公开(公告)号：CN113723620A

公开(公告)日：2021-11-30

申请号：CN202010449214.2

申请日：2020-05-25

Applicant: 株式会社日立制作所

Inventor： 施文琦 ,  姜淼 ,  耿璐 ,  马元琛 ,  周盛 ,  牛志升

IPC: G06N20/20

Abstract: 本发明实施例提供了无线联邦学习中的终端调度方法及设备，本发明实施例提供的方法，通过每轮联邦学习中各终端进行的梯度信息估计以及由无线接入点进行的当轮耗时估计，动态地调整每轮联邦学习中的被调度终端，可以在受限的训练延时内最大化联邦学习能够获得的模型正确率，从而解决了现有终端调度算法只能使用某些预设的固定参数，导致难以在动态的无线环境以及多变的训练数据分布下保证联邦学习收敛速度的问题。

公开(公告)号：CN115373754A

公开(公告)日：2022-11-22

申请号：CN202110542308.9

申请日：2021-05-18

Applicant: 株式会社日立制作所

Inventor： 施文琦 ,  姜淼 ,  耿璐 ,  郑萌 ,  周盛 ,  马元琛 ,  牛志升

IPC: G06F9/445 ,  G06F9/48 ,  G06F9/50 ,  G06N3/08

Abstract: 本发明提供了一种深度神经网络的推断任务的联合卸载与调度方法及装置，所述方法包括：获取在多个终端的推断任务全部卸载到边缘服务器的情况下，所述边缘服务器批处理各层任务的最晚起始时间；根据所述最晚起始时间、第一终端执行所述推断任务时各层任务的第一计算延时、以及第一终端向边缘服务器发送各层任务计算得到的中间数据的传输延时，确定第一终端的推断任务被卸载至边缘服务器的候选分割点，所述第一终端为所述多个终端中的任一终端；计算每个候选分割点对应的终端能耗，选择出最低终端能耗对应的候选分割点作为最终分割点；根据所述最终分割点将推断任务卸载至边缘服务器。本发明能够在保证推断任务的延时需求的情况下，降低终端的能耗。

公开(公告)号：CN116822644A

公开(公告)日：2023-09-29

申请号：CN202210283757.0

申请日：2022-03-21

Applicant: 株式会社日立制作所

Inventor： 施文琦 ,  姜淼 ,  耿璐 ,  郑萌 ,  马元琛 ,  周盛 ,  牛志升

IPC: G06N20/00

Abstract: 本发明提供了一种分层联邦学习方法、服务器及系统，其中，所述方法包括：边缘服务器按照预设概率P，确定采用并行更新方式或串行更新方式；在采用所述并行更新方式的情况下，边缘服务器执行τ1轮的边缘模型更新，并在τ1轮的边缘模型更新完成后，将获得的边缘模型参数的更新信息发送给云端服务器。本发明的边缘服务器在进行边缘更新过程中，可以不必等待接收到云端服务器发送的全局模型，而是直接进行边缘更新过程，并在收到云端服务器发送的全局模型后，再进行边缘模型参数的修正，并利用修正后的边缘模型继续后续的边缘模型更新过程。本发明能够在边‑云间传输受限、边缘模型聚合延时不同的情况下，降低上述因素对于联邦学习训练效率的影响。