[发明专利]面向智能边缘计算的协同模型训练任务配置方法

权利要求书

1.一种面向智能边缘计算的协同模型训练任务配置方法，用于边缘计算节点且包括一或多个训练时隙，其特征在于，每一训练时隙包括如下步骤：

向一或多个边缘设备发送模型训练请求；

接收来自所述一或多个边缘设备响应于所述模型训练请求而汇报的当前时隙的可用状态和用户数据规模；

基于上一训练时隙得到的任务配置结果，从当前可用边缘设备中选定参与训练的边缘设备，并确定交互模型训练所需的训练小轮数目；

与参与训练的边缘设备进行交互模型训练直至达到确定的训练小轮数目；根据训练效果和各边缘设备汇报的当前时隙的用户数据规模，构建以最小化边缘训练资源的使用为目标的优化问题并求解，得到用于下一训练时隙的新的任务配置结果；

其中，与参与训练的边缘设备进行交互模型训练时，训练时隙t内每一训练小轮具体包括：

（1）边缘计算节点将先前训练所得的全局训练模型参数、各边缘设备的局部精度修正梯度以及全局精度修正梯度发送至所有可用边缘设备；参与训练的边缘设备根据接收到的数据和自身的局部精度损失函数分别计算各自对全局训练模型参数的更新； j为当前训练小轮的序数，i表示第i个边缘设备；=0；

（2）边缘计算节点在接收到所有参与训练的边缘设备发送的对全局训练模型参数的更新的基础上，计算得到新的全局模型参数并发送给所有参与训练的边缘设备进行验证；所有参与训练的边缘设备基于分别进行计算，各自得到新的局部精度、新的局部精度修正梯度、新的局部汇聚性能，并发送给边缘计算节点进行更新记录；

（3）边缘计算节点基于接收到的各边缘设备的局部精度修正梯度计算得到新的全局精度修正梯度；

（4）若当前训练小轮达到当前训练时隙t所需的训练小轮数目，边缘计算节点还将最新的全局模型参数发送给未参与训练的边缘设备；未参与训练的边缘设备基于计算得到各自的第个训练小轮后新的局部精度，并发送给边缘计算节点进行更新记录。

2.根据权利要求1所述的面向智能边缘计算的协同模型训练任务配置方法，其特征在于，任务配置结果包括：用于决策是否选择第i个边缘设备在训练时隙t内参与训练的参与者决策量 和用于决策训练时隙t内训练小轮数目的辅助决策量。

3.根据权利要求2所述的面向智能边缘计算的协同模型训练任务配置方法，其特征在于，训练时隙t内所需训练小轮数目通过下式计算：

= K，

其中，K为常数。

4.根据权利要求1所述的面向智能边缘计算的协同模型训练任务配置方法，其特征在于，步骤（1）中，参与训练的边缘设备根据接收到的数据分别计算各自对全局训练模型参数的更新，具体包括：

各参与训练的边缘设备利用获取的、和自身的局部精度损失函数构建优化函数，并以最小化所述优化函数的方式得到；

所述优化函数表示为：

，

其中、均为确定的参数。

5.根据权利要求1所述的面向智能边缘计算的协同模型训练任务配置方法，其特征在于，步骤（2）中，新的全局模型参数通过下式计算得到：

，

其中，为当前训练时隙t内可用边缘设备的集合，为训练时隙t中用于指示第i个边缘设备是否参与训练的变量，等于0或1。

6.根据权利要求1所述的面向智能边缘计算的协同模型训练任务配置方法，其特征在于，步骤（2）中，新的局部精度是由各边缘设备将代入自身的局部精度损失函数而得到；新的局部精度修正梯度是基于新的局部精度而得到；新的局部汇聚性能是通过下式得到：

。