[发明专利]一种多小区联邦学习模型训练方法

权利要求书

1.一种多小区联邦学习模型训练方法，其特征在于：该方法包括以下步骤：

S1：各小区用户基于本地数据训练用户本地模型，并将本地模型参数发送至所关联基站；

S2：各基站接收所关联用户发送的用户本地模型参数，对模型进行全局聚合，生成基站全局模型；

S3：各基站记录基站全局模型迭代次数，并周期性广播至邻居基站；

S4：各基站计算其全局模型迭代次数与邻居基站模型迭代次数之间的差异，判断差异值是否高于预先设定的迭代次数差异门限值，若是，则执行S5，否则，执行S6；

S5：基站暂停模型迭代，返回S4；

S6：各基站计算模型更新差异；

S7：基站判断模型更新差异值是否低于模型更新差异门限值，若是，则执行S8，否则，执行S9；

S8：基站持续执行模型迭代更新，并计算模型更新差异值，返回S7；

S9：基站检测可用带宽是否低于可用带宽门限值，若是，则执行S10，否则，执行S11；

S10：基站判断模型中各权值更新差异值，并与门限值对比，若权值更新差异值高于门限值，则将对应权值发送至邻居基站，转至S12；

S11：基站将当前时刻的全局模型参数发送至邻居基站，并重置模型更新差异；

S12：各基站根据收到的全局模型参数对本地模型进行更新，判断模型是否已经收敛，若是，则完成模型训练，否则，返回S1。

2.根据权利要求1所述的一种多小区联邦学习模型训练方法，其特征在于：在所述S1中，各小区用户基于本地数据训练用户本地模型，并将本地模型参数发送至所关联基站，具体为：包括N个小区，每个小区由一个蜂窝基站及多个用户组成，令小区n的用户数为U_n，1≤n≤N；各用户从外部环境收集数据作为模型训练的输入，小区n中用户i的输入表示为其中x_n,i,m为小区n中用户i收集的第m个样本，1≤m≤M_i，M_i为小区n中用户i收集的样本数量，则小区n中用户i的输出可表示为用户基于X_n,i和Y_n,i训练用户本地模型，令表示小区n中用户i第t次迭代对应的本地模型参数集，其中，为小区n中用户i第t次迭代对应本地模型第k个参数，1≤k≤K，K为模型参数数量，小区n中用户i通过蜂窝上行链路将发送至基站n。

3.根据权利要求2所述的一种多小区联邦学习模型训练方法，其特征在于：在所述S2中，基站接收所关联用户发送的用户本地模型参数，对模型进行全局聚合，生成基站全局模型，具体为：基站n接收来自其所关联用户发送的本地模型参数基于加权平均执行全局模型参数聚合，令表示基站n第t次迭代确定的全局模型参数，其中，为基站n第t次迭代对应全局模型的第k个参数，1≤k≤K，建模为其中，g_n,i为基站n中用户i的权重，基站进而将发送至其所关联的用户，用于用户后续迭代。

4.根据权利要求3所述的一种多小区联邦学习模型训练方法，其特征在于：在所述S3中，各基站记录基站全局模型迭代次数，并周期性广播至邻居基站，具体为：令t_n表示基站n处聚合模型迭代次数，基站n将t_n值发送至其邻居基站。

5.根据权利要求4所述的一种多小区联邦学习模型训练方法，其特征在于：在所述S4中，各基站计算其全局模型迭代次数与邻居基站模型迭代次数之间差异，判断差异值是否高于预先设定的迭代次数差异门限值，具体为：令Ψ_n表示基站n的邻居基站集合，基站n接收各邻居基站发送的聚合模型迭代次数，令表示基站n的邻居基站n₁∈Ψ_n当前聚合模型迭代次数，Δt表示基站n与邻居基站最大迭代次数差异值，即：若Δt_n＞Δt_th，即基站n当前迭代次数差异高于迭代次数差异门限值，则基站n暂停模型迭代，直至差异值低于门限值。