CN116484922A - 一种联邦学习方法、系统、设备及存储介质 - Google Patents
一种联邦学习方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116484922A CN116484922A CN202310466543.1A CN202310466543A CN116484922A CN 116484922 A CN116484922 A CN 116484922A CN 202310466543 A CN202310466543 A CN 202310466543A CN 116484922 A CN116484922 A CN 116484922A
- Authority
- CN
- China
- Prior art keywords
- client
- target
- neural network
- network model
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000004891 communication Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 239000004973 liquid crystal related substance Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明实施例公开了一种联邦学习方法、系统、设备及存储介质。对于各参与联邦学习的客户端,获取所述客户端的调度相关信息;根据所述调度相关信息确定所述客户端的目标调度概率;将所述目标调度概率发送至服务端,使得所述服务端根据所述目标调度概率确定目标客户端;其中,所述目标客户端为被调度以训练神经网络模型的客户端;对于目标客户端,接收所述服务端发送的神经网络模型,并基于数据样本对所述神经网络模型进行训练。本发明实施例提供的联邦学习方法,基于客户端的样本时延信息、样本长度信息及通信开销消息来确定被调度的客户端,合理的调度客户端,可以高效的对神经网络模型进行联合训练。
Description
技术领域
本发明实施例涉及神经网络技术领域,尤其涉及一种联邦学习方法、系统、设备及存储介质。
背景技术
随着计算机视觉、推荐系统和医学图像分析等智能服务的蓬勃发展,人们对由此引发的数据泄露和隐私侵犯问题的关注度不断提升。为了确保在训练机器学习模型提供智能服务的同时保护用户的数据隐私,人们提出了联邦学习(Federated Learning,FL)这种新型的学习范式。然而,已有的优化工作主要面向线下FL,它们假设在整个模型训练过程中,数据样本静止地保存在客户端上。然而,包括在线推荐系统在内的许多实时智能服务要求系统能够及时处理持续生成的数据样本,由此引发了人们对在线联邦学习(OnlineFederated Learning,OFL)的研究。然而,OFL面临同时改善模型效用与通信开销两个相互矛盾的目标:一方面,持续生成的数据样本需要在较低的时延内得到处理才能获得较高的模型效用;另一方面,客户端与服务端之间过于频繁的通信会导致较高的通信开销。
传统的客户端调度方案面向静态数据源,它们假设训练数据是在模型训练开始前收集完成,且在训练过程中不会发生动态变化。这些方案存在以下缺点:1)完整收集所有训练数据需要耗费大量时间,等待数据样本完全收集完成才开始进行模型训练会带来难以容忍的高时延;2)线下的数据收集方式需要保存所有数据样本,由此消耗客户端大量的存储空间;3)等待数据样本完全收集完成后再对模型进行持续更新会给客户端带来持续较高的CPU负载,影响客户端上其它应用的正常运行,损害用户的体验质量。
发明内容
本发明实施例提供一种联邦学习方法、系统、设备及存储介质,基于目标调度概率确定被调度的客户端,可以高效的对神经网络模型进行联合训练。
第一方面,本发明实施例提供了一种联邦学习方法,所述方法由参与联邦学习的客户端执行,包括:
对于各参与联邦学习的客户端,获取所述客户端的调度相关信息;其中,所述调度相关信息包括如下至少一项:样本时延信息、样本长度信息及通信开销消息;
根据所述调度相关信息确定所述客户端的目标调度概率;
将所述目标调度概率发送至服务端,使得所述服务端根据所述目标调度概率确定目标客户端;其中,所述目标客户端为被调度以训练神经网络模型的客户端;
对于目标客户端,接收所述服务端发送的神经网络模型,并基于数据样本对所述神经网络模型进行训练。
第二方面,本发明实施例还提供了一种联邦学习系统,包括:服务端及多个客户端;
所述多个客户端用于基于调度相关信息确定目标调度概率,并将所述目标调度概率发送至所述服务端;
所述服务端用于基于多个所述目标调度概率确定设定数量的目标客户端,并将神经网络模型发送至所述目标客户端;
所述目标客户端用于基于数据样本对所述神经网络模型进行训练,并将训练后的神经网络模型发送至所述服务端;
