摘要
本发明属于联邦学习领域,公开了一种基于轻量化模型的高效个性化联邦学习系统及方法,在本地训练过程中将批归一化层(BN层)集成到卷积神经网络模型,并保留该层部分参数私有使客户端保留其本地数据的个性化特征,利用基于通道权重的模型剪枝技术压缩模型,服务器端综合考量客户端的数据量、数据多样性和参与度等因素,采用基于信誉值的综合权重分配原则进行客户端权重分配,并基于该权重进行加权聚合,使用结合自适应学习率调整机制和Nesterov动量的Nadam优化算法更新全局模型。本发明可以有效提高模型收敛的速度和精度,降低通信成本,增强模型的公平性、鲁棒性和个性化能力。
技术关键词
客户端
联邦学习系统
联邦学习方法
服务器
参数
个性化特征
信誉值
通道剪枝
卷积神经网络模型
数据分布
模型剪枝
算法
模型压缩
模型更新
计算方法
冗余
指数
鲁棒性
系统为您推荐了相关专利信息
电缆状态评估方法
XGBoost模型
超参数
参数优化方法
指标
工况参数
核反应堆堆芯
功率
因子
核反应堆控制方法
康复评估系统
特征值
人工智能模型
患者
随机森林模型