CN114861790B - 联邦学习压缩通信的优化方法、系统及装置 - Google Patents

联邦学习压缩通信的优化方法、系统及装置 Download PDF

Info

Publication number
CN114861790B
CN114861790B CN202210475956.1A CN202210475956A CN114861790B CN 114861790 B CN114861790 B CN 114861790B CN 202210475956 A CN202210475956 A CN 202210475956A CN 114861790 B CN114861790 B CN 114861790B
Authority
CN
China
Prior art keywords
model
compression
data
client
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210475956.1A
Other languages
English (en)
Other versions
CN114861790A (zh
Inventor
崔来中
苏晓鑫
周义朋
刘江川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202210475956.1A priority Critical patent/CN114861790B/zh
Publication of CN114861790A publication Critical patent/CN114861790A/zh
Application granted granted Critical
Publication of CN114861790B publication Critical patent/CN114861790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer And Data Communications (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种联邦学习压缩通信的优化方法、系统及装置。该方法包括：获取分布式模型训练参数，分布式模型训练参数至少包括待训练模型的学习率和各客户端的数据量占比；基于待训练模型的学习率、各客户端的数据量占比和压缩目标函数，确定当前压缩质心数量；将当前迭代轮次的待训练模型和压缩质心数量发送至各客户端，以使各客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，基于当前压缩质心数量确定的压缩率对模型更新数据进行压缩后上传至参数服务器；接收各客户端反馈的压缩模型更新数据，得到当前迭代的训练模型。通过上述方案提高了模型的精度。

