一種基于邊緣的聯(lián)邦學習模型清洗和設(shè)備聚類方法、系統(tǒng)、設(shè)備和可讀存儲介質(zhì) 收藏 0

本發(fā)明提出一種基于邊緣的聯(lián)邦學習模型清洗和設(shè)備聚類方法、系統(tǒng)、設(shè)備和可讀存儲介質(zhì)，方法包括：根據(jù)設(shè)備所在的局域網(wǎng)地址，對設(shè)備聚類，將在每個局域網(wǎng)部署一個移動邊緣節(jié)點服務(wù)器；

參與訓練的終端設(shè)備接收到云端發(fā)來的全局模型，在本地數(shù)據(jù)上訓練得到本地更新模型；計算終端設(shè)備本地更新模型參數(shù)與全局模型參數(shù)間的余弦相似度；判定所述余弦相似度是否大于設(shè)定閾值，若余弦相似度大于設(shè)定閾值的本地更新模型，傳輸?shù)揭苿舆吘壒?jié)點服務(wù)器參與邊緣聚合，得到簇模型；

將局域網(wǎng)的簇模型發(fā)送到云端參與全局聚合，得到全局聚合模型。本發(fā)明提出的方法能夠在減少不必要的通信開銷和避免服務(wù)器高并發(fā)訪問帶來的傳輸延遲的情況下提高聯(lián)邦學習通信效率的方法。