公开(公告)号：CN115526336A

公开(公告)日：2022-12-27

申请号：CN202211234025.9

申请日：2022-10-10

Applicant: 上海交通大学深圳研究院 ,  上海交通大学 ,  杭州电子科技大学

Inventor： 蒋炜 ,  郑志强 ,  张忠良 ,  江亚东 ,  雒兴刚

IPC: G06N20/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种循环联邦学习系统及其加速训练方法，包括：初始化模块：本地参与方分别向服务器方请求建立通信连接，服务器方响应并初始化一个联邦全局模型；模型训练模块：服务器方与本地参与方采用循环协同策略依次训练所述联邦全局模型，得到最终收敛的联邦全局模型；模型加速模块：本地参与方训练GAN模型生成人工数据，并在服务器方的协作下共享，加速联邦全局模型的收敛速度。本发明在服务器方的协作下使多个本地参与方依次循环多轮的训练同一个联邦全局模型，并通过数据增强技术GAN提升参与方数据非独立同分布时模型的收敛速度，解决各个参与方之间数据非独立同分布导致的模型性能下降以及收敛速度慢的问题。

公开(公告)号：CN116822646A

公开(公告)日：2023-09-29

申请号：CN202310528035.1

申请日：2023-05-11

Applicant: 杭州电子科技大学

Inventor： 江亚东 ,  张忠良 ,  雒兴刚 ,  陈文冲 ,  费秦君

IPC: G06N20/00

Abstract: 本发明涉及一种基于数据质量的联邦学习方法及系统，方法包括：根据联邦学习任务要求，向各个参与方发送数据需求规范；获取各个参与方的参与请求、任务报价及信誉值；根据各个参与方的参与请求、任务报价及信誉值计算被选择参与方；向被选择参与方发送全局模型数据；获取被选择参与方计算的局部模型数据，对全局模型数据进行更新；计算各个被选择参与方的贡献度，更新信誉值。本发明的方法在参与方数据质量不平衡的情况下，能够在每次迭代结束后有效识别和筛选出数据质量高的参与方，并在每次迭代开始时在预算范围内动态选择信誉度最高的若干参与方进行计算，从而作出最大全局模型增益的最佳决策。