[发明专利]面向智能移动终端实现的联邦机器学习迁移方法与系统

说明书

本发明公开了一种包括分布在不同地址的多个设备(1)、智能移动终端(2)；每个设备(1)包括数据清理模块(3)、数据传感模块(6)和数据读取模块(11)；数据训练融合子模块(4)，所述数据训练融合子模块(4)设置于部分所述设备(1)上；数据训练联合模块(5)，所述数据训练联合模块(5)设置于所述智能移动终端(2)上；所有所述设备(1)都包括单机存储模块(7)，设置有所述数据训练融合子模块(4)的所述设备(1)上设置局域数据存储模块(8)，设置有所述数据训练联合模块(5)的所述设备(1)设置有全局数据存储模块(9)。本发明通过对设备和移动设备数据通信连接采用标准化接口模式，从而使得运算模块可以同时对接多个需要进行联邦机器学习的系统，使得数据训练成本更低，增加了系统的可移植性。

技术领域

本发明涉及在计算机算法技术领域，具体为一种面向智能移动终端实现的联邦机器学习迁移方法与系统。

背景技术

目前，随着科学技术的进步，科学技术制造和自动化控制，已经从从前的制动化进入到智能化的时代。而在智能化的时代，为了实现人工智能化的控制，通常需要预先获得足够的知识，即相应的参数输入和对应参数输出，形成映射关系，并基于该参数输入和对应的参数输出，通过数据训练方法和学习方法，从而得到更广泛的输入和输出映射关系，进而提供给控制设备，以便实现智能化控制，而为了获得这种映射关系，需要对大量的数据进行训练和学习，而该过程通常是一个多维度的大型计算过程，因此该智能化的操作通常需要计算机或者微型计算机去处理众多的逻辑关系，因此，其需要进行大量的数学计算和逻辑计算，这必然会提高对处理器的逻辑计算能力需求，而大规模集成电路或超大规模集成电路的运算处理能力，也直接影响到了其生产成本。而对有智能化的计算和人工智能的发展，其对处理器的运算处理能力需求进一步加强。但是大型计算能力的设备，通常体积大，或者固定式安装，这需要针对每个联合学习的系统专门设置联合计算系统或提供计算设备，因此这种专门设置导致建造或改造成本高，而在其中的设备特别是处于核心或重要地位的设备出现故障时会导致系统瘫痪，这显然不利于联邦机器学习的进行。而目前也存在对分布在各地的数据进行联合访问和处理的技术，其能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模，如：

如专利CN 111126609A公开了一种基于联邦学习的知识迁移方法、装置、设备和介质，其首先进行各不同训练任务的各强化学习训练模型的接收，进而进行对各所述预设强化学习训练模型的适配，获得强化学习适配模型，进而进行对各所述强化学习适配模型的联邦处理，获得联邦模型，进而进行对所述联邦模型的适配，获得联邦适配模型，进而将各所述联邦适配模型发送至各所述强化学习训练模型对应的训练设备，以对各所述强化学习训练模型进行迭代训练。也即，本申请通过首先进行对各所述强化学习训练模型的适配，实现了对不同训练任务的各强化学习训练模型的联邦处理，获得联邦模型，进而对所述联邦模型进行适配，获得联邦适配模型，进而实现了对不同训练任务的各强化学习训练模型的迭代训练，也即，实现了基于联邦学习的不同训练任务的各强化学习训练模型的知识的在线实时迁移，避免了进行知识迁移时花费训练时间过长的情况发生，进而提高了知识迁移的迁移效率，所以，解决了现有技术中知识迁移效率低的技术问题。

专利CN112232528A公开了一种联邦学习模型训练方法、装置及联邦学习系统，边缘计算服务器和端设备接收云端联邦学习子系统形成的全局机器学习模型信息；一个边缘计算服务器与一个以上的端设备利用网络局部性的优势形成区域，端设备依靠本地数据并采用截断的方式完成模型本地训练，边缘计算服务器负责所辖区域内端设备的多轮更新并向云端联邦学习子系统发送更新后的模型信息；边缘计算服务器也采用截断的方式完成模型本地训练，云端联邦学习子系统负责多个边缘计算服务器的梯度更新；在训练到达收敛期，分别对边缘计算服务器所辖区域内端设备和云端联邦学习子系统负责的多个边缘计算服务器实施截断节点的补偿，形成全局机器学习模型信息。