公开(公告)号：CN119652582A

公开(公告)日：2025-03-18

申请号：CN202411752061.3

申请日：2024-12-02

Applicant: 重庆邮电大学

Inventor： 向洋辉 ,  崔太平 ,  宋嘉杰 ,  周致彤 ,  程扬 ,  孙嘉悦 ,  曾传毅 ,  刘文浩

IPC: H04L9/40 ,  H04L9/06 ,  G06N3/08 ,  G06F18/23213

Abstract: 本发明涉及一种对抗恶意节点具有鲁棒性的人工智能聚合方法，属于移动通信技术领域。该方法通过改变传统的联邦学习聚合方式，采用几何中位数算法进行全局模型聚合，同时设计异步时间加权机制，对用户陈旧的全局模型参数加以利用，减少恶意节点在某次聚合时由于数量过多而对几何中位数聚合算法造成击穿的概率。设计的算法可以降低全局模型在被恶意节点攻击时受到的影响，具有重要的实际应用价值。

公开(公告)号：CN116681126B

公开(公告)日：2024-03-12

申请号：CN202310659294.8

申请日：2023-06-06

Applicant: 重庆邮电大学空间通信研究院

Inventor： 崔太平 ,  刘文浩 ,  陈前斌

IPC: G06N3/098 ,  G06F21/62 ,  G06F21/71

Abstract: 本发明属于移动通信技术领域，特别涉及一种自适应等待时长的异步加权联邦学习方法，包括服务器向客户端发起学习任务，并广播初始化全局模型参数；客户端开始本地训练，并上传训练好的模型参数及参数生成轮数k；服务器采用DDQN算法决策出本轮训练等待时长；服务器执行自适应等待时长算法收集用户数据；服务器执行异步加权聚合联邦学习算法将收集到的客户端上传的模型参数进行聚合，得到全局模型参数；将聚合得到的全局模型参数广播给本轮参与聚合的用户；重复以上步骤直到全局模型参数达到目标精度；本发明可以在节约能耗的同时提高边缘计算网络中联邦学习的训练效率和模型性能，为边缘计算网络中的各种应用提供更好的支持。

公开(公告)号：CN116681126A

公开(公告)日：2023-09-01

申请号：CN202310659294.8

申请日：2023-06-06

Applicant: 重庆邮电大学空间通信研究院

Inventor： 崔太平 ,  刘文浩 ,  陈前斌

IPC: G06N3/098 ,  G06F21/62 ,  G06F21/71

Abstract: 本发明属于移动通信技术领域，特别涉及一种自适应等待时长的异步加权联邦学习方法，包括服务器向客户端发起学习任务，并广播初始化全局模型参数；客户端开始本地训练，并上传训练好的模型参数及参数生成轮数k；服务器采用DDQN算法决策出本轮训练等待时长；服务器执行自适应等待时长算法收集用户数据；服务器执行异步加权聚合联邦学习算法将收集到的客户端上传的模型参数进行聚合，得到全局模型参数；将聚合得到的全局模型参数广播给本轮参与聚合的用户；重复以上步骤直到全局模型参数达到目标精度；本发明可以在节约能耗的同时提高边缘计算网络中联邦学习的训练效率和模型性能，为边缘计算网络中的各种应用提供更好的支持。