《智能制造联邦学习应用指南》（TSIGA 003-2024）.pdfVIP

ICS35.240.50

CCSL67T/SIGA

团体标准

—

T/SIGA0032024

智能制造联邦学习应用指南

Guidanceforfederatedlearningapplicationofintelligentmanufacturing

2024-08-27发布2024-08-28实施

上海市图像图形学学会发布

学会学会

T/SIGA003—2024

目次

前言I

1范围1

2规范性引用文件1

3术语和定义1

4缩略语3

5架构3

6分类4

7参与方角色4

8实现过程5

9软件系统6

附录A（资料性）智能制造联邦学习实现过程流程图12

附录B（资料性）评价指标计算公式13

参考文献15

T/SIGA003—2024

前言

本文件依据GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定

起草。

请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。

本文件由上海市图像图形学学会归口。

本文件起草单位：上海工程技术大学、东华大学、上海富数科技有限公司、公安部第三研究所、上

海交通大学、上海保隆汽车科技股份有限公司、晋拓科技股份有限公司。

本文件主要起草人：赵晓丽、方志军、罗光圣、王国中、李高健、卞阳、杨天雅、李倩、姚晨、周

军、黄军林、吴天磊、张东、韩乔。

I

T/SIGA003—2024

智能制造联邦学习应用指南

1范围

本文件给出了面向智能制造的联邦学习架构、分类、参与方角色、实现过程和软件系统等应用指南。

本文件适用于智能制造的联邦学习系统部署、开发和应用。

2规范性引用文件

本文件没有规范性引用文件。

3术语和定义

下列术语和定义适用于本文件。

3.1

联邦学习federatedlearning

一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训

练，在不需要交换本地个体或样本数据的前提下，仅通过交换模型参数或中间结果的方式，构建基于虚

拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡，即“数据可用不可见”“数

据不动模型动”的应用新模式。

[来源：IEEEP3652.1—2020，1.1，有修改]

3.2

联邦簇federatedcluster

以相同数据方案在资产数据上训练的模型的所有学习任务。

3.3

联邦学习任务federatedlearningtask

需要用算法训练的机器学习模型，简称任务。

3.4

联邦学习计划federatedlearningprogram

对应一个联邦学习任务，表示联邦学习服务器和相关联邦学习客户端的联邦执行指令。

3.5

联邦学习软件系统federate