CN115564055A - 异步联合学习训练方法、装置、计算机设备及存储介质 - Google Patents
异步联合学习训练方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115564055A CN115564055A CN202110745868.4A CN202110745868A CN115564055A CN 115564055 A CN115564055 A CN 115564055A CN 202110745868 A CN202110745868 A CN 202110745868A CN 115564055 A CN115564055 A CN 115564055A
- Authority
- CN
- China
- Prior art keywords
- gradient
- node
- parameter
- executing
- weight
- 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.)
- Pending
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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及计算机技术领域,提供了一种异步联合学习训练方法、装置、计算机设备及存储介质。该方法包括:执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;执行修正步骤,基于该样本权重和该参数权重,对节点上传的梯度进行修正,得到修正后梯度;执行更新步骤,基于该修正后梯度对全局参数进行更新,得到更新后参数;执行比较步骤,对该更新后参数和历史参数进行比较,计算得到目标阈值;执行压缩步骤,基于该目标阈值对该节点上传的梯度进行压缩,得到压缩后梯度。本发明提高了边缘侧计算效率,且***露用户数据隐私。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种异步联合学习训练方法、装置、计算机设备及存储介质。
背景技术
传统联合学习可以保护用户数据隐私进行联合模型训练,中心节点、本地参与方不断更新模型,上传下发模型参数来完成联合训练,横向联合训练可以联合到更多的数据从而提高模型精度。联合学习是在***露或汇聚各方原始数据的前提下进行联合建模,保持训练数据的去中心化和分散化。
因为联合学习机制不需要把数据集中后进行模型训练,可以将数据在边缘侧进行计算后再上传相应参数。但是一个独立的边缘设备数据是有限的,单独训练时对每个参与者的模型会陷入局部最优,联合学习中的节点学习梯度数据也会间接反映训练样本信息,从而泄露用户数据隐私。
发明内容
有鉴于此,本发明实施例提供了一种异步联合学习训练方法、装置、计算机设备及存储介质,以解决现有技术中泄露用户数据隐私的问题。
本发明实施例的第一方面,提供了一种异步联合学习训练方法,包括:执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;执行修正步骤,基于样本权重和参数权重,对节点上传的梯度进行修正,得到修正后梯度;执行更新步骤,基于修正后梯度对全局参数进行更新,得到更新后参数;执行比较步骤,对更新后参数和历史参数进行比较,计算得到目标阈值;执行压缩步骤,基于目标阈值对节点上传的梯度进行压缩,得到压缩后梯度。
本发明实施例的第二方面,提供了一种异步联合学习训练装置,包括:计算模块,被配置为初始化模块,被配置为执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;修正模块,被配置为执行修正步骤,基于样本权重和参数权重,对节点上传的梯度进行修正,得到修正后梯度;更新模块,被配置为执行更新步骤,基于修正后梯度对全局参数进行更新,得到更新后参数;比较模块,被配置为执行比较步骤,对更新后参数和历史参数进行比较,计算得到目标阈值;压缩模块,被配置为执行压缩步骤,基于目标阈值对节点上传的梯度进行压缩,得到压缩后梯度。
本发明实施例的第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:通过执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;执行修正步骤,基于样本权重和参数权重,对节点上传的梯度进行修正,得到修正后梯度;执行更新步骤,基于修正后梯度对全局参数进行更新,得到更新后参数;执行比较步骤,对更新后参数和历史参数进行比较,计算得到目标阈值;执行压缩步骤,基于目标阈值对节点上传的梯度进行压缩,得到压缩后梯度。本发明提高了边缘侧计算效率,且***露用户数据隐私。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例的异步联合学习框架的框图;
图2是本发明实施例提供的一种异步联合学习训练方法的流程图;
图3是本发明实施例提供的另一种异步联合学习训练方法的流程图;
图4是本发明实施例提供的一种异步联合学习训练装置的框图;
图5是本发明实施例提供的一种计算机设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