所述服务端用于将设定数量的训练后的神经网络模型进行融合,获得目标神经网络模型。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明实施例所述的联邦学习方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明实施例所述的联邦学习方法。
本发明实施例公开了一种联邦学习方法、系统、设备及存储介质。该方法由参与联邦学习的客户端执行,包括:对于各参与联邦学习的客户端,获取客户端的调度相关信息;其中,调度相关信息包括如下至少一项:样本时延信息、样本长度信息及通信开销消息;根据调度相关信息确定客户端的目标调度概率;将目标调度概率发送至服务端,使得服务端根据目标调度概率确定目标客户端;其中,目标客户端为被调度以训练神经网络模型的客户端;对于目标客户端,接收服务端发送的神经网络模型,并基于数据样本对神经网络模型进行训练。本发明实施例提供的联邦学习方法,基于客户端的样本时延信息、样本长度信息及通信开销消息来确定被调度的客户端,合理的调度客户端,可以高效的对神经网络模型进行联合训练。
附图说明
图1是本发明实施例一中的一种联邦学习方法的流程图;
图2是本发明实施例一中的一种采用队列对数据样本进行管理的示例图;
图3是本发明实施例二中的一种联邦学习方法的流程图;
图4是本发明实施例二中的一种对神经网络模型进行联邦学习的示例图;
图5是本发明实施例三中的一种联邦学习系统的结构示意图;
图6是本发明实施例四中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种联邦学习方法的流程图,本实施例可适用于对神经网络模型进行联邦学习的情况,该方法可以由联邦学习装置来执行,该装置设置于参与联邦学习的客户端中,该客户端可以是移动终端、PC端或服务器等。具体包括如下步骤:
S110,对于各参与联邦学习的客户端,获取客户端的调度相关信息。
其中,调度相关信息包括如下至少一项:样本时延信息、样本长度信息及通信开销消息。样本时延信息可以表征数据样本一直未参与训练的时延,可以由未参与过训练的数据样本从生成时刻到当前时刻的时长确定。样本长度信息可以由未参与过训练的数据样本的数量确定。通信开销消息可以表征客户端与服务端之间的通信开销。
可选的,在获取客户端的调度相关信息之前,还包括如下步骤:获取客户端中各数据样本的使用频次;根据使用频次将数据样本划分为多个样本等级。
其中,使用频次为参与模型训练的次数。样本等级与使用频次成反比。在模型训练过程中,数据样本对于模型训练的价值会随着其使用次数的增加而迅速衰减,所以需要根据数据样本的使用频次对齐划分等级。使用频次越少,则数据样本的等级越高。本实施例中,可以采用分等级的队列来对数据样本进行存储。新到来的数据样本首先被放置在0级队列中,随着被采样参与模型训练次数的增多,这些数据样本的价值会逐渐降低,从而会被逐渐移动到高层级(即低等级)的队列中。示例性的,图2是本实施例中采用队列对数据样本进行管理的示例图,如图2所示,共有4级队列,新到来的数据样本首先被放置在0级队列中,当数据样本被使用1次来训练模型后,数据样本由0级队列移至1级队列,依次类推。假设以1级队列为例来解释数据样本在队列的动态过程,该队列当前缓存了3个数据样本,当这3个数据样本被用于模型训练后会被移动到2级队列中。本实施例中,还可以使用一个链表以及若干指针来对客户端中的数据样本进行管理,每个指针用于指向每一级队列的末尾。使得客户端的额外存储开销为常数,将样本从一级队列移动到下一级队列的操作只需通过移动相应的指针即可,由此产生的额外计算开销可以忽略不计。
本实施例中,当数据样本的使用频次超过设定阈值时,该数据样本被删除,即不再用于训练神经网络模型。
具体的,获取客户端的调度相关信息的过程可以是:将使用频次为0的数据样本的时延进行累加,获得样本时延信息;获取使用频次为0的数据样本的数量,作为样本长度信息;获取各样本等级分别包括的样本数量;基于样本数量确定各样本等级的资源占比;根据资源占比和样本数量确定通信开销消息。
其中,数据样本的时延可以理解为数据样本从生成时刻到当前时刻的时长。假设使用频次为0的数据样本包括N个,且第n个数据样本的时延为dn,则样本时延信息可以表示为:且样本长度信息Γ2为N。
其中,资源占比可以是计算资源(CPU)占比。基于样本数量确定各样本等级的资源占比的方式可以是:确定各样本等级的样本数量与总样本数量的比值,将该比值作为样本等级的资源占比。具体的,根据资源占比和样本数量确定通信开销消息可以表示为:其中,V,β,c均为设置的常数,μ为客户端CPU的速度,γi为第i个等级的权重,且可以基于幂律分布进行设置,Qi为第i个等级包含的数据样本的数量,pi为第i个等级的资源占比。
S120,根据调度相关信息确定客户端的目标调度概率。
具体的,根据调度相关信息确定客户端的目标调度概率的方式可以是:根据调度相关信息和优化变量构建目标函数;对目标函数进行优化求解,获得目标结果;将目标结果对应的优化变量的值作为目标调度概率。
