← 返回列表
模型融合方法、装置、设备、联邦学习系统及存储介质
摘要文本
本发明公开了一种模型融合方法、装置、设备、联邦学习系统及存储介质，属于边缘计算领域，用于在簇内聚合与全局聚合时分别确定权重系数进行加权聚合，解决了边缘计算设备的数据异构导致的模型精度受损的问题。一方面由各簇簇头为簇内各边缘计算设备确定设备权重系数，并进行加权聚合，另一方面由中心服务器确定各个簇的簇权重系数，并进行加权聚合，在两次加权聚合时分别参考对应的模型性能进行权重系数的确定，不但可以根据重要性区别调节对于各边缘计算设备的学习率，提升了全局网络模型的精度，使中心服务器在工业设备故障预测、网络安全问题识别与图片分类时发挥最优的效果。
申请人信息
- 申请人:浪潮电子信息产业股份有限公司
- 申请人地址:250000 山东省济南市高新区草山岭南路801号9层东侧
- 发明人: 浪潮电子信息产业股份有限公司
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 模型融合方法、装置、设备、联邦学习系统及存储介质 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410230112.X |
| 申请日 | 2024/2/29 |
| 公告号 | CN117829274A |
| 公开日 | 2024/4/5 |
| IPC主分类号 | G06N3/098 |
| 权利人 | 浪潮电子信息产业股份有限公司 |
| 发明人 | 李仁刚; 王立; 贺蒙; 范宝余; 张润泽; 郭振华; 赵坤; 曹芳; 鲁璐; 赵雅倩 |
| 地址 | 山东省济南市高新区草山岭南路801号9层东侧 |
专利主权项内容
1.一种云边端协同计算的模型融合方法，其特征在于，应用于联邦学习系统中的中心服务器，包括：将联邦学习系统中的边缘计算设备划分为多个簇，并确定出各簇中作为簇头的边缘计算设备；获取各个簇头发送的各自簇的簇网络模型，其中，所述簇网络模型为根据簇内各边缘计算设备的设备权重系数，对簇内各边缘计算设备的本地网络模型的模型参数进行加权聚合得到的；所述设备权重系数为簇头根据簇内各边缘计算设备的指定特征数据确定出的；针对任一个簇，根据簇的所述簇网络模型的指定特征数据以及簇内各本地网络模型的指定特征数据，确定出簇的簇权重系数；根据所述簇权重系数对各所述簇网络模型的模型参数进行加权聚合，得到全局网络模型；通过所述全局网络模型执行预设任务；其中，所述预设任务包括预测工业设备的故障、识别网络安全问题以及对图片进行分类中的任一种。