Description

联邦学习压缩通信的优化方法、系统及装置
技术领域
本公开实施例涉及物联网技术领域，尤其涉及一种联邦学习压缩通信的优化方法、系统及装置。
背景技术
在如今的网络世界中，数据可以通过物联网技术(IoT)在终端处进行收集和存储，这导致数据呈指数型增长。
为了应对这种挑战，在分布式模型训练过程中，大多通过量化或稀疏化来压缩传输的数据，从而减少通信所需的时间，但压缩后的数据会不可避免地失真，降低最终的模型精度。
发明内容
本公开实施例提供了联邦学习压缩通信的优化方法、系统及装置，以提高模型的精度。
第一方面，本公开实施例提供了一种联邦学习压缩通信的优化方法，应用于参数服务器，所述参数服务器与多个客户端进行多次迭代的分布式模型训练，所述方法包括：
获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比；
基于所述待训练模型的学习率、各所述客户端的数据量占比和压缩目标函数，确定当前压缩质心数量；
将当前迭代轮次的待训练模型和压缩质心数量发送至各所述客户端，以使各所述客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于所述当前压缩质心数量确定的压缩率对所述模型更新数据进行压缩后上传至所述参数服务器；
接收各所述客户端反馈的压缩模型更新数据，得到当前迭代的训练模型。
第二方面，本公开实施例还提供了一种联邦学习压缩通信的优化方法，应用于客户端，参数服务器与多个客户端进行多次迭代的分布式模型训练，所述方法包括：
接收所述参数服务器发送的当前迭代轮次的待训练模型和压缩质心数量；
基于各所述客户端的本地训练数据对当前迭代轮次的训练模型分别进行训练，得到模型更新数据；
基于所述当前迭代轮次的压缩质心数量确定的压缩率对所述模型更新数据进行压缩，得到压缩模型更新数据；
将所述压缩模型更新数据上传至所述参数服务器，以使所述参数服务器得到当前迭代的训练模型。
第三方面，本公开实施例还提供了一种联邦学习压缩通信的优化系统，所述系统包括：参数服务器和多个客户端；
所述参数服务器与各所述客户端通信连接，所述参数服务器用于获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比，基于所述待训练模型的学习率、各所述客户端的数据量占比和压缩目标函数，确定当前压缩质心数量，将当前迭代轮次的待训练模型和压缩质心数量发送至各所述客户端；
所述客户端用于接收所述参数服务器发送的当前迭代轮次的待训练模型和压缩质心数量；基于各所述客户端的本地训练数据对当前迭代轮次的训练模型分别进行训练，得到模型更新数据；基于所述当前迭代轮次的压缩质心数量确定的压缩率对所述模型更新数据进行压缩，得到压缩模型更新数据；将所述压缩模型更新数据上传至所述参数服务器；
所述参数服务器还用于接收各所述客户端反馈的压缩模型更新数据，得到当前迭代的训练模型。
第四方面，本公开实施例还提供了一种联邦学习压缩通信的优化装置，应用于参数服务器，所述参数服务器包括数据获取模块、质心数量确定模块、数据压缩模块和数据压缩模块；其中，
数据获取模块，用于获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比；
质心数量确定模块，用于基于所述待训练模型的学习率、各所述客户端的数据量占比和压缩目标函数，确定当前压缩质心数量；
数据压缩模块，用于将当前迭代轮次的待训练模型和压缩质心数量发送至各所述客户端，以使各所述客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于所述当前压缩质心数量确定的压缩率对所述模型更新数据进行压缩后上传至所述参数服务器；
模型更新模块，用于接收各所述客户端反馈的压缩模型更新数据，得到当前迭代的训练模型。
第五方面，本公开实施例还提供了一种联邦学习压缩通信的优化装置，应用于客户端，所述客户端包括数据接收模块、模型训练模块、数据压缩模块和模型更新模块，其中，
数据接收模块，用于接收所述参数服务器发送的当前迭代轮次的待训练模型和压缩质心数量；
模型训练模块，用于基于各所述客户端的本地训练数据对当前迭代轮次的训练模型分别进行训练，得到模型更新数据；
数据压缩模块，用于基于所述当前迭代轮次的压缩质心数量确定的压缩率对所述模型更新数据进行压缩，得到压缩模型更新数据；
模型更新模块，用于将所述压缩模型更新数据上传至所述参数服务器，以使所述参数服务器得到当前迭代的训练模型。
第六方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的联邦学习压缩通信的优化方法。
第七方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的联邦学习压缩通信的优化方法。
本公开实施例的技术方案，参数服务器通过获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比，并根据待训练模型的学习率、各客户端的数据量占比和压缩目标函数确定当前压缩质心数量，实现了压缩参数的获取；进一步的，参数服务器可以将当前迭代轮次的待训练模型和压缩质心数量发送至各客户端，以使各客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于当前压缩质心数量确定的压缩率对模型更新数据进行压缩后上传至参数服务器，使模型更新数据根据压缩质心数量进行自适应压缩，提高了压缩模型更新数据的质量；进一步的，接收各客户端反馈的高质量压缩模型更新数据，基于高质量的压缩模型更新数据确定当前迭代的训练模型，提高了训练模型的精度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开实施例一提供的一种联邦学习压缩通信的优化方法的流程示意图；