其中,优化变量为采样概率对应的变量,即目标函数是以调度概率为自变量构建的函数。示例性的,假设优化变量表示为x,则根据调度相关信息和优化变量构建优化目标函数可以表示为:对目标函数进行优化求解的方式可以是:采用现有任意的优化算法对目标函数进行优化迭代,获得目标函数的最优解,即目标结果。最后将目标结果对应的x值作为当前客户端的目标调度概率。
S130,将目标调度概率发送至服务端,使得服务端根据目标调度概率确定目标客户端。
其中,目标客户端为被调度以训练神经网络模型的客户端。
本实施例中,服务端接收到各客户端发送的目标调度概率之后,基于多个目标调度概率选取设定数量的客户端,并将最新的神经网络下发至目标客户端,使得客户端对神经网络模型进行训练。
S140,对于目标客户端,接收服务端发送的神经网络模型,并基于数据样本对神经网络模型进行训练。
本实施例中,目标客户端接收到最新的神经网络模型后,首先采样一定数量的数据样本,然后基于采样的数据样本对接收到的神经网络模型进行训练,以更新神经网络模型中的参数。
具体的,基于数据样本对神经网络模型进行训练的方式可以是:按照样本等级由高到低的顺序选取设定数量的数据样本;基于选取的数据样本对神经网络模型进行训练。
其中,按照样本等级由高到低的顺序选取设定数量的数据样本可以理解为优先选取使用频次低的数据样本。即在上述实施例的基础上,先选取0级队列中的数据样本,再选取1级队列中的数据样本,依次类推,直到达到选取的数量。示例性的,假设一轮训练需要选取50个数据样本,客户端中0级队列中包含20个数据样本,1级队列中包含有50个数据样本,则将0级队列中的20个样本选取处理,并从1级队列中再选取30个数据样本,从而构成所需数量的数据样本。这样做的好处是,可以优先使用新的数据样本对神经网络模型进行训练,提高神经网络模型的精度。
可选的,基于选取的数据样本对神经网络模型进行训练的方式可以是:对于每个数据样本,获得数据样本本次参与训练的第一梯度信息及上一次参与训练的第二梯度信息;获取目标客户端的历史平均梯度信息;基于第一梯度信息、第二梯度信息及历史平均梯度信息对神经网络模型的参数进行更新。
其中,获取所述数据样本本次参与训练的第一梯度信息的过程可以是:将数据样本输入当前神经网络模型中进行处理,获得第一梯度信息。第二梯度信息可以理解为:数据样本在上一次参与训练时,将数据样本输入上一次时的神经网络模型所获得的梯度信息。历史平均梯度信息可以理解为:当前客户端对神经网络模型从开始训练到当前训练的过程中所产生的梯度信息的平均值。
具体的,基于第一梯度信息、第二梯度信息及历史平均梯度信息对神经网络模型的参数进行更新的过程可以是:将第一梯度信息、第二梯度信息及历史平均梯度信息进行线性叠加,获得初始调整量;将初始调整量与更新系数融合,获得目标调整量,将神经网络模型的参数与目标调整量相减,获得更新后的神经网络模型的参数。示例性的,对神经网络模型的参数进行更新可以表示:w(e)=w(e-1)-η(g(e)-α(e)+A(e)),其中,g(e)为第一梯度信息,α(e)为第二梯度信息,A(e)为历史平均梯度信息,w(e-1)为更新前的神经网络模型参数,w(e)为更新后的神经网络模型参数。本实施例中,在对神经网络模型的参数进行更新时,参考了第二梯度信息和历史平均梯度信息,有效的降低了神经网络模型梯度信息的波动,从而加速神经网络模型训练的速度。
本实施例的技术方案,对于各参与联邦学习的客户端,获取客户端的调度相关信息;其中,调度相关信息包括如下至少一项:样本时延信息、样本长度信息及通信开销消息;根据调度相关信息确定客户端的目标调度概率;将目标调度概率发送至服务端,使得服务端根据目标调度概率确定目标客户端;其中,目标客户端为被调度以训练神经网络模型的客户端;对于目标客户端,接收服务端发送的神经网络模型,并基于数据样本对神经网络模型进行训练。本发明实施例提供的联邦学习方法,基于客户端的样本时延信息、样本长度信息及通信开销消息来确定被调度的客户端,合理的调度客户端,可以高效的对神经网络模型进行联合训练。
实施例二
图3是本发明实施例二提供的一种联邦学习方法的流程图,本实施例可适用于对神经网络模型进行联邦学习的情况,该方法可以由联邦学习装置来执行,该装置设置于参与联邦学习的服务端中,该服务端可以是移动终端、PC端或服务器等。具体包括如下步骤:
S310,接收多个客户端发送的目标调度概率。
其中,目标调度概率为客户端基于调度相关信息确定。目标调度概率的确定过程可以参见上述实施例,此处不再赘述。
S320,基于目标调度概率确定设定数量的目标客户端。
其中,设定数量可以是一次调度客户端的数量,其根据带宽信息所设置,例如:可以设置2个或者3个等。
可选的,基于目标调度概率确定设定数量的目标客户端的方式可以是:选择目标调度概率最大的设定数量的客户端,作为目标客户端,示例性的,假设共有5个客户端,且设定数量为3,目标调度概率分别为P1、P2、P3、P4及P5,且满足P1>P2>P3>P4>P5,则选取P1、P2、P3对应的客户端作为目标客户端。