本发明所指的联合学习是可用于支持多用户进行多方合作,并通过AI技术联合多方合作挖掘数据价值,建立智能联合建模。其中,智能联合建模包括:
1)参与节点控制自有数据的弱中心化联合训练模式,确保共创智能过程中的数据隐私安全;
2)在不同应用场景下,利用筛选和/或组合AI算法、隐私保护计算,建立多种模型聚合优化策略;以获取高层次、高质量的模型;
3)确保数据安全及用户隐私的前提下,基于多种模型聚合优化策略,获取提升联合学习引擎的效能方法,其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等,提升联合学习引擎的整体效能;
4)获取各场景下多方用户的需求,通过互信机制,确定合理评估各联合参与方的真实贡献度,进行分配激励;
基于上述方式,可以建立基于联合学习的AI技术生态,充分发挥行业数据价值,推动垂直领域的场景落地。
图1是本发明实施例的异步联合学习框架的框图。该异步联合学习框架可以包括中心节点层(也可以叫做参数服务器层)和边缘节点层。
其中阈值自适应模块处于边缘节点层,异步联合学习模块横跨中心节点层(也可以叫做参数服务器层)和边缘节点层。中心节点负责整合边缘节点的参数,然后对其进行更新,再下发给边缘节点。边缘节点只与中心节点通信。
参数服务器层包括:异步联合学习模块,其中,异步联合学习模块包括:参数更新单元、梯度修正单元和双重权重计算单元;双重权重计算单元根据节点学习信息计算对应的样本权重和参数权重;梯度修正单元将节点上传的梯度根据双重权重进行修正;参数更新单元利用修正完的梯度进行全局参数更新;
边缘节点层包括:异步联合学习模块和阈值自适应模块,其中,异步联合学习模块包括:节点学习状态监控单元,阈值自适应模块包括:自适应阈值计算单元和梯度压缩单元;自适应阈值计算单元根据最新参数变化计算阈值;梯度压缩单元使用阈值对不符合梯度的通信进行压缩;节点学习状态监控单元负责监控节点学习状态如学习所处的轮数与样本数量。
下面将结合附图详细说明根据本发明实施例的一种异步联合学习训练方法和装置。
图2是本发明实施例提供的一种异步联合学习训练方法的流程图。图2的异步联合学习训练方法可以由服务器执行。如图2所示,该异步联合学习训练方法包括:
S201,执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;
S202,执行修正步骤,基于样本权重和参数权重,对节点上传的梯度进行修正,得到修正后梯度;
S203,执行更新步骤,基于修正后梯度对全局参数进行更新,得到更新后参数;
S204,执行比较步骤,对更新后参数和历史参数进行比较,计算得到目标阈值;
S205,执行压缩步骤,基于目标阈值对节点上传的梯度进行压缩,得到压缩后梯度。
具体地,执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;执行修正步骤,基于样本权重和参数权重,对节点上传的梯度进行修正,得到修正后梯度;执行更新步骤,基于修正后梯度对全局参数进行更新,得到更新后参数;执行比较步骤,对更新后参数和历史参数进行比较,计算得到目标阈值;执行压缩步骤,基于目标阈值对节点上传的梯度进行压缩,得到压缩后梯度。
根据本发明实施例提供的技术方案,通过执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;执行修正步骤,基于样本权重和参数权重,对节点上传的梯度进行修正,得到修正后梯度;执行更新步骤,基于修正后梯度对全局参数进行更新,得到更新后参数;执行比较步骤,对更新后参数和历史参数进行比较,计算得到目标阈值;执行压缩步骤,基于目标阈值对节点上传的梯度进行压缩,得到压缩后梯度。本发明提高了边缘侧计算效率,且***露用户数据隐私。
样本权重是由节点的样本数量与总样本数量的占比决定。参数权重则受梯度的目标参数与当前全局参数在时间上的相近程度所影响。
将节点上传的梯度根据双重权重(样本权重和参数权重)进行修正,梯度可以是节点与服务器之间的梯度通信,即压缩单个节点与参数服务器的通信次数。双重权重的权重值越大梯度通信次数越多。
将修正后梯度对全局参数中对应的参数进行替换。
自适应的阈值计算需要获取更新后的参数,并与历史参数进行比较。适应阈值计算功能是根据最新参数变化计算阈值历史参数可以是服务器通过有线或无线的方式获取到的。
梯度压缩可以是使用阈值对不符合梯度的通信进行压缩,可以根据阈值作为梯度检查的判别条件,一般是根据固定阈值进行判别本发明是根据自适应阈值作为判别条件。
在一些实施例中,执行第二计算步骤,基于压缩后梯度,计算对应的样本权重和参数权重;继续执行修正步骤、更新步骤、比较步骤、压缩步骤和第二计算步骤,直至满足预设条件停止执行。
在一些实施例中,样本权重是通过以下步骤计算得到的:基于节点学习信息中的节点的样本数量和总样本数量的比值,确定样本权重。
在一些实施例中,基于目标阈值,生成判别条件;基于判别条件对节点上传的梯度进行压缩,得到压缩后梯度。
可以根据阈值作为梯度检查的判别条件,一般是根据固定阈值进行判别本发明是根据自适应阈值作为判别条件。在一些实施例中,确定目标节点是否符合目标条件;响应于确定目标节点不符合目标条件,目标节点在本地累计梯度信息;响应于目标节点的梯度信息的信息量满足目标值,将目标节点的梯度信息上传到中心节点。
