[发明专利]一种边缘场景下的个性化联邦学习方法、系统及介质

权利要求书

1.一种边缘场景下的个性化联邦学习方法，其特征在于，包括：

S1：在参数服务器端通过基于互信息值的客户机排序计算个性化模型集合，并将所述个性化模型集合发送至客户机端；

S2：在客户机端通过历史模型组合权重和互信息偏置项计算个性化模型集合中每一模型对应的模型组合权重；

S3：在客户机端基于所述个性化模型集合中每一模型以及每一模型对应的模型组合权重进行模型插值更新得到最终的模型；

S4：将获取的待识别对象的数据输入至所述最终的模型，获取所述最终的模型输出的识别结果。

2.根据权利要求1所述的边缘场景下的个性化联邦学习方法，其特征在于，所述S1中，通过计算客户机模型的特征参数的互信息值表示客户机的相似性，以所述相似性为标准对多个客户机进行排序，将与基准客户机的相似性超过预设值的客户机集合组成基准客户机的个性化模型集合，基准客户机为所述多个客户机中的任意一个。

3.根据权利要求1所述的边缘场景下的个性化联邦学习方法，其特征在于，所述互信息值满足如下关系式：

式中，θ_i表示其中一个模型，θ_j表示其中另一个模型，ρij表示相关系数。

4.根据权利要求1所述的边缘场景下的个性化联邦学习方法，其特征在于，所述相关系数满足如下关系式：

1/2

ρi_j＝Vi,Vj；

式中，V_i表示模型θ_i的二值化指标，V_j表示模型θ_j的二值化指标。

5.根据权利要求1所述的边缘场景下的个性化联邦学习方法，其特征在于，所述S2包括：

选定客户机c_i，在第t轮通信过程中，模型组合权重如下：

式中，为历史模型组合权重，为权重偏置项，当t＝0时，用模型互信息初始化历史模型组合权重如下：

当t0时，历史组合权重设置为上一轮的模型组合权重，即偏置项越大，其模型组合权重更大，则：

其中，L_i为损失函数，MI(θ_i；θ_j)表示的大小，sgn为符号函数，ReLu函数为深度学习中的激活函数。

6.根据权利要求1所述的边缘场景下的个性化联邦学习方法，其特征在于，所述S3中进行模型插值更新时满足如下关系式：

式中，S_i表示个性化模型集合，表示其中一个模型，表示模型对应的权重。

7.一种边缘场景下的个性化联邦学习系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6中任一所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法步骤。