CN117217328B 基于约束因子的联邦学习客户端选择方法 （西安电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN117217328B(45)授权公告日2025.07.01

(21)申请号202311132778.3

(22)申请日2023.09.04

(65)同一申请的已公布的文献号申请公布号CN117217328A

(43)申请公布日2023.12.12

GO6F18/22(2023.01)

(56)对比文件

CN114186237A,2022.03.15

CN115695429A,2023.02.03

审查员尚子扬

(73)专利权人西安电子科技大学

地址710071陕西省西安市雁塔区太白南

路2号

(72)发明人李小双王明君陈亮王普

闫峥丁文秀

(74)专利代理机构陕西电子工业专利中心

61205

专利代理师陈宏社

(51)Int.CI.

GO6N20/00(2019.01)权利要求书2页说明书4页附图1页

(54)发明名称

基于约束因子的联邦学习客户端选择方法

(57)摘要

CN117217328B本发明提出了一种基于约束因子的联邦学习客户端选择方法，具体实现步骤为：初始化联邦学习系统；每个客户端获取训练样本集；中心服务器初始化全局模型并广播模型参数；每个客户端对全局模型进行本地训练；中心服务器基于约束因子和余弦相似度获取客户端选择结果。本发明在联邦学习客户端选择阶段首先通过比较每个客户端的约束因子与约束因子阈值选出备选客户端，能够限制每个客户端被选择的次数上限，然后再根据备选客户端中的本地模型参数与全局模型参数的余弦相似度来获得最终的客户端选择结果，充分考虑了每个客户端的参与程度及其对全局模型的贡献程度，避免了模型易陷入

CN117217328B

初始化联邦学习系统

初始化联邦学习系统

客户端获取训练样本集

中心服务器初始化全局模型并广播模型参

数

客户端使用本地数据训练全局模型

中心服务器基于约束因子和余弦相似度获取客户端选择结果

CN117217328B权利要求书1/2页

2

1.一种基于约束因子的联邦学习客户端选择方法，其特征在于，包括如下步骤：

(1)初始化联邦学习系统：

初始化包括中心服务器和N个客户端的联邦学习系统，客户端本地训练的迭代次数为t,最大迭代次数为T,全局约束因子阈值为A,并令t=1,其中N≥2,A≥2,T≥1;

(2)每个客户端获取训练样本集：

每个客户端C将持有与其他任意一个客户端满足非独立同分布的Z条数据X及其对应的标签Y组成训练样本集D?={X,Y},其中，Z条数据为图像数据、音频数据和文本数据中的任意一种，Z≥50,X?={xn,xn?,...,xn?,...,xn},xn?表示C持有的第z条数据，xn对应的标签为yn;

(3)中心服务器初始化全局模型并广播模型参数：

中心服务器初始化其与每个客户端C第r轮通信的参数为θ的全局模型，并将θ广播至每个客户端C,同时为每个客户端C初始化第r轮通信的约束因子A;

(4)每个客户端对全局模型进行本地训练：

每个客户端C将w°作为t=1时全局模型的参数，并通过训练样本集D对全局模型进行T次本地迭代训练，将训练得到的本地模型的参数Ω上传至中心服务器；

(5)中心服务器基于约束因子和余弦相似度获取客户端选择结果：

中心服务器将客户端C的约束因子A与全局约束因子阈值A满足A,≤A的K个客户端作为备选客户端，并计算每个备选客户端C的本地模型参数Ω与全局模型参数θ的余弦相似度cos,再对余弦相似度最高的M个客户端的约束因子进行更新后，将这M个客户端作为最终的选择结果，其中cos的计算公式、对第m个客户端的约束因子A的更新公式分别为：

4+1=A+1

其中|排·||为L2范数操作，〈·表示求内积操作，1≤m≤M。

2.根据权利要求1所述的方法，其特征在于，步骤(3)中所述的全局模型，采用包括依次层叠的两个复合层和全连接层的卷积神经网络，每个复合层由依次层叠的卷积层、激活函数层和最大池化层组成，其中两个卷积层卷积核的大小均为3×3,第一卷积层的通道数为

10,第二卷积层的通道数为20,激活函数层采