具体地,目标节点可以是任意一个节点,目标条件可以是预先设定的,例如,目标节点的梯度在阈值范围内。
作为示例,节点自动适应模型训练过程中每轮梯度的变化,可以计算出合适的阈值来对梯度进行压缩。符合条件的节点可以获取对应轮次的与参数服务器通信的资格,否则在本地累计梯度信息,进行下一轮学习迭代,最终梯度会累计足够的信息量上传到中心节点。无论节点是否获得该轮的通信资格,在下一轮学习结束后都要进行梯度检查,即梯度自检是贯穿节点的整个学习过程。
在一些实施例中,节点自动适应模型通过以下步骤得到的:将节点学习信息输入节点自动适应模型,得到目标阈值。
节点自动适应模型可以是预先训练的。可以是基于神经网络训练得到的。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
图3是本发明实施例提供的另一种异步联合学习训练方法的流程图。图3的异步联合学习训练方法可以由服务器执行。如图3所示,该异步联合学习训练方法包括:
S301,执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;
S302,执行修正步骤,基于样本权重和参数权重,对节点上传的梯度进行修正,得到修正后梯度;
S303,执行更新步骤,基于修正后梯度对全局参数进行更新,得到更新后参数;
S304,执行比较步骤,对更新后参数和历史参数进行比较,计算得到目标阈值;
S305,执行压缩步骤,基于目标阈值对节点上传的梯度进行压缩,得到压缩后梯度;
S306,执行第二计算步骤,基于压缩后梯度,计算对应的样本权重和参数权重;
S307,继续执行修正步骤、更新步骤、比较步骤、压缩步骤和第二计算步骤,直至满足预设条件停止执行。
具体地,执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;执行修正步骤,基于样本权重和参数权重,对节点上传的梯度进行修正,得到修正后梯度;执行更新步骤,基于修正后梯度对全局参数进行更新,得到更新后参数;执行比较步骤,对更新后参数和历史参数进行比较,计算得到目标阈值;执行压缩步骤,基于目标阈值对节点上传的梯度进行压缩,得到压缩后梯度;执行第二计算步骤,基于压缩后梯度,计算对应的样本权重和参数权重;继续执行修正步骤、更新步骤、比较步骤、压缩步骤和第二计算步骤,直至满足预设条件停止执行。
根据本发明实施例提供的技术方案,执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;执行修正步骤,基于样本权重和参数权重,对节点上传的梯度进行修正,得到修正后梯度;执行更新步骤,基于修正后梯度对全局参数进行更新,得到更新后参数;执行比较步骤,对更新后参数和历史参数进行比较,计算得到目标阈值;执行压缩步骤,基于目标阈值对节点上传的梯度进行压缩,得到压缩后梯度;执行第二计算步骤,基于压缩后梯度,计算对应的样本权重和参数权重;继续执行修正步骤、更新步骤、比较步骤、压缩步骤和第二计算步骤,直至满足预设条件停止执行。本发明提高了边缘侧计算效率,且***露用户数据隐私。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图4是本发明实施例提供的一种异步联合学习训练装置的示意图。如图4所示,该异步联合学习训练装置包括:
计算模块401,被配置为初始化模块,被配置为执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;
修正模块402,被配置为执行修正步骤,基于样本权重和参数权重,对节点上传的梯度进行修正,得到修正后梯度;
更新模块403,被配置为执行更新步骤,基于修正后梯度对全局参数进行更新,得到更新后参数;
比较模块404,被配置为执行比较步骤,对更新后参数和历史参数进行比较,计算得到目标阈值;
压缩模块405,被配置为执行压缩步骤,基于目标阈值对节点上传的梯度进行压缩,得到压缩后梯度。
根据本发明实施例提供的技术方案,执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;执行修正步骤,基于样本权重和参数权重,对节点上传的梯度进行修正,得到修正后梯度;执行更新步骤,基于修正后梯度对全局参数进行更新,得到更新后参数;执行比较步骤,对更新后参数和历史参数进行比较,计算得到目标阈值;执行压缩步骤,基于目标阈值对节点上传的梯度进行压缩,得到压缩后梯度。本发明提高了边缘侧计算效率,且***露用户数据隐私。
在一些实施例中,该异步联合学习训练装置还包括:再次计算模块406,被配置为执行第二计算步骤,基于压缩后梯度,计算对应的样本权重和参数权重;停止模块407,被配置为继续执行修正步骤、更新步骤、比较步骤、压缩步骤和第二计算步骤,直至满足预设条件停止执行。
在一些实施例中,样本权重是通过以下步骤计算得到的:基于节点学习信息中的节点的样本数量和总样本数量的比值,确定样本权重。
在一些实施例中,该压缩模块405被进一步配置为:基于目标阈值,生成判别条件;基于判别条件对节点上传的梯度进行压缩,得到压缩后梯度。
在一些实施例中,该异步联合学习训练装置被进一步配置为:确定目标节点是否符合目标条件;响应于确定目标节点不符合目标条件,目标节点在本地累计梯度信息;响应于目标节点的梯度信息的信息量满足目标值,将目标节点的梯度信息上传到中心节点。