图2是本公开实施例二提供的一种联邦学习压缩通信的优化方法的流程示意图；
图3是本公开实施例三提供的一种联邦学习压缩通信的优化方法的流程示意图；
图4是本公开实施例四提供的一种联邦学习压缩通信的优化系统的结构示意图；
图5是本公开实施例四提供的一种压缩通信的结构示意图；
图6是本公开实施例五提供的一种联邦学习压缩通信的优化装置的结构示意图；
图7是本公开实施例六提供的一种联邦学习压缩通信的优化装置的结构示意图；
图8是本公开实施例七提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
实施例一
图1为本公开实施例所提供的一种联邦学习压缩通信的优化方法的流程示意图，本公开实施例适应于在分布式模型训练中对传输数据进行压缩的情况，该方法可以由本公开实施例提供的联邦学习压缩通信的优化装置来执行，该联邦学习压缩通信的优化装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是参数服务器，参数服务器与多个客户端用于进行多次迭代的分布式模型训练。如图1，本实施例的方法包括：
S110、获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比。
在本公开实施例中，待训练模型可以是分布式模型，即各客户端在不传输原始训练数据的情况下，在本地完成模型训练并将训练后的模型更新数据发送至参数服务器进行聚合，以更新训练模型的模型参数。
具体的，分布式模型训练参数指的是用于模型训练的参数，可以包括但不限于待训练模型的学习率和各客户端的数据量占比。其中，学习率指的是待训练模型每轮迭代的学习率。各客户端的数据量占比指的是客户端本地数据与所有客户端数据的比值。参数服务器可以从预设存储位置或其它电子设备获取待训练模型的学习率和各客户端的数据量占比，在此不做限定。
S120、基于所述待训练模型的学习率、各所述客户端的数据量占比和压缩目标函数，确定当前压缩质心数量。
其中，压缩目标函数指的是预先设置的目标函数。可选的，压缩目标函数可以包括凸目标函数。凸目标函数可以是根据为凸函数的损失函数确定的，也可以是根据为非凸函数的损失函数确定的。可以理解的是，凸函数和非凸函数包含了所有函数，在分布式模型训练的过程中，可以根据模型的训练需求选取损失函数的类型，并确定损失函数对应的压缩目标函数，提高压缩目标函数的适应性，从而提高当前压缩质心数量的可靠性。
在本公开实施例中，当前压缩质心数量指的是压缩算法进行数据压缩的参数，其中，压缩质心可以理解为离散值，压缩质心数量指的是离散值的数量，换而言之，通过压缩算法得到的压缩模型更新数据可以由多个可能的值组成，多个可能的值的数量可以是压缩质心数量。
具体的，可以将待训练模型的学习率、各客户端的数据量占比代入压缩目标函数，并对压缩目标函数进行解析得到当前压缩质心数量。
S130、将当前迭代轮次的待训练模型和压缩质心数量发送至各所述客户端，以使各所述客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于所述当前压缩质心数量确定的压缩率对所述模型更新数据进行压缩后上传至所述参数服务器。
其中，模型更新数据指的是待训练模型在客户端本地训练得到的模型梯度数据。
示例性的，参数服务器可以将当前迭代轮次的待训练模型和压缩质心数量发送至随机选择的各客户端，各客户端接收当前迭代轮次的待训练模型和压缩质心数量，并根据客户端本地的训练数据对待训练模型进行多轮训练，例如，可以使用随机梯度下降法等优化算法对待训练模型进行训练。训练完成后的模型更新数据可以根据当前压缩质心数量进行压缩，即在当前压缩质心数量发生变化时，模型更新数据的压缩率也会发生变化，实现了模型更新数据的自适应压缩，提高了模型更新数据的质量。
S140、接收各所述客户端反馈的压缩模型更新数据，得到当前迭代的训练模型。
具体的，在参数服务器接收各客户端反馈的压缩模型更新数据之后，对压缩模型更新数据进行解压，得到解压模型更新数据，进一步的。可以根据解压模型更新数据更新训练模型的模型参数，从而得到当前迭代的训练模型，例如可以在参数服务器接接收到解压模型更新数据后进行聚合，以完成训练模型的模型参数的更新。
本公开实施例的技术方案，参数服务器通过获取分布式模型训练参数，分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比，基于待训练模型的学习率、各客户端的数据量占比和压缩目标函数，确定当前压缩质心数量，实现了压缩参数的获取；进一步的，参数服务器将当前迭代轮次的待训练模型和压缩质心数量发送至各客户端，以使各客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于当前压缩质心数量确定的压缩率对模型更新数据进行压缩后上传至参数服务器，使模型更新数据根据压缩质心数量进行自适应压缩，提高了压缩模型更新数据的质量；进一步的，接收各客户端反馈的高质量压缩模型更新数据，基于高质量的压缩模型更新数据确定当前迭代的训练模型，提高了训练模型的精度。
实施例二