可选的,基于目标调度概率确定设定数量的目标客户端的方式还可以是:按照目标调度概率进行随机采样,获得设定数量的目标客户端。其中,按照目标调度概率进行随机采样的过程可以是:生成一个(0,1]区间的随机数,如果客户端的目标调度概率大于该随机数,则客户端被选中,否则不被选中。如果被选中的客户端数量超出设定数量,则移除目标调度概率最小的若干个客户端,剩余客户端作为目标客户端。例如,假设共有5个客户端,设定数量为3,且目标调度概率分别为P1、P2、P3、P4及P5,且满足P1>P2>P3>P4>P5,随机采样得到4个客户端P1、P3,P4、P5,则移除P5,选取P1、P3、P4对应的客户端作为目标客户端。如果第一次被选中的客户端数量小于设定数量,则再次生成一个(0,1]区间的随机数,从剩余的客户端中选择若干目标调度概率大于重新生成的随机数的客户端,从而获得设定数量的目标客户端。
S330,将神经网络模型发送至目标客户端,使得目标客户端对神经网络模型进行训练。
本实施例中,服务端将最新的神经网络模型下发至目标客户端,以使目标客户端对神经网络模型进行联合训练。目标客户端对神经网络模型进行训练的过程可以参见上述实施例,此处不再赘述。
S340,接收目标客户端返回的训练后的神经网络模型。
S350,将设定数量的训练后的神经网络模型进行融合,获得目标神经网络模型。
其中,将设定数量的训练后的神经网络模型进行融合的方式可以是:将设定数量的训练后的神经网络模型中参数进行加权求和,将加权求和的参数作为目标神经网络模型的参数。
示例性的,图4是本实施例中对神经网络模型进行联邦学习的示例图,如图4所示,服务端选择了客户端①和客户端③进行模型的联合训练,将最新的神经网络模型下发至客户端①和客户端③,客户端①和客户端③训练完神经网络模型后,将训练后的神经网络模型发送至服务端,服务端将训练后的神经网络模型进行融合,获得最终的神经网络模型。
本实施例的技术方案,接收多个客户端发送的目标调度概率;其中,目标调度概率为客户端基于调度相关信息确定;基于目标调度概率确定设定数量的目标客户端;将神经网络模型发送至目标客户端,使得目标客户端对神经网络模型进行训练;接收目标客户端返回的训练后的神经网络模型;将设定数量的训练后的神经网络模型进行融合,获得目标神经网络模型。本实施例通过目标调度概率确定被调度的客户端,可以合理的调度客户端,高效的对神经网络模型进行联合训练。
实施例三
图5是本发明实施例三提供的一种联邦学习系统的结构示意图,如图5所示,该系统包括:服务端及多个客户端。其中,多个客户端用于基于调度相关信息确定目标调度概率,并将目标调度概率发送至服务端。服务端用于基于多个目标调度概率确定设定数量的目标客户端,并将神经网络模型发送至目标客户端。目标客户端用于基于数据样本对神经网络模型进行训练,并将训练后的神经网络模型发送至服务端。服务端用于将设定数量的训练后的神经网络模型进行融合,获得目标神经网络模型。
具体的,客户端和服务端在联邦学习方法中执行的步骤原理,可以参见上述实施例,此处不再赘述。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如联邦学习方法。
在一些实施例中,联邦学习方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的联邦学习方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行联邦学习方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种联邦学习方法,其特征在于,所述方法由参与联邦学习的客户端执行,包括:
对于各参与联邦学习的客户端,获取所述客户端的调度相关信息;其中,所述调度相关信息包括如下至少一项:样本时延信息、样本长度信息及通信开销消息;
根据所述调度相关信息确定所述客户端的目标调度概率;
将所述目标调度概率发送至服务端,使得所述服务端根据所述目标调度概率确定目标客户端;其中,所述目标客户端为被调度以训练神经网络模型的客户端;
对于目标客户端,接收所述服务端发送的神经网络模型,并基于数据样本对所述神经网络模型进行训练。
2.根据权利要求1所述的方法,其特征在于,在获取所述客户端的调度相关信息之前,还包括:
获取所述客户端中各数据样本的使用频次;其中,所述使用频次为参与模型训练的次数;
根据所述使用频次将所述数据样本划分为多个样本等级;其中,样本等级与所述使用频次成反比。
3.根据权利要求2所述的方法,其特征在于,获取所述客户端的调度相关信息,包括:
将使用频次为0的数据样本的时延进行累加,获得样本时延信息;
获取使用频次为0的数据样本的数量,作为样本长度信息;
获取各样本等级分别包括的样本数量;
