公开(公告)号：CN118246566A

公开(公告)日：2024-06-25

申请号：CN202410192220.2

申请日：2024-02-21

Applicant: 桂林理工大学

Inventor： 敬超 ,  程华盛 ,  邱斌 ,  王政锋 ,  陈文鹏 ,  陈艳

IPC: G06N20/00 ,  G06N5/04 ,  G06F21/62

Abstract: 本发明涉及大数据和云计算技术领域，具体涉及一种基于主从博弈的训练损失优化激励方法，提出云端数据中心‑本地数据中心‑终端用户的三层模式，基于主从博弈的训练损失优化激励方法，首先，在激励预算分配有限的情况下，分析终端用户和本地数据中心的效益博弈是否达到均衡状态。其次，为进一步降低模型训练的损耗，在终端用户和本地数据中心之间设计一种优化模型损失的激励算法来使得全局模型训练的损失值达到最小。最后通过实验仿真与对比证明本发明能够有效激励终端用户积极参到模型训练，并能有效降低全局模型训练损失值，解决在联邦学习训练过程中终端用户不会主动参与模型训练的技术问题。

公开(公告)号：CN116346821A

公开(公告)日：2023-06-27

申请号：CN202310283873.7

申请日：2023-03-22

Applicant: 桂林理工大学

Inventor： 敬超 ,  程华盛 ,  邱斌 ,  陈文鹏 ,  陈艳

IPC: H04L67/10 ,  H04L43/08 ,  G06N20/20

Abstract: 本发明涉及大数据和云计算技术领域，具体涉及一种面向云数据中心的通信开销最优化方法，包括基于全局云端数据中心、本地数据中心和终端用户构建联邦学习架构并建立通信传输；在全局云端数据中心初始化上一轮全局模型参数；每个终端用户基于全局模型参数得到局部模型和评估成本；本地数据中心基于评估成本选择出最优局部模型以及相应的终端用户；未经选择的终端用户向本地数据中心发送三元向量化模型参数及演化方向；全局云端数据中心结合最优局部模型和三元向量化模型参数及演化方向进行全局模型更新并修改同步参数用以调节最优局部模型与其他三元向量化模型参数的同步迭代更新，得到最终全局模型，并将其作为下一轮训练的初始化全局模型。