-
公开(公告)号：CN117892805A
公开(公告)日：2024-04-16
申请号：CN202410306872.4
申请日：2024-03-18
Applicant: 清华大学
Abstract: 本发明涉及机器学习技术领域，特别涉及一种基于超网络和层级别协作图聚合的个性化联邦学习方法，其中，方法包括：接收多个客户端的目标模型参数更新量和更新后的多个客户端目标模型参数，并对超网络中的目标超网络参数进行自适应更新，分层计算多个客户端的目标模型参数更新量得到初始相似性矩阵，并利用目标超网络参数显式建模多个客户端的协作关系，进而生成层级别协作图，将更新后的多个客户端的目标模型参数分层，并按对应层级别协作图边权重进行加权聚合，得到每个客户端的最优个性化模型。由此，有效缓解了基于个性化参数聚合的联邦学习方法在选择客户端进行协作时不够灵活的问题。
-
公开(公告)号：CN117892805B
公开(公告)日：2024-05-28
申请号：CN202410306872.4
申请日：2024-03-18
Applicant: 清华大学
Abstract: 本发明涉及机器学习技术领域，特别涉及一种基于超网络和层级别协作图聚合的个性化联邦学习方法，其中，方法包括：接收多个客户端的目标模型参数更新量和更新后的多个客户端目标模型参数，并对超网络中的目标超网络参数进行自适应更新，分层计算多个客户端的目标模型参数更新量得到初始相似性矩阵，并利用目标超网络参数显式建模多个客户端的协作关系，进而生成层级别协作图，将更新后的多个客户端的目标模型参数分层，并按对应层级别协作图边权重进行加权聚合，得到每个客户端的最优个性化模型。由此，有效缓解了基于个性化参数聚合的联邦学习方法在选择客户端进行协作时不够灵活的问题。
-
Search Results
2
records
(took 0.01 seconds)