基于所述样本数量确定各样本等级的资源占比;
根据所述资源占比和所述样本数量确定通信开销消息。
4.根据权利要求1所述的方法,其特征在于,根据所述调度相关信息确定所述客户端的目标调度概率,包括:
根据所述调度相关信息和优化变量构建目标函数;其中,所述优化变量为采样概率对应的变量;
对所述目标函数进行优化求解,获得目标结果;
将所述目标结果对应的优化变量的值作为目标调度概率。
5.根据权利要求2所述的方法,其特征在于,基于数据样本对所述神经网络模型进行训练,包括:
按照样本等级由高到低的顺序选取设定数量的数据样本;
基于选取的数据样本对所述神经网络模型进行训练。
6.根据权利要求5所述的方法,其特征在于,基于选取的数据样本对所述神经网络模型进行训练,包括:
对于每个数据样本,获取所述数据样本本次参与训练的第一梯度信息及上一次参与训练的第二梯度信息;
获取所述目标客户端的历史平均梯度信息;
基于所述第一梯度信息、所述第二梯度信息及所述历史平均梯度信息对所述神经网络模型的参数进行更新。
7.一种联邦学习方法,其特征在于,所述方法由参与联邦学习的服务端执行,包括:
接收多个客户端发送的目标调度概率;其中,所述目标调度概率为所述客户端基于调度相关信息确定;
基于所述目标调度概率确定设定数量的目标客户端;
将神经网络模型发送至所述目标客户端,使得所述目标客户端对所述神经网络模型进行训练;
接收所述目标客户端返回的训练后的神经网络模型;
将所述设定数量的训练后的神经网络模型进行融合,获得目标神经网络模型。
8.一种联邦学习系统,其特征在于,包括:服务端及多个客户端;
所述多个客户端用于基于调度相关信息确定目标调度概率,并将所述目标调度概率发送至所述服务端;
所述服务端用于基于多个所述目标调度概率确定设定数量的目标客户端,并将神经网络模型发送至所述目标客户端;
所述目标客户端用于基于数据样本对所述神经网络模型进行训练,并将训练后的神经网络模型发送至所述服务端;
所述服务端用于将设定数量的训练后的神经网络模型进行融合,获得目标神经网络模型。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的联邦学习方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的联邦学习方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310466543.1A CN116484922B (zh) | 2023-04-23 | 2023-04-23 | 一种联邦学习方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310466543.1A CN116484922B (zh) | 2023-04-23 | 2023-04-23 | 一种联邦学习方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484922A true CN116484922A (zh) | 2023-07-25 |
CN116484922B CN116484922B (zh) | 2024-02-06 |
Family
ID=87222881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310466543.1A Active CN116484922B (zh) | 2023-04-23 | 2023-04-23 | 一种联邦学习方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484922B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110213796A (zh) * | 2019-05-28 | 2019-09-06 | 大连理工大学 | 一种车联网中的智能资源分配方法 |
CN112887145A (zh) * | 2021-01-27 | 2021-06-01 | 重庆邮电大学 | 一种基于分布式的网络切片故障检测方法 |
CN113221163A (zh) * | 2021-04-29 | 2021-08-06 | 深圳大学 | 一种训练模型的方法及系统 |
CN113504999A (zh) * | 2021-08-05 | 2021-10-15 | 重庆大学 | 一种面向高性能分层联邦边缘学习的调度与资源分配方法 |
CN113506040A (zh) * | 2021-08-05 | 2021-10-15 | 重庆大学 | 一种uav蜂群中面向高性能联邦学习的调度和资源分配方法 |
CN113537518A (zh) * | 2021-07-19 | 2021-10-22 | 哈尔滨工业大学 | 基于联邦学习的模型训练方法及装置、设备、存储介质 |
