基于粒子群算法的联邦学习优化方法及装置(需要二次变更)
本发明提供了一种基于粒子群算法的联邦学习优化方法及装置,其中,方法包括:服务器根据场景确定全局模型的目标需求,初始化全局模型,并将全局模型广播给参与联邦学习的客户端;参与联邦学习的客户端采用粒子群优化算法对所述全局模型进行改进后得到模型更新参数;采用基于模型的权值散度和更新增量的梯度压缩方法,对模型更新参数进行压缩;将压缩后的模型更新参数上传至服务器,服务器在此基础上聚合参与联邦学习的客户端模型参数,基于参与联邦学习的客户端进行训练所用的数据集容量进行赋权,并聚合得到新的全局模型参数。本申请通过客户端模型采用粒子群优化算法,提高联邦学习的训练效率,优化联邦学习通信过程。
《基于粒子群算法的联邦学习优化方法及装置(需要二次变更)》是一发明专利,专利号为 2023105835730,当前法律状态为已下证,由广州大学提出申请,发明人为陈淑红;揭智勇;王国军;杨家维;吴建明;李汉俊,申请日期为2023-05-22,公开(公告)日期为2026-04-14,国际专利分类号(IPC)为 G06N 3/006 (2023.01),所属技术领域包括:基于粒子群算法联邦学习方法、人工智能、云计算联邦学习模型训练方法、人工智能模型训练方法、机器学习模型训练方法、人工智能联邦学习优化方法。该专利已下发证书,权利稳定,适合直接办理转让过户,是企业申报高企、项目招投标、质押融资的优质标的。赋翼网提供从选品、尽调、合同签订到官方著录项目变更(过户)的一站式专利转让服务,专业顾问全程协助,确保交易合规、安全、高效。专利摘要:本发明提供了一种基于粒子群算法的联邦学习优化方法及装置,其中,方法包括:服务器根据场景确定全局模型的目标需求,初始化全局模型,并将全局模型广播给参与联邦学习的客户端;参与联邦学习的客户端采用粒子群优化算法对所述全局模型进行改进后得到模型更新参数;采用基于模型的权值散度和更新增量的梯度压缩方法,对模型更新参数进行压缩;将压缩后的模型更新参数上传至服务器,服务器在此基础上聚合参与联邦学习的客户端模型参数,基于参与联邦学习的客户端进行训练所用的数据集容量进行赋权,并聚合得到新的全局模型参数。本申请通过客户端模型采用粒子群优化算法,提高联邦学习的训练效率,优化联邦学习通信过程。
海量优质专利即买即用,四大核心优势助您弯道超车:
🏆 拿资质,享红利:高企认定、专精特新必备!轻松获取政府补贴、税收减免,招投标直接加分!
💎 增信誉,融资金:支持实缴注册资金,彰显企业硬实力;支持专利质押贷款,盘活现金流,扩张不缺钱!
🔥 强背书,防抄袭:印上“专利产品”,客户更信赖!构建技术壁垒,把竞争对手挡在门外,稳占市场份额!
🚀 省时间,快变现:告别漫长研发与高风险!优质专利即买即用,让技术立刻变成真金白银的利润!
