[发明专利]一种基于联邦增量学习的工业物联网数据共享方法

说明书

本发明公开了一种基于联邦增量学习的工业物联网数据共享方法，包括下述步骤：S1.工厂子端学习状态监控子模块负责监控工厂子端学习状态如参数深度值与增量样本数量；S2.工厂子端加权计算子模块根据学习状态信息计算对应样本的增量加权；S3.工厂子端参数修正子模块将工厂子端上传的模型参数根据增量加权进行修正；S4.行业联合端等级值计算子模块计算工厂子端对应等级值；S5.行业联合端等级值排序子模块对工厂子端等级值进行排序，并选择参与本次模型参数聚合的参与子集；S6.行业联合端参数更新子模块对属于参与子集的工厂子端根据修正完的模型参数进行行业联合模型参数更新。本发明所提供的技术方案，既考虑了联合训练中数据分布不均衡问题又兼顾了对新增状态数据的融合，满足了基于工业增量数据的行业联合模型持续优化的需求。

技术领域

本发明涉及分布式联邦增量学习领域，具体涉及一种基于联邦增量学习的工业物联网数据共享方法。

背景技术

工业物联网以极大的速度向产业链传输海量工业数据，使得基于数据驱动的机器学习方法广泛应用于工业制造中。众所周知，随着训练数据量的增大，多样化的增多，机器学习所训练的模型会更好。然而，在工业领域，企业间出于竞争或用户隐私原因而无法将数据资源共享，因此如何在保护企业数据隐私的前提下进行多源数据融合分析，以加快行业的发展变得十分重要。

联邦学习是一种新兴的人工智能基础技术，其设计目标是在保障子端数据和个人数据安全的前提下，在多参与方或多计算节点之间开展高效率的机器学习。但在工业领域，由于工业物联网中实时产生的新增数据是海量的，如何有效的增量学习使新增状态数据与已有行业联合模型快速融合，同时保证各工厂子端同等参与成为新的问题焦点。传统联邦增量算法在很大程度上取决于工厂子端的重复学习，从而增加了时间成本，并且还将导致行业联合模型精准度下降严重及联合训练过程中行业联合模型的倾斜等问题。

发明内容

本发明提出了一种基于联邦增量学习的工业物联网数据共享方法，其目的是：针对工业互联网新增数据量大、工厂子端数据量不均衡等问题，传统的联邦学习很难利用经典增量学习算法对其模型进行持续优化，首先针对工厂子端数据量不均衡问题，提出联邦优选子端算法以避免弱势工厂子端数据被覆盖，其次，针对工厂子端大量新增数据与原行业联合模型融合问题提出联邦增量学习算法；最后，既考虑了联合训练中数据分布不均衡问题又兼顾了对新增状态数据的融合，满足了基于工业增量数据的行业联合模型持续优化的需求。

为解决上述技术问题，本发明提供如下技术方案：

一种基于联邦增量学习的工业物联网数据共享方法，包括下述步骤：

S1.针对工厂子端大量新增数据与原行业联合模型融合问题，提出一种联邦增量学习算法；

S2.工厂子端学习状态监控子模块负责监控工厂子端学习状态如参数深度值与增量样本数量；

S3.工厂子端加权计算子模块根据学习状态信息的参数深度值与增量样本数据量计算对应样本的增量加权；

S4.工厂子端参数修正子模块将上传的工厂子端模型参数根据增量加权进行修正；

S5.针对工厂子端数据量不均衡问题，提出一种联邦优选子端算法，将数据量不均衡问题转化对工厂子端等级值的比较，以避免弱势工厂子端数据被覆盖；

S6.在行业联合端等级值计算子模块基于工厂子端性能马氏距离计算工厂子端等级值；

S7.在行业联合端等级值排序子模块对工厂子端等级值进行排序，并选择参与本次模型参数聚合的参与子集；

S8.行业联合端参数更新子模块对属于参与子集的工厂子端根据修正完的模型参数进行行业联合模型参数更新。