CN113807538A (zh) * | 2021-04-09 | 2021-12-17 | 京东科技控股股份有限公司 | 联邦学习方法、装置、电子设备及存储介质 |
CN113900796A (zh) * | 2021-09-02 | 2022-01-07 | 山东电力工程咨询院有限公司 | 5g网络中面向多任务联邦学习的资源分配方法及系统 |
CN114064394A (zh) * | 2021-10-22 | 2022-02-18 | 深圳大学 | 基于边缘计算的安全监控方法、装置及终端设备 |
CN114580661A (zh) * | 2022-02-25 | 2022-06-03 | 腾讯科技(深圳)有限公司 | 基于联邦学习的数据处理方法、装置和计算机设备 |
CN114861790A (zh) * | 2022-04-29 | 2022-08-05 | 深圳大学 | 联邦学习压缩通信的优化方法、系统及装置 |
CN114881365A (zh) * | 2022-06-08 | 2022-08-09 | 国网河北省电力有限公司信息通信分公司 | 基于区块链的供应链管理方法及供应链管理系统 |
CN115174396A (zh) * | 2022-07-02 | 2022-10-11 | 华北电力大学 | 一种基于数字孪生的低碳能源管控通信网业务管理方法 |
US20220366320A1 (en) * | 2021-07-13 | 2022-11-17 | Beijing Baidu Netcom Science Technology Co., Ltd. | Federated learning method, computing device and storage medium |
WO2023279975A1 (zh) * | 2021-07-06 | 2023-01-12 | 华为技术有限公司 | 一种模型处理方法、联邦学习方法及相关设备 |
US20230041074A1 (en) * | 2020-01-10 | 2023-02-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Distributed machine learning using network measurements |
-
2023
- 2023-04-23 CN CN202310466543.1A patent/CN116484922B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110213796A (zh) * | 2019-05-28 | 2019-09-06 | 大连理工大学 | 一种车联网中的智能资源分配方法 |
US20230041074A1 (en) * | 2020-01-10 | 2023-02-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Distributed machine learning using network measurements |
CN112887145A (zh) * | 2021-01-27 | 2021-06-01 | 重庆邮电大学 | 一种基于分布式的网络切片故障检测方法 |
CN113807538A (zh) * | 2021-04-09 | 2021-12-17 | 京东科技控股股份有限公司 | 联邦学习方法、装置、电子设备及存储介质 |
CN113221163A (zh) * | 2021-04-29 | 2021-08-06 | 深圳大学 | 一种训练模型的方法及系统 |
WO2023279975A1 (zh) * | 2021-07-06 | 2023-01-12 | 华为技术有限公司 | 一种模型处理方法、联邦学习方法及相关设备 |
US20220366320A1 (en) * | 2021-07-13 | 2022-11-17 | Beijing Baidu Netcom Science Technology Co., Ltd. | Federated learning method, computing device and storage medium |
CN113537518A (zh) * | 2021-07-19 | 2021-10-22 | 哈尔滨工业大学 | 基于联邦学习的模型训练方法及装置、设备、存储介质 |
CN113504999A (zh) * | 2021-08-05 | 2021-10-15 | 重庆大学 | 一种面向高性能分层联邦边缘学习的调度与资源分配方法 |
CN113506040A (zh) * | 2021-08-05 | 2021-10-15 | 重庆大学 | 一种uav蜂群中面向高性能联邦学习的调度和资源分配方法 |