图2为本发明实施例二提供的一种联邦学习压缩通信的优化方法的流程图，本实施例的联邦学习压缩通信的优化方法与上述实施例中提供的联邦学习压缩通信的优化方法中各个可选方案可以结合。本实施例提供的联邦学习压缩通信的优化方法进行了进一步优化。可选的，所述基于所述待训练模型的学习率、各所述客户端的数据量占比和压缩目标函数，确定当前压缩质心数量，包括：将所述待训练模型的各迭代轮次的学习率和各客户端的数据量占比输入压缩目标函数，并对所述压缩目标函数进行最小化处理，得到当前压缩质心数量。如图2所示，该方法包括：
S210、获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比。
S220、将所述待训练模型的各迭代轮次的学习率和各客户端的数据量占比输入压缩目标函数，并对所述压缩目标函数进行最小化处理，得到当前压缩质心数量。
S230、将当前迭代轮次的待训练模型和压缩质心数量发送至各所述客户端，以使各所述客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于所述当前压缩质心数量确定的压缩率对所述模型更新数据进行压缩后上传至所述参数服务器。
S240、接收各所述客户端反馈的压缩模型更新数据，得到当前迭代的训练模型。
在本实施例中，压缩目标函数还可以包括压缩误差项、迭代次数参数项和通信总流量参数项。具体的，压缩误差项可以根据压缩算法的确定对应压缩误差项，即不同的压缩算法的压缩误差项可以不同。迭代次数参数项指的是分布式模型的迭代次数，通信总流量参数项指的是信息传输的带宽，可以作为压缩目标函数优化的上界。
示例性的，以PQ算法和QSGD算法为例，对确定当前压缩质心数量的过程进行阐述，分布式模型可以是联邦学习模型。其中，PQ(product quantization)算法是联邦学习中的一种无偏压缩算法，PQ算法可以根据Z个压缩质心将模型更新数据的范围分割为Z-1个间隔，在一个间隔内的模型更新将以一种无偏的方式量化到该间隔的上界或下界。压缩误差项可以定义为:
Figure BDA0003625572860000111
Figure BDA0003625572860000112
其中，E表示客户端在本地进行随机梯度下降训练的次数，G表示随机梯度的二范数的期望值，d表示模型的更新维度，Zt表示压缩质心数量，t表示迭代轮次，x表示由每轮迭代的元素大小x0,x1,…,xT-1组成的元素。因此，可以将待训练模型的各迭代轮次的学习率和各客户端的数据量占比以及压缩误差项中的各参数代入压缩目标函数，使用现有的数学优化数据库进行优化求解，得到当前压缩质心数量。QSGD(量化随机梯度下降)是联邦学习中另一种无偏压缩算法，其中，每个模型更新数据的元素会根据其大小生成一个随机变量，再通过该变量将对应的元素以无偏的方式量化到一个压缩质心。压缩误差项为
Figure BDA0003625572860000113
其中，E表示客户端在本地进行随机梯度下降训练的次数，G表示随机梯度的二范数的期望值，d表示模型的更新维度，Zt表示压缩质心数量，t表示迭代轮次，x表示由每轮迭代的元素大小x0,x1,…,xT-1组成的元素。将待训练模型的各迭代轮次的学习率和各客户端的数据量占比以及压缩误差项中的各参数代入压缩目标函数，使用现有的数学优化数据库进行优化求解，得到当前压缩质心数量。
在一些实施例中，压缩目标函数可以为凸目标函数。示例性的，凸目标函数可以为
Figure BDA0003625572860000114
其中，ηt表示第t迭代轮次的学习率，pi表示第i个客户端的数据量占比，
Figure BDA0003625572860000115
表示压缩误差项，K表示每轮训练选择的客户端数量，μ为强凸参数，T为迭代总次数，N表示客户端的总数量。将待训练模型的各迭代轮次的学习率和各客户端的数据量占比输入凸目标函数，对凸目标函数进行最小化处理，可以得到压缩质心数量。其中，
Figure BDA0003625572860000121
可以通过收敛性分析得到，分析过程如下：
对于损失函数为强凸的情况，我们使用wT表示训练T轮后的全局模型，w0表示初始模型，w*表示最优的全局模型，并定义学习率
Figure BDA0003625572860000122
Figure BDA0003625572860000123
和
Figure BDA0003625572860000124
Figure BDA0003625572860000125
其中，B表示批量梯度下降时使用的批量大小，K表示每轮训练选择的客户端数量，Γc表示全局损失函数最优值和客户端本地损失函数最优值之间的差，Γn表示全局梯度与客户端本地梯度的差的期望值，σ表示随机梯度的方差上界，则有
Figure BDA0003625572860000126
通过对分析的收敛结果进行观察可以发现，
Figure BDA0003625572860000127
就是受到压缩误差影响的因素，因此，将这一项作为我们需要优化的压缩目标函数。
在一些实施例中，压缩目标函数还可以为
Figure BDA0003625572860000128
将待训练模型的各迭代轮次的学习率和各客户端的数据量占比输入压缩目标函数，对压缩目标函数进行最小化处理，可以得到压缩质心数量。其中
Figure BDA0003625572860000129
可以通过收敛性分析得到，分析过程如下：
对于损失函数为非凸的情况，我们定义c表示一个常数，学习率满足
Figure BDA00036255728600001210
和
Figure BDA00036255728600001211
F0和F*分别表示初始模型的全局损失函数和最优模型的全局损失函数，E表示联邦学习中每轮迭代客户端本地训练的次数，则有
Figure BDA0003625572860000131