在一些实施例中,节点自动适应模型通过以下步骤得到的:将节点学习信息输入节点自动适应模型,得到目标阈值。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图5是本发明实施例提供的计算机设备5的示意图。如图5所示,该实施例的计算机设备5包括:处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者,处理器501执行计算机程序503时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序503可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器502中,并由处理器501执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序503在计算机设备5中的执行过程。
计算机设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解,图5仅仅是计算机设备5的示例,并不构成对计算机设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器501可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器502可以是计算机设备5的内部存储单元,例如,计算机设备5的硬盘或内存。存储器502也可以是计算机设备5的外部存储设备,例如,计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器502还可以既包括计算机设备5的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所发明的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种异步联合学习训练方法,其特征在于,包括:
执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;
执行修正步骤,基于所述样本权重和所述参数权重,对节点上传的梯度进行修正,得到修正后梯度;
执行更新步骤,基于所述修正后梯度对全局参数进行更新,得到更新后参数;
执行比较步骤,对所述更新后参数和历史参数进行比较,计算得到目标阈值;
执行压缩步骤,基于所述目标阈值对所述节点上传的梯度进行压缩,得到压缩后梯度。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
执行第二计算步骤,基于所述压缩后梯度,计算对应的样本权重和参数权重;
继续执行所述修正步骤、所述更新步骤、所述比较步骤、所述压缩步骤和所述第二计算步骤,直至满足预设条件停止执行。
3.根据权利要求1所述的方法,其特征在于,所述样本权重是通过以下步骤计算得到的:
基于所述节点学习信息中的节点的样本数量和总样本数量的比值,确定所述样本权重。
4.根据权利要求1所述的方法,其特征在于,所述执行压缩步骤,基于所述目标阈值对所述节点上传的梯度进行压缩,得到压缩后梯度,包括:
基于所述目标阈值,生成判别条件;
基于所述判别条件对所述节点上传的梯度进行压缩,得到压缩后梯度。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定目标节点是否符合目标条件;
响应于确定目标节点不符合目标条件,所述目标节点在本地累计梯度信息;
响应于所述目标节点的梯度信息的信息量满足目标值,将所述目标节点的梯度信息上传到所述中心节点。
6.根据权利要求1所述的方法,其特征在于,所述节点自动适应模型通过以下步骤得到的:
将所述节点学习信息输入节点自动适应模型,得到所述目标阈值。
7.一种异步联合学习框架,其特征在于,包括:参数服务器层和边缘节点层;
所述参数服务器层包括:异步联合学习模块,其中,所述异步联合学习模块包括:参数更新单元、梯度修正单元和双重权重计算单元;
所述双重权重计算单元根据节点学习信息计算对应的样本权重和参数权重;
所述梯度修正单元将节点上传的梯度根据双重权重进行修正;
所述参数更新单元利用修正完的梯度进行全局参数更新;
所述边缘节点层包括:异步联合学习模块和阈值自适应模块,其中,所述异步联合学习模块包括:节点学习状态监控单元,所述阈值自适应模块包括:自适应阈值计算单元和梯度压缩单元;
所述自适应阈值计算单元根据最新参数变化计算阈值;
所述梯度压缩单元使用阈值对不符合梯度的通信进行压缩;
所述节点学习状态监控单元负责监控节点学习状态如学习所处的轮数与样本数量。
8.一种异步联合学习训练装置,其特征在于,包括:
计算模块,被配置为初始化模块,被配置为执行第一计算步骤,根据节点学习信息计算对应的样本权重和参数权重;
修正模块,被配置为执行修正步骤,基于所述样本权重和所述参数权重,对节点上传的梯度进行修正,得到修正后梯度;
更新模块,被配置为执行更新步骤,基于所述修正后梯度对全局参数进行更新,得到更新后参数;
比较模块,被配置为执行比较步骤,对所述更新后参数和历史参数进行比较,计算得到目标阈值;
