[发明专利]一种移动设备联邦学习方法及系统

权利要求书

1.一种移动设备联邦学习方法，其特征在于，所述方法包括以下步骤：

S102：移动设备加入联邦学习训练任务；

S104：FL服务器初始化全局模型，并收集参与者的本地数据分布；

S106：通过数据增强和重新调度的方式重新平衡联邦学习训练任务；

S108：将平衡后的联邦学习任务发送给下级客户端，客户端使用红狐算法对全局模型进行训练；

S110：将训练后的全局模型进行聚合与反馈，得到最新的全局模型；

S112：利用最新的全局模型进行联邦学习，以提高移动设备联邦学习的效率。

2.根据权利要求1所述的一种移动设备联邦学习方法，其特征在于，S104具体为：

在初始化阶段，FL服务器首先等待移动设备加入FL模型训练任务；

移动设备通过将其本地数据分布信息发送到FL服务器来参与培训；

在确定要参与训练的客户端后，FL服务器初始化神经网络模型的权重和优化器，并收集参与者的本地数据分布。

3.根据权利要求1或2所述的一种移动设备联邦学习方法，其特征在于，所述S106所述数据增强的流程如下：

初始化下采样阈值τ_d和增强阈值τ_a，此处设置τ_a为τ_d的负倒数，若类的数据大小的z-score 大于τd，则将这个类视为多数类，表示为Yd；

若类的数据大小的z-score小于τa， 则将这个类视为少数类，表示为Ya；

是用来控制产生多少增强以及保留多少样本的比率，对于第y个数据集，执行如下操作：

当时，，将该集并入Yd

当时， ，将该集并入Ya

其中，为该数据集的大小，为该数据集的标准差，为该数据集的均值，为该数据集的z-score；

完成对Yd，Ya，的计算后, 服务器将这些参数发送给客户端；

然后，所有客户端并行执行数据扩充和下采样；

客户端对数据集中的每一个取样进行操作：若该取样的来源在集合Yd中，则判断其来源集y的量是否已经缩减到原来的，若已经满足则保留该取样，若不满足则返回空；若该取样的来源在集合Ya中，就对其进行增强，包括随机移位、随机旋转、随机剪切和随机缩放的操作，增强部分的大小为原取样大小的-1；

一旦所有客户端都完成了增强和下采样，FL服务器则创建中介来重新调度客户端以实现部分平衡。

4.根据权利要求3所述的一种移动设备联邦学习方法，其特征在于，S106所述重新调度的流程如下：

中介遍历所有未分配客户端的数据分布，并选择数据分布使中介者的数据分布最接近均匀分布的客户端；在此基础上执行ZOA算法，从而保证每个中介都得到最大程度的利用；

当中介达到最大分配客户端限制时，FL服务器将创建一个新中介，并重复上述过程，直到对所有客户端都能重新安排训练任务。

5.根据权利要求4所述的一种移动设备联邦学习方法，其特征在于，所述ZOA算法如下：

首先，将ZOA算法设置一个最小堆来存储向每个资源添加任务的成本；

然后，它将任务分配给资源的下限初始化，如果它们可以接收更多任务，则将下一个任务分配到堆的成本增加；它的主循环通过获取具有最低成本的资源之一来接收新任务，将附加任务分配给它，从而一次对一项任务进行最佳分配，如果它仍然可以接收更多任务，则更新其在堆上的成本；在主循环的所有迭代之后，所有任务都将分配给已有资源，ZOA算法完成。

6.根据权利要求1或5所述的一种移动设备联邦学习方法，其特征在于，所述S108具体为：

在每轮通信开始时，每个中介将任务发送给下级客户端，每个客户端使用红狐算法训练E次，并执行红狐算法的反投毒操作判断，将全局模型进行更新，之后将更新后的全局模型返回给相应的中介；

中介接收更新后的结果并将其发送给下一个等待的训练客户端；

中介管理下的所有客户端都完成一次接收、训练与反馈；循环这个过程Em次；

最后，所有的中介将全局模型的更新发送到FL服务器。