-
公开(公告)号：CN116319368B
公开(公告)日：2025-05-06
申请号：CN202310033009.1
申请日：2023-01-10
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种面向异构边缘计算环境的分散联邦学习方法，属于大数据计算领域。该方法包括以下步骤：在联邦学习系统中，边缘节点初始化自己的模型；边缘节点根据本身的通信速率和计算能力计算通信成本函数，该成本函数表示边缘节点之间的匹配程度；节点基于贪婪算法选择成本函数较小的相邻节点作为匹配集；对于每个边缘节点，基于梯度和权重衡量边缘节点模型间的相似性，使用MonteCarlo方法进行从匹配集中选择邻居；节点从邻居处接收权重和更新模型，基于得到的数据，通过共识得到聚合模型；节点通过聚合模型，计算梯度下降，更新模型，并发给邻居。本发明使得具有相似数据分布的边缘节点协同训练模型，以节省额外的计算和通信延迟。
-
公开(公告)号：CN116319368A
公开(公告)日：2023-06-23
申请号：CN202310033009.1
申请日：2023-01-10
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种面向异构边缘计算环境的分散联邦学习方法，属于大数据计算领域。该方法包括以下步骤：在联邦学习系统中，边缘节点初始化自己的模型；边缘节点根据本身的通信速率和计算能力计算通信成本函数，该成本函数表示边缘节点之间的匹配程度；节点基于贪婪算法选择成本函数较小的相邻节点作为匹配集；对于每个边缘节点，基于梯度和权重衡量边缘节点模型间的相似性，使用MonteCarlo方法进行从匹配集中选择邻居；节点从邻居处接收权重和更新模型，基于得到的数据，通过共识得到聚合模型；节点通过聚合模型，计算梯度下降，更新模型，并发给邻居。本发明使得具有相似数据分布的边缘节点协同训练模型，以节省额外的计算和通信延迟。
-
Search Results
2
records
(took 0.015 seconds)