CN113900796A (zh) * | 2021-09-02 | 2022-01-07 | 山东电力工程咨询院有限公司 | 5g网络中面向多任务联邦学习的资源分配方法及系统 |
CN114064394A (zh) * | 2021-10-22 | 2022-02-18 | 深圳大学 | 基于边缘计算的安全监控方法、装置及终端设备 |
CN114580661A (zh) * | 2022-02-25 | 2022-06-03 | 腾讯科技(深圳)有限公司 | 基于联邦学习的数据处理方法、装置和计算机设备 |
CN114861790A (zh) * | 2022-04-29 | 2022-08-05 | 深圳大学 | 联邦学习压缩通信的优化方法、系统及装置 |
CN114881365A (zh) * | 2022-06-08 | 2022-08-09 | 国网河北省电力有限公司信息通信分公司 | 基于区块链的供应链管理方法及供应链管理系统 |
CN115174396A (zh) * | 2022-07-02 | 2022-10-11 | 华北电力大学 | 一种基于数字孪生的低碳能源管控通信网业务管理方法 |
Non-Patent Citations (1)
Title |
---|
LAIZHONG CUI 等: "CREAT: Blockchain-Assisted Compression Algorithm of Federated Learning for Content Caching in Edge Computing", 《IEEE INTERNET OF THINGS JOURNAL》, vol. 9, no. 16, pages 14151 - 14161, XP011916580, DOI: 10.1109/JIOT.2020.3014370 * |
Also Published As
Publication number | Publication date |
---|---|
CN116484922B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112559007B (zh) | 多任务模型的参数更新方法、装置及电子设备 | |
CN113361721B (zh) | 模型训练方法、装置、电子设备、存储介质及程序产品 | |
CN114265979A (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
CN114065864B (zh) | 联邦学习方法、联邦学习装置、电子设备以及存储介质 | |
CN114329201A (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
CN114065863B (zh) | 联邦学习的方法、装置、系统、电子设备及存储介质 | |
CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
CN115358411A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN113132479B (zh) | 流量切换、模型生成方法、装置、设备、存储介质及程序 | |
CN116484922B (zh) | 一种联邦学习方法、系统、设备及存储介质 | |
CN116684378A (zh) | 基于分级管理的邮件缓存方法、装置、设备及介质 | |
CN113434270B (zh) | 数据资源调度方法、装置、电子设备及存储介质 | |
CN113626175B (zh) | 数据处理的方法和装置 | |
CN113887995A (zh) | 电力项目信息展示方法、装置、设备和计算机可读介质 | |
CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN113179218B (zh) | 模型训练方法、网络拥塞控制方法、装置及相关产品 | |
CN115334321B (zh) | 视频流的访问热度的获取方法、装置、电子设备及介质 | |
CN113411390B (zh) | 内容分发网络的调度方法、装置及电子设备 | |
CN115577980B (zh) | 电力设备调控方法、装置、电子设备和介质 | |
CN115293329A (zh) | 一种参数更新方法、装置、设备及存储介质 | |
CN115622949A (zh) | 一种流量调度方法、装置、设备和介质 | |
CN114418123A (zh) | 一种模型降噪方法、装置、电子设备及存储介质 | |
CN114612784A (zh) | 目标检测网络训练方法、装置、设备及存储介质 | |
CN115292606A (zh) | 一种信息推送方法、装置、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 |