原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明公开了一种针对联邦长尾学习的全局模型训练方法，属于机器学习技术领域，能够解决现有模型在长尾分布数据中性能较差的问题。所述方法包括：S1、获取多个客户端中每个客户端训练本地模型时的本地代理信息，并根据每个客户端的本地代理信息，获取全局代理信息；S2、根据全局代理信息和每个客户端的本地代理信息，对多个客户端进行分组，得到多个客户端群组；S3、从每个客户端群组中挑选客户端进行对应网络模块训练，得到多个训练后模块；S4、将多个训练后模块进行聚合，得到全局模型。本发明用于联邦学习中全局模型的训练。
(19)国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 116882490 A
(43)申请公布日 2023.10.13
(21)申请号 202311059182.5
(22)申请日 2023.08.21
(71)申请人 香港中文大学（深
文档评论（0）