云边端协同的增量联邦学习算法

Incremental federated learning algorithm for cloud-edge-device collaboration

二维码有效期 120s

摘要针对工厂端数据量不均衡、新增数据样本多和联邦学习中通信成本较高的问题,提出一种基于云、边、端架构的分层联邦增量学习算法.首先将行业联合模型下发到设备端,训练得到本地模型,将本地模型上传到边缘端进行融合,经多次迭代后,上传到云端加权融合行业联合模型;同时,增量学习监控模块持续监控新增数据样本作为下一次模型训练的数据样本.此方案通过计算设备端的数据权重值和新增数据样本的模型影响度,修改模型加权聚合策略,持续优化行业联合模型,并防止模型发生倾斜.实验结果表明:分层联邦学习架构可明显提高通信效率,且相比于FedAvg算法的训练集和测试集准确率分别提高了 12.34％和5.36％;增量学习算法可达到持续优化行业联合模型的效果,每次训练新增数据样本都可稳定提高行业联合模型的准确度.

作者路松峰 ^[1] 屠向阳 ^[2] 周军龙 ^[3] 王穆 ^[4] 学术成果认领

作者单位华中科技大学网络空间安全学院,湖北武汉 430074;深圳华中科技大学研究院,广东深圳 518063 ^[1] 华中科技大学网络空间安全学院,湖北武汉 430074 ^[2] 华中科技大学计算机科学与技术学院,湖北武汉 430074 ^[3] 南华大学附属南华医院临床研究所,湖南衡阳 421001 ^[4]

关键词工业设备联邦学习增量学习边缘计算行业联合模型 industrial equipment federated learning incremental learning edge computing industry joint mode

分类号 TP391.77

栏目名称 机械与计算机工程

DOI 10.13245/j.hust.239498

发布时间 2023-11-15

基金项目

国家重点研发计划 湖北省重点研发计划资助项目 湖北省重点研发计划资助项目 深圳市科技计划基础研究资助项目 深圳市科技计划技术攻关项目 湖南省教育厅科学研究优秀青年项目 湖南省科技创新重点工程项目 湖北省科技重大专项资助项目