同理，通过对收敛性质进行分析可以得到受压缩误差影响的项为
Figure BDA0003625572860000132
将其定义为损失函数为非凸的情况下需要进行优化的压缩目标函数。
本公开实施例的技术方案，参数服务器可以将待训练模型的各迭代轮次的学习率和各客户端的数据量占比输入压缩目标函数，并对压缩目标函数进行最小化处理，得到当前压缩质心数量，实现了最优压缩参数的获取，基于最优的当前压缩质心数量确定的压缩率对模型更新数据进行压缩后上传至参数服务器，使模型更新数据根据最优的压缩质心数量进行自适应压缩，提高了压缩模型更新数据的质量。
实施例三
图3为本公开实施例所提供的一种联邦学习压缩通信的优化方法的流程示意图，本公开实施例适应于在分布式模型训练中对数据进行压缩的情况，该方法可以由本公开实施例提供的联邦学习压缩通信的优化装置来执行，该联邦学习压缩通信的优化装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是客户端，参数服务器与多个客户端用于进行多次迭代的分布式模型训练。如图3，本实施例的方法包括：
S310、接收所述参数服务器发送的当前迭代轮次的待训练模型和压缩质心数量。
S320、基于各所述客户端的本地训练数据对当前迭代轮次的训练模型分别进行训练，得到模型更新数据。
S330、基于所述当前迭代轮次的压缩质心数量确定的压缩率对所述模型更新数据进行压缩，得到压缩模型更新数据。
S340、将所述压缩模型更新数据上传至所述参数服务器，以使所述参数服务器得到当前迭代的训练模型。
具体的，客户端在接收到当前迭代轮次的压缩质心数量之后，可以基于当前迭代轮次的压缩质心数量确定模型更新数据的压缩率，并基于模型更新数据的压缩率对模型更新数据进行压缩。
在上述各实施例的基础上，所述基于所述当前迭代轮次的压缩质心数量确定所述模型更新数据的压缩率，包括：
Figure BDA0003625572860000141
其中，Λt表示压缩率，h表示未压缩前参数的比特值，d表示模型的更新维度，Zt表示压缩质心数量，t表示迭代轮次。在本实施例中，通过上述公式实现了压缩质心数量到压缩率的转换，使客户端可以根据动态压缩率对模型更新数据进行自适应压缩。
本公开实施例的技术方案，客户端用于接收参数服务器发送的当前迭代轮次的待训练模型和压缩质心数量；进一步的，客户端可以基于各客户端的本地训练数据对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于当前压缩质心数量确定的压缩率对模型更新数据进行压缩后上传至参数服务器，使模型更新数据根据压缩质心数量进行自适应压缩，提高了压缩模型更新数据的质量；进一步的，将高质量的压缩模型更新数据上传至参数服务器，以使参数服务器得到当前迭代的训练模型，提高了训练模型的精度。
实施例四
图4为本公开实施例所提供的一种联邦学习压缩通信的优化系统的结构示意图，本公开实施例适应于在分布式模型训练中对数据进行压缩的情况，该系统包括：参数服务器410和多个客户端420；参数服务器410与各客户端420通信连接，参数服务器410用于获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各客户端420的数据量占比，基于所述待训练模型的学习率、各所述客户端的数据量占比和压缩目标函数，确定当前压缩质心数量，将当前迭代轮次的待训练模型和压缩质心数量发送至各客户端420；客户端420用于接收参数服务器410发送的当前迭代轮次的待训练模型和压缩质心数量；基于各客户端420的本地训练数据对当前迭代轮次的训练模型分别进行训练，得到模型更新数据；基于所述当前迭代轮次的压缩质心数量确定的压缩率对所述模型更新数据进行压缩，得到压缩模型更新数据；将所述压缩模型更新数据上传至所述参数服务器410；参数服务器410还用于接收各客户端420反馈的压缩模型更新数据，得到当前迭代的训练模型。
示例性的，图5为本公开实施例提供的一种压缩通信的结构示意图，图5左侧为基于固定压缩率，将压缩模型更新数据上传至参数服务器的压缩通信过程；图5右侧为基于自适应压缩率，将压缩模型更新数据上传至参数服务器的压缩通信过程。其中，w表示参数服务器向客户端发送的数据，该发送的数据可以包括但不限于待训练模型等。
Figure BDA0003625572860000151
表示客户端i在第t轮全局迭代中的压缩模型更新数据。自适应压缩率可以是根据压缩质心数量确定，即模型更新数据可以根据压缩质心数量进行自适应压缩，提高了压缩模型更新数据的质量。
本公开实施例的技术方案，参数服务器通过获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比，基于待训练模型的学习率、各客户端的数据量占比和压缩目标函数，确定当前压缩质心数量，实现了压缩参数的获取；进一步的，将当前迭代轮次的待训练模型和压缩质心数量发送至各客户端，以使各客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于当前压缩质心数量确定的压缩率对模型更新数据进行压缩后上传至参数服务器，使模型更新数据根据压缩质心数量进行自适应压缩，提高了压缩模型更新数据的质量；进一步的，参数服务器接收各客户端反馈的高质量压缩模型更新数据，基于高质量的压缩模型更新数据确定当前迭代的训练模型，提高了训练模型的精度。
实施例五
图6是本公开实施例所提供的一种联邦学习压缩通信的优化装置的结构示意图。联邦学习压缩通信的优化装置应用于参数服务器，所述参数服务器包括数据获取模块510、质心数量确定模块520、数据压缩模块530和数据压缩模块540；其中，
