：S1、智能反射面赋能的单比特联邦梯度无线聚合建模；S2、无线环境下联邦学习训练框架收敛性分析及问题建模；S3、联邦学习通算资源分配优化策略。本发明一方面，通过单比特量化策略实现模型参数的轻量级传输，另一方面通过部署智能反射面智能调控无线环境，极大的提升无线聚合质量，解决了目前大部分无线联邦学习方法所存在的通信和开销问题，同时有效地提升了模型训练精度。

公开(公告)号：CN116633462A

公开(公告)日：2023-08-22

申请号：CN202310712500.7

申请日：2023-06-15

Applicant: 同济大学

Inventor： 王睿 ,  李贺举

IPC: H04B17/309 ,  H04B17/391 ,  H04B17/382

Abstract: 本发明提出一种基于统计信道状态信息的联邦学习资源优化设计方法。首先，构造统计信道状态信息下智能反射面赋能的联邦梯度聚合模型，并推导无线中断概率影响下的联邦学习训练损失上界；以此为基础，建立通信资源约束下、以带宽分配和智能反射面相位配置为变量的损失上界最小化问题，以减弱甚至消除通信中断对联邦学习收敛性能的影响。本发明的优点在于，所提联邦学习系统无需精准估计瞬时信道状态信息，而从而极大地降低系统训练开销。同时，通过所提出的针对联邦学习框架的无线资源优化方案，进一步提升了训练的精确度。