本公开涉及人工智能,尤其涉及联邦学习、图像处理等领域。
背景技术:
1、近年来,联邦学习(federated learning,fl)取得了重大进展,它可以利用边缘设备上的分布式数据进行协作式模型训练。联邦学习通常利用分布式架构,在设备和集中式服务器之间传输梯度或模型,而不是原始数据,以解决安全或隐私问题。采用集中式服务器的分布式联邦学习会在服务器上产生严重的通信开销。
技术实现思路
1、本公开提供了一种联邦学习方法、装置、电子设备和计算机可读存储介质。
2、根据本公开的一方面,提供了一种联邦学习方法,包括:
3、基于本设备的当前模型进行参数优化,得到本地更新模型;
4、基于本设备的局部掩码对本地更新模型进行修剪,得到本地修剪模型;
5、基于多个邻居模型中的各邻居模型对应的局部掩码以及本设备的局部掩码,对多个邻居模型以及本地修剪模型进行聚合,得到新的当前模型;
6、向本设备的邻居设备发送当前模型的相关信息,其中,相关信息用于表征当前模型以及本设备的局部掩码。
7、根据本公开的另一方面,提供了一种联邦学习装置,包括:
8、本地更新模块,用于基于本设备的当前模型进行参数优化,得到本地更新模型;
9、修剪模块,用于基于本设备的局部掩码对本地更新模型进行修剪,得到本地修剪模型;
10、聚合模块,用于基于多个邻居模型中的各邻居模型对应的局部掩码以及本设备的局部掩码,对多个邻居模型以及本地修剪模型进行聚合,得到新的当前模型;
11、发送模块,用于向本设备的邻居设备发送当前模型的相关信息,其中,相关信息用于表征当前模型以及本设备的局部掩码。
12、根据本公开的另一方面,提供了一种电子设备,包括:
13、至少一个处理器;以及
14、与该至少一个处理器通信连接的存储器;其中,
15、该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开实施例中任一的方法。
16、根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,该计算机指令用于使该计算机执行根据本公开实施例中任一的方法。
17、根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据本公开实施例中任一的方法。
18、本公开实施例的技术方案,各设备可对本地更新模型进行修剪后再与邻居模型进行聚合,从而大幅降低了通信开销。
19、应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
1.一种联邦学习方法,包括:
2.根据权利要求1所述的方法,其中,所述基于本设备的当前模型进行参数优化,得到本地更新模型,包括:
3.根据权利要求1或2所述的方法,还包括:
4.根据权利要求3所述的方法,其中,所述基于所述各邻居模型的权重以及所述当前模型的权重,得到本设备的目标剪枝率,包括:
5.根据权利要求3或4所述的方法,其中,所述多个邻居模型中的第一邻居模型的训练信息包括以下至少之一:
6.根据权利要求3-5中任一项所述的方法,其中,所述基于所述各邻居模型的训练信息以及所述当前模型的训练信息,确定所述各邻居模型的权重以及所述当前模型的权重,包括:
7.根据权利要求3-6中任一项所述的方法,其中,所述基于所述目标剪枝率,得到本设备的局部掩码,包括:
8.根据权利要求1-7中任一项所述的方法,其中,所述基于多个邻居模型中的各邻居模型对应的局部掩码以及本设备的局部掩码,对所述多个邻居模型以及所述本地修剪模型进行聚合,包括:
9.根据权利要求1-8中任一项所述的方法,还包括:
10.一种联邦学习装置,包括:
11.根据权利要求10所述的装置,其中,所述本地更新模块包括:
12.根据权利要求10或11所述的装置,还包括:
13.根据权利要求12所述的装置,其中,所述剪枝率确定模块用于:
14.根据权利要求12或13所述的装置,其中,所述多个邻居模型中的第一邻居模型的训练信息包括以下至少之一:
15.根据权利要求12-14中任一项所述的装置,其中,所述权重确定模块用于:
16.根据权利要求12-15中任一项所述的装置,其中,所述掩码确定模块用于:
17.根据权利要求10-16中任一项所述的装置,其中,所述聚合模块包括:
18.根据权利要求10-17中任一项所述的装置,还包括:
19.一种电子设备,包括:
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。