数据获取模块510，用于获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比；质心数量确定模块520，用于基于所述待训练模型的学习率、各所述客户端的数据量占比和压缩目标函数，确定当前压缩质心数量；数据压缩模块530，用于将当前迭代轮次的待训练模型和压缩质心数量发送至各所述客户端，以使各所述客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于所述当前压缩质心数量确定的压缩率对所述模型更新数据进行压缩后上传至所述参数服务器；模型更新模块540，用于接收各所述客户端反馈的压缩模型更新数据，得到当前迭代的训练模型。
可选的，所质心数量确定模块520，还用于：
将所述待训练模型的各迭代轮次的学习率和各客户端的数据量占比输入压缩目标函数，并对所述压缩目标函数进行最小化处理，得到当前压缩质心数量。
可选的，所述装置还用于：
对所述压缩模型更新数据进行解压，得到解压模型更新数据；
基于所述解压模型更新数据更新训练模型的模型参数。
本公开实施例所提供的装置可执行本公开任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
实施例六
图7是本公开实施例所提供的一种联邦学习压缩通信的优化装置的结构示意图。联邦学习压缩通信的优化装置应用于客户端，所述客户端包括数据接收模块610、模型训练模块620、数据压缩模块630和模型更新模块640，其中，
数据接收模块610，用于接收所述参数服务器发送的当前迭代轮次的待训练模型和压缩质心数量；
模型训练模块620，用于基于各所述客户端的本地训练数据对当前迭代轮次的训练模型分别进行训练，得到模型更新数据；
数据压缩模块630，用于基于所述当前迭代轮次的压缩质心数量确定的压缩率对所述模型更新数据进行压缩，得到压缩模型更新数据；
模型更新模块640，用于将所述压缩模型更新数据上传至所述参数服务器，以使所述参数服务器得到当前迭代的训练模型。
可选的，数据压缩模块630,包括：
压缩率确定单元，用于基于所述当前迭代轮次的压缩质心数量确定所述模型更新数据的压缩率；
数据压缩单元，用于基于所述模型更新数据的压缩率对所述模型更新数据进行压缩。
可选的，所述数据压缩单元，还用于：
Figure BDA0003625572860000181
其中，Λt表示压缩率，h表示未压缩前参数的比特值，d表示模型的更新维度，Zt表示压缩质心数量，t表示迭代轮次。
本公开实施例所提供的装置可执行本公开任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
实施例七
下面参考图8，其示出了适于用来实现本公开实施例的电子设备(例如图8中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的联邦学习压缩通信的优化方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例八
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的联邦学习压缩通信的优化方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比；
基于所述待训练模型的学习率、各所述客户端的数据量占比和压缩目标函数，确定当前压缩质心数量；
将当前迭代轮次的待训练模型和压缩质心数量发送至各所述客户端，以使各所述客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于所述当前压缩质心数量确定的压缩率对所述模型更新数据进行压缩后上传至所述参数服务器；
接收各所述客户端反馈的压缩模型更新数据，得到当前迭代的训练模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元/模块的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种联邦学习压缩通信的优化方法，其特征在于，应用于参数服务器，所述参数服务器与多个客户端进行多次迭代的分布式模型训练，所述方法包括：
获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比，所述数据量占比表示客户端本地数据与所有客户端数据的比值；
基于所述待训练模型的学习率、各所述客户端的数据量占比和压缩目标函数，确定当前压缩质心数量；
将当前迭代轮次的待训练模型和压缩质心数量发送至各所述客户端，以使各所述客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于所述当前压缩质心数量确定的压缩率对所述模型更新数据进行压缩后上传至所述参数服务器；
接收各所述客户端反馈的压缩模型更新数据，得到当前迭代的训练模型；
其中，所述压缩率的确定过程包括：
Figure FDA0004021850680000011
其中，Λt表示压缩率，h表示未压缩前参数的比特值，d表示模型的更新维度，Zt表示压缩质心数量，t表示迭代轮次。
2.根据权利要求1所述的方法，其特征在于，所述基于所述待训练模型的学习率、各所述客户端的数据量占比和压缩目标函数，确定当前压缩质心数量，包括：
将所述待训练模型的各迭代轮次的学习率和各客户端的数据量占比输入压缩目标函数，并对所述压缩目标函数进行最小化处理，得到当前压缩质心数量。
3.根据权利要求1所述的方法，其特征在于，在接收各所述客户端反馈的压缩模型更新数据之后，所述方法还包括：
