[发明专利]一种基于RSSI原理的联邦学习方法及系统

说明书

本发明公开一种基于RSSI原理的联邦学习方法及系统，该方法包括服务器确定初始模型以及训练参数；每一终端根据从服务器获取的初始模型，并根据对应的数据训练初始模型，更新模型的参数，并将更新后的模型的参数上传至服务器；服务器采用RSSI定位算法和质心算法将更新后的模型的参数进行聚合，并将聚合后的模型参数更新全局模型；迭代更新全局模型的参数，将更新后的模型的参数上传至服务器的步骤，直至完成训练；每一终端利用最终的识别模型进行对应数据的识别。本发明可在几乎不影响模型时间复杂度和性能和效率的情况下提升训练模型准确度，进而提高数据的识别精度。

技术领域

本发明涉及机器学习领域，特别是涉及一种基于RSSI原理的联邦学习方法及系统。

背景技术

近些年来，平板电脑、智能手机、智能手表逐渐被越来越多的人所接受，成为了人们生活中不可或缺的一部分，而这些终端往往存储着来自多种传感器例如图像、语音、个人运动、健康状态等许多类型的数据，这些移动设备通过各种各样的本地数据通过训练机器学习模型来为用户提供更加丰富方便的功能(图像识别、语音识别等)，但是在上传数据的过程中往往存在着隐私泄露、数据质量不均、数据传输存在额外成本等等问题，针对以上问题，谷歌在2016年提出了联邦学习这一全新的方法，联邦学习旨在解决传统机器学习所可能存在的隐私泄露，数据不均等等问题，一经提出就引起了海内外学者的广泛关注。联邦学习是一种分布式机器学习框架，相对比传统机器学习框架，联邦学习并不需要终端将数据上传到总服务器，各终端只需要利用总服务器传输的初始模型和终端上的本地数据进行训练，在训练结束后将模型参数上传到服务器，在服务器端进行参数融合更新全局模型，服务器再将更新后的模型传输到各个终端开始下一轮训练，这种全新的机器学习训练方式在很大程度上避免了终端向服务器上传数据时可能造成的隐私泄露问题。但是联邦学习因为数据来源不同导致数据属于非独立同分布并且数据质量参差不齐，多种因素都会导致整合后的模型准确度下降影响模型的性能。

因此，亟需提出一种新思想的联邦学习方法或系统，能够在几乎没有对整体模型性能造成影响的前提下，提高了模型的准确度；并且适用于多种数据分布情况，具有良好的普适性。

发明内容

本发明的目的是提供一种基于RSSI原理的联邦学习方法及系统，可在几乎不影响模型时间复杂度和性能和效率的情况下提升训练模型准确度，进而提高数据的识别精度。

为实现上述目的，本发明提供了如下方案：

一种基于RSSI原理的联邦学习方法，包括：

服务器确定初始识别模型以及训练参数；所述训练参数包括：训练轮次和训练后模型的目标精度；

每一终端根据从服务器获取的初始识别模型，并根据对应的数据训练初始识别模型，更新识别模型的参数，并将更新后的识别模型的参数上传至服务器；

服务器采用RSSI定位算法和质心算法将更新后的模型的参数进行聚合，并利用聚合后的模型参数更新全局模型，并将更新后的全局模型传输至每一终端；并返回所述每一终端根据从服务器获取的初始识别模型，并循环这个步骤根据对应的数据训练初始识别模型，更新识别模型的参数，并将更新后的识别模型的参数上传至服务器的步骤，直至完成训练，确定最终的全局模型；

每一终端利用最终的识别模型进行对应数据的识别。

可选地，所述服务器确定初始模型以及训练参数，具体包括：

服务器根据测试数据集确定训练后模型的目标精度以及初始模型的参数。

可选地，所述测试数据集包括：MNIST图像识别数据集或CIFAR-10图像识别数据集。

可选地，所述服务器采用RSSI定位算法和质心算法将更新后的模型的参数进行聚合，并将聚合后的识别模型参数更新识别模型，并将更新后的模型传输至每一终端，具体包括：