压缩模块,被配置为执行压缩步骤,基于所述目标阈值对所述节点上传的梯度进行压缩,得到压缩后梯度。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110745868.4A CN115564055A (zh) | 2021-07-01 | 2021-07-01 | 异步联合学习训练方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110745868.4A CN115564055A (zh) | 2021-07-01 | 2021-07-01 | 异步联合学习训练方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564055A true CN115564055A (zh) | 2023-01-03 |
Family
ID=84737380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110745868.4A Pending CN115564055A (zh) | 2021-07-01 | 2021-07-01 | 异步联合学习训练方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564055A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117221008A (zh) * | 2023-11-07 | 2023-12-12 | 中孚信息股份有限公司 | 基于反馈机制的多行为基线修正方法、***、装置及介质 |
-
2021
- 2021-07-01 CN CN202110745868.4A patent/CN115564055A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117221008A (zh) * | 2023-11-07 | 2023-12-12 | 中孚信息股份有限公司 | 基于反馈机制的多行为基线修正方法、***、装置及介质 |
CN117221008B (zh) * | 2023-11-07 | 2024-02-23 | 中孚信息股份有限公司 | 基于反馈机制的多行为基线修正方法、***、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469373B (zh) | 基于联邦学习的模型训练方法、***、设备及存储介质 | |
CN113486584B (zh) | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 | |
CN108733508A (zh) | 用于控制数据备份的方法和*** | |
CN112768056A (zh) | 基于联合学习框架的疾病预测模型建立方法和装置 | |
CN106296193A (zh) | 用于虚拟资源操作的风险控制方法和装置 | |
CN113435534A (zh) | 一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质 | |
CN115660115A (zh) | 一种联邦学习模型训练方法、装置、设备及存储介质 | |
CN112884163A (zh) | 基于联邦机器学习算法与云端反馈的组合服务评估方法与*** | |
CN113965313B (zh) | 基于同态加密的模型训练方法、装置、设备以及存储介质 | |
CN115564055A (zh) | 异步联合学习训练方法、装置、计算机设备及存储介质 | |
CN113486583B (zh) | 设备的健康评估方法、装置、计算机设备及计算机可读存储介质 | |
CN113297310B (zh) | 一种物联网中区块链分片验证者选取的方法 | |
CN114666375A (zh) | 一种基于北斗卫星的智慧农业物联网方法、***及云平台 | |
CN116402366A (zh) | 基于联合学习的数据贡献评价方法及装置 | |
CN114422438A (zh) | 电力通信网络的链路调节方法及装置 | |
CN114692903A (zh) | 用于设备故障检测的方法及终端设备 | |
CN114528893A (zh) | 机器学习模型训练方法、电子设备及存储介质 | |
CN114897185A (zh) | 基于类别异构数据的联合学习训练方法及装置 | |
WO2023071529A1 (zh) | 设备数据清洗方法、装置、计算机设备及介质 | |
CN115834247B (zh) | 一种基于区块链的边缘计算信任评价方法 | |
CN113887745A (zh) | 数据异构的联合学习方法及装置 | |
CN113887744A (zh) | 基于联合学习的数据特征提取方法及装置 | |
CN115271042A (zh) | 基于样本的采样时间的模型训练方法及装置 | |
CN116384782A (zh) | 基于联合学习的数据分析方法、装置、设备及存储介质 | |
CN114897186A (zh) | 联合学习训练方法及装置 |
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 |