对所述压缩模型更新数据进行解压，得到解压模型更新数据；
基于所述解压模型更新数据更新训练模型的模型参数。
4.一种联邦学习压缩通信的优化方法，其特征在于，应用于客户端，参数服务器与多个客户端进行多次迭代的分布式模型训练，所述方法包括：
接收所述参数服务器发送的当前迭代轮次的待训练模型和压缩质心数量；
基于各所述客户端的本地训练数据对当前迭代轮次的训练模型分别进行训练，得到模型更新数据；
基于所述当前迭代轮次的压缩质心数量确定的压缩率对所述模型更新数据进行压缩，得到压缩模型更新数据；
将所述压缩模型更新数据上传至所述参数服务器，以使所述参数服务器得到当前迭代的训练模型；
其中，所述压缩率的确定过程包括：
Figure FDA0004021850680000021
其中，Λt表示压缩率，h表示未压缩前参数的比特值，d表示模型的更新维度，Zt表示压缩质心数量，t表示迭代轮次。
5.根据权利要求4所述的方法，其特征在于，所述基于所述当前迭代轮次的压缩质心数量确定的压缩率对所述模型更新数据进行压缩，得到压缩模型更新数据,包括：
基于所述当前迭代轮次的压缩质心数量确定所述模型更新数据的压缩率；
基于所述模型更新数据的压缩率对所述模型更新数据进行压缩。
6.一种联邦学习压缩通信的优化系统，其特征在于，所述系统包括：参数服务器和多个客户端；
所述参数服务器与各所述客户端通信连接，所述参数服务器用于获取分布式模型训练参数，所述分布式模型训练参数至少包括待训练模型的学习率和各所述客户端的数据量占比，基于所述待训练模型的学习率、各所述客户端的数据量占比和压缩目标函数，确定当前压缩质心数量，将当前迭代轮次的待训练模型和压缩质心数量发送至各所述客户端，所述数据量占比表示客户端本地数据与所有客户端数据的比值；
所述客户端用于接收所述参数服务器发送的当前迭代轮次的待训练模型和压缩质心数量；基于各所述客户端的本地训练数据对当前迭代轮次的训练模型分别进行训练，得到模型更新数据；基于所述当前迭代轮次的压缩质心数量确定的压缩率对所述模型更新数据进行压缩，得到压缩模型更新数据；将所述压缩模型更新数据上传至所述参数服务器；
所述参数服务器还用于接收各所述客户端反馈的压缩模型更新数据，得到当前迭代的训练模型；
其中，所述压缩率的确定过程包括：
Figure FDA0004021850680000031
其中，Λt表示压缩率，h表示未压缩前参数的比特值，d表示模型的更新维度，Zt表示压缩质心数量，t表示迭代轮次。
7.一种联邦学习压缩通信的优化装置，其特征在于，应用于参数服务器，所述参数服务器包括数据获取模块、质心数量确定模块、数据压缩模块和数据压缩模块；其中，
数据获取模块，用于获取待训练模型的学习率和各客户端的数据量占比，所述数据量占比表示客户端本地数据与所有客户端数据的比值；
质心数量确定模块，用于基于所述待训练模型的学习率、各客户端的数据量占比和压缩目标函数，确定当前压缩质心数量；
数据压缩模块，用于将当前迭代轮次的待训练模型和压缩质心数量发送至各客户端，以使各客户端在本地对当前迭代轮次的训练模型分别进行训练，得到模型更新数据，以及基于所述当前压缩质心数量确定的压缩率对所述模型更新数据进行压缩后上传至所述参数服务器；
模型更新模块，用于接收各客户端反馈的压缩模型更新数据，得到当前迭代的训练模型；
其中，所述压缩率的确定过程包括：
Figure FDA0004021850680000041
其中，Λt表示压缩率，h表示未压缩前参数的比特值，d表示模型的更新维度，Zt表示压缩质心数量，t表示迭代轮次。
8.一种联邦学习压缩通信的优化装置，其特征在于，应用于客户端，所述客户端包括数据接收模块、模型训练模块、数据压缩模块和模型更新模块，其中，
数据接收模块，用于接收参数服务器发送的当前迭代轮次的待训练模型和压缩质心数量；
模型训练模块，用于基于各所述客户端的本地训练数据对当前迭代轮次的训练模型分别进行训练，得到模型更新数据；
数据压缩模块，用于基于所述当前迭代轮次的压缩质心数量确定的压缩率对所述模型更新数据进行压缩，得到压缩模型更新数据；
模型更新模块，用于将所述压缩模型更新数据上传至参数服务器，以使参数服务器得到当前迭代的训练模型；
其中，所述压缩率的确定过程包括：
Figure FDA0004021850680000042
其中，Λt表示压缩率，h表示未压缩前参数的比特值，d表示模型的更新维度，Zt表示压缩质心数量，t表示迭代轮次。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3或者权利要求4-5中任一所述的联邦学习压缩通信的优化方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-3或者权利要求4-5中任一所述的联邦学习压缩通信的优化方法。
CN202210475956.1A 2022-04-29 2022-04-29 联邦学习压缩通信的优化方法、系统及装置 Active CN114861790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210475956.1A CN114861790B (zh) 2022-04-29 2022-04-29 联邦学习压缩通信的优化方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210475956.1A CN114861790B (zh) 2022-04-29 2022-04-29 联邦学习压缩通信的优化方法、系统及装置

Publications (2)

Publication Number Publication Date
CN114861790A CN114861790A (zh) 2022-08-05
CN114861790B true CN114861790B (zh) 2023-03-17

Family

ID=82635249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210475956.1A Active CN114861790B (zh) 2022-04-29 2022-04-29 联邦学习压缩通信的优化方法、系统及装置

Country Status (1)

Country Link
CN (1) CN114861790B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341689B (zh) * 2023-03-22 2024-02-06 深圳大学 机器学习模型的训练方法、装置、电子设备及存储介质
CN116484922B (zh) * 2023-04-23 2024-02-06 深圳大学 一种联邦学习方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111355739A (zh) * 2020-03-06 2020-06-30 深圳前海微众银行股份有限公司 横向联邦学习的数据传输方法、装置、终端设备及介质
CN111553483A (zh) * 2020-04-30 2020-08-18 同盾控股有限公司 基于梯度压缩的联邦学习的方法、装置及系统
WO2021232832A1 (zh) * 2020-05-19 2021-11-25 华为技术有限公司 数据处理方法、联邦学习的训练方法及相关装置、设备

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5602749A (en) * 1995-01-12 1997-02-11 Mtc Method of data compression and apparatus for its use in monitoring machinery
US11750260B2 (en) * 2020-09-30 2023-09-05 Qualcomm Incorporated Non-uniform quantized feedback in federated learning
CN112235384B (zh) * 2020-10-09 2023-10-31 腾讯科技（深圳）有限公司 分布式系统中的数据传输方法、装置、设备及存储介质
CN112449009B (zh) * 2020-11-12 2023-01-10 深圳大学 一种基于svd的联邦学习推荐系统通信压缩方法及装置
CN112817940B (zh) * 2021-02-07 2022-03-04 上海嗨普智能信息科技股份有限公司 基于梯度压缩的联邦学习数据处理系统
CN113222179B (zh) * 2021-03-18 2023-06-20 北京邮电大学 一种基于模型稀疏化与权重量化的联邦学习模型压缩方法
CN113259333B (zh) * 2021-04-29 2022-10-21 深圳大学 联邦学习数据压缩方法、系统、终端、服务器及存储介质
CN113742778B (zh) * 2021-09-17 2023-10-31 上海交通大学 基于联邦学习和alq压缩的分布式机器学习方法及系统
US20220012645A1 (en) * 2021-09-23 2022-01-13 Dawei Ying Federated learning in o-ran

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111355739A (zh) * 2020-03-06 2020-06-30 深圳前海微众银行股份有限公司 横向联邦学习的数据传输方法、装置、终端设备及介质
CN111553483A (zh) * 2020-04-30 2020-08-18 同盾控股有限公司 基于梯度压缩的联邦学习的方法、装置及系统
WO2021232832A1 (zh) * 2020-05-19 2021-11-25 华为技术有限公司 数据处理方法、联邦学习的训练方法及相关装置、设备

Also Published As

Publication number Publication date
CN114861790A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN114861790B (zh) 联邦学习压缩通信的优化方法、系统及装置
CN110413812B (zh) 神经网络模型的训练方法、装置、电子设备及存储介质
CN112954354B (zh) 视频的转码方法、装置、设备和介质
CN113436620B (zh) 语音识别模型的训练方法、语音识别方法、装置、介质及设备
CN112153415B (zh) 一种视频转码方法、装置、设备及存储介质
CN114389975B (zh) 网络带宽预估方法、装置、系统、电子设备及存储介质
CN110781150A (zh) 数据传输方法、装置和电子设备
CN114401447A (zh) 一种视频卡顿预测方法、装置、设备和介质
CN110009101B (zh) 用于生成量化神经网络的方法和装置
CN114067800A (zh) 语音识别方法、装置和电子设备
CN111209432A (zh) 信息获取的方法、装置、电子设备及计算机可读介质
CN110996164A (zh) 视频发布方法、装置、电子设备及计算机可读介质
CN112561779A (zh) 图像风格化处理方法、装置、设备及存储介质
CN112488947A (zh) 模型训练和图像处理方法、装置、设备和计算机可读介质
CN112685271A (zh) 压测数据处理方法、装置、电子设备及可读存储介质
CN111680754A (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN114339252A (zh) 一种数据压缩方法及装置
CN110290381A (zh) 视频质量评估方法、装置、电子设备及计算机存储介质
CN111898061A (zh) 搜索网络的方法、装置、电子设备和计算机可读介质
CN112307320A (zh) 一种信息推送方法、装置、移动终端及存储介质
CN112311840A (zh) 一种多终端数据同步方法、装置、设备及介质
CN110807114A (zh) 用于图片展示的方法、装置、终端及存储介质
CN112488943B (zh) 模型训练和图像去雾方法、装置、设备
CN116800834B (zh) 虚拟礼物合并方法、装置、电子设备和计算机可读介质
CN115272686A (zh) 特征图像生成方法、装置、电子设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant