国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種多智能終端協(xié)同決策方法及其裝置

      文檔序號(hào):40379224發(fā)布日期:2024-12-20 12:01閱讀:7來源:國(guó)知局
      一種多智能終端協(xié)同決策方法及其裝置

      本發(fā)明涉及一種多智能終端協(xié)同決策方法及其裝置,屬于多終端協(xié)同邊緣計(jì)算領(lǐng)域。


      背景技術(shù):

      1、隨著物聯(lián)網(wǎng)智能終端設(shè)備的數(shù)量劇增,邊緣智能應(yīng)運(yùn)而生,其通過將人工智能模型訓(xùn)練和推理部署在智能邊緣終端,在工業(yè)物聯(lián)網(wǎng)、智慧農(nóng)業(yè)、智慧醫(yī)療、無人駕駛等領(lǐng)域得到了廣泛應(yīng)用。傳統(tǒng)的邊緣智能通常將本地產(chǎn)生的數(shù)據(jù)直接上傳至云端,以中心化方式進(jìn)行模型訓(xùn)練,盡管取得了好的效果但破壞了本地?cái)?shù)據(jù)隱私。因此,在隱私保護(hù)和數(shù)據(jù)安全背景下,不僅需要去中心化保護(hù)數(shù)據(jù)隱私,還需要提供一種能夠快速且安全可信的多終端協(xié)同決策方法,以提升本地模型準(zhǔn)確性和可信性,無疑給多終端協(xié)同帶來了巨大挑戰(zhàn)。

      2、在相關(guān)技術(shù)中,為實(shí)現(xiàn)去中心化訓(xùn)練,當(dāng)前主要采用聯(lián)邦學(xué)習(xí)架構(gòu)進(jìn)行模型訓(xùn)練,代表性算法為fedavg,包括多種變種算法,如fedprox、fednova、scaffold等,主要思想是模型在本地訓(xùn)練而不用上傳數(shù)據(jù),把訓(xùn)練的本地參數(shù)模型上傳至中央服務(wù)器進(jìn)行全局模型聚合,以協(xié)作的方式完成模型訓(xùn)練任務(wù)。但要實(shí)現(xiàn)小而便捷式的終端設(shè)備協(xié)同訓(xùn)練,還存在如下幾個(gè)方面不足:

      3、(1)模型的異構(gòu)性。由于不同的用戶行為和設(shè)備功能需要部署針對(duì)不同參數(shù)、異構(gòu)硬件規(guī)范的設(shè)備,使得部署在各終端的模型異構(gòu),傳統(tǒng)聯(lián)邦學(xué)習(xí)從云端下載相同模型的部署方式將不適用;

      4、(2)交互的快捷性。由于移動(dòng)邊緣網(wǎng)絡(luò)中設(shè)備終端-云端交互數(shù)據(jù)量大小的限制,傳統(tǒng)聯(lián)邦學(xué)習(xí)上傳全部模型參數(shù)的方式導(dǎo)致了交互效率低下;

      5、(3)數(shù)據(jù)的安全性。由于本地終端數(shù)據(jù)隱私保護(hù)限制,傳統(tǒng)聯(lián)邦學(xué)習(xí)上傳模型參數(shù)共享方式,未滿足差分隱私限制條件導(dǎo)致了隱私泄露;

      6、(4)模型決策的可信性。由于不同終端設(shè)備的多源異構(gòu)性和分布異質(zhì)性,傳統(tǒng)聯(lián)邦學(xué)習(xí)使用全局平均聚合易受到環(huán)境變化和設(shè)備差異的影響,缺乏可信證據(jù)支持,使得聚合的模型不可信。

      7、針對(duì)以上問題,本發(fā)明公開了一種安全可信的多智能終端協(xié)同決策方法及其裝置,不僅保證了數(shù)據(jù)的傳輸效率和隱私安全,而且提高了多終端協(xié)同決策的可信性,能夠適用于復(fù)雜場(chǎng)景下的多智能終端協(xié)同決策任務(wù)。


      技術(shù)實(shí)現(xiàn)思路

      1、本發(fā)明要解決的技術(shù)問題是提供一種多智能終端協(xié)同決策方法及其裝置,解決了相關(guān)技術(shù)中多終端協(xié)同決策方法不能適應(yīng)模型異構(gòu)、隱私泄露和交互效率低下等問題,保證了數(shù)據(jù)傳輸效率和隱私安全,提高了多終端協(xié)同決策的可信性。

      2、本發(fā)明的技術(shù)方案是:一種多智能終端協(xié)同決策方法,具體步驟為:

      3、s1:對(duì)參與決策的各智能終端搭載的深度網(wǎng)絡(luò)和變分自編碼器(vae)網(wǎng)絡(luò)進(jìn)行模型參數(shù)初始化,并使用自身本地隱私數(shù)據(jù)池進(jìn)行模型訓(xùn)練;

      4、s2:基于所述訓(xùn)練的各智能終端本地模型,使用差分隱私進(jìn)行數(shù)據(jù)加密,并使用hash索引標(biāo)記上傳至云端數(shù)據(jù)共享池;

      5、s3:基于所述上傳的云端數(shù)據(jù),使用類語義緩存抽樣技術(shù)抽取任務(wù)特別數(shù)據(jù),并分發(fā)至各智能終端任務(wù)特別數(shù)據(jù)池中;

      6、s4:基于所述各智能終端自身本地隱私數(shù)據(jù)池和云端下載的任務(wù)特別數(shù)據(jù)池的數(shù)據(jù),使用可信集成算法進(jìn)行本地模型訓(xùn)練,如此不斷交互以實(shí)現(xiàn)多智能終端協(xié)同決策。

      7、可選地,所述s1對(duì)參與決策的各智能終端搭載的深度網(wǎng)絡(luò)模型和自編碼器vae網(wǎng)絡(luò)進(jìn)行模型參數(shù)初始化,并使用自身本地隱私數(shù)據(jù)池進(jìn)行模型訓(xùn)練,步驟包括:

      8、s1.1:初始化所述搭載在各智能終端上預(yù)訓(xùn)練的深度網(wǎng)絡(luò),其中表示網(wǎng)絡(luò)編碼部分,表示任務(wù)預(yù)測(cè)部分;

      9、s1.2:初始化所述搭載在各智能終端上的自編碼器vae網(wǎng)絡(luò);

      10、s1.3:基于所述自身本地隱私數(shù)據(jù)池進(jìn)行模型訓(xùn)練,給定個(gè)參與決策的智能終端,每一個(gè)智能終端有各自的私有隱私數(shù)據(jù),其中表示第個(gè)智能終端隱私數(shù)據(jù)量,表示數(shù)據(jù)樣本,表示樣本標(biāo)簽,第個(gè)智能終端設(shè)備特征表征及特定預(yù)測(cè)任務(wù),其中 c表示訓(xùn)練任務(wù)的類別數(shù), c表示具體的某個(gè)類。

      11、可選地,所述s2基于所述訓(xùn)練的各智能終端本地模型,使用差分隱私進(jìn)行數(shù)據(jù)加密,并使用hash索引標(biāo)記上傳至云端數(shù)據(jù)共享池,步驟包括:

      12、s2.1:使用差分隱私進(jìn)行數(shù)據(jù)加密,所述差分隱私數(shù)據(jù)加密為基于互信息優(yōu)化的vae表征解耦dp精簡(jiǎn)數(shù)據(jù)模型;

      13、s2.2:使用hash索引標(biāo)記上傳至云端數(shù)據(jù)共享池,所述hash索引標(biāo)記為和兩種不同方式的聯(lián)合索引。

      14、可選地,所述s3基于所述上傳的云端共享數(shù)據(jù),使用類語義緩存抽樣技術(shù)抽取任務(wù)特別數(shù)據(jù),并分發(fā)至各智能終端任務(wù)特別數(shù)據(jù)池中,步驟包括:

      15、s3.1:使用類語義緩存抽樣技術(shù)抽取任務(wù)特別數(shù)據(jù),所述類語義緩存抽樣技術(shù)為權(quán)重控制的數(shù)據(jù)抽樣;

      16、s3.2:將所述s3.1獲得的抽樣任務(wù)特別數(shù)據(jù)分發(fā)至各智能終端任務(wù)特別數(shù)據(jù)池。

      17、可選地,所述s4基于所述各智能終端自身本地隱私數(shù)據(jù)池和云端下載的任務(wù)特別數(shù)據(jù)池的數(shù)據(jù),使用可信集成算法進(jìn)行本地模型訓(xùn)練,如此不斷交互以實(shí)現(xiàn)多智能終端協(xié)同決策,步驟包括:

      18、s4.1:建立訓(xùn)練數(shù)據(jù),所述訓(xùn)練數(shù)據(jù)為自身本地隱私數(shù)據(jù)和云端下載的任務(wù)特別數(shù)據(jù)的并集;

      19、s4.2:基于所述訓(xùn)練數(shù)據(jù)使用可信集成算法進(jìn)行本地模型訓(xùn)練,所述可信集成算法為d-s證據(jù)支持的kl正則優(yōu)化算法;

      20、s4.3:基于所述各參與智能終端與云端多次數(shù)據(jù)交互,重復(fù)上述所述步驟,實(shí)現(xiàn)多終端協(xié)同決策。

      21、此外,本技術(shù)還提出了一種多智能終端協(xié)同決策裝置,所述多智能終端協(xié)同決策裝置包括:

      22、(1)各智能終端深度模型訓(xùn)練模塊,用于各終端搭載的深度網(wǎng)絡(luò)模型訓(xùn)練;

      23、(2)各智能終端vae訓(xùn)練模塊,用于訓(xùn)練自編碼器vae網(wǎng)絡(luò);

      24、(3)各智能終端數(shù)據(jù)上傳模塊,用于使用差分隱私加密和hash索引標(biāo)記的數(shù)據(jù)上傳至云端任務(wù)特別數(shù)據(jù)池;

      25、(4)各智能終端可信集成訓(xùn)練模塊,用于使用d-s證據(jù)融合kl損失進(jìn)行模型優(yōu)化;

      26、(5)云端共享數(shù)據(jù)接收模塊,用于接收存儲(chǔ)各智能終端上傳的共享數(shù)據(jù);

      27、(6)云端類語義緩存抽樣模塊,用于抽取任務(wù)特別數(shù)據(jù)分發(fā)至各智能終端任務(wù)特別數(shù)據(jù)池。

      28、此外,本技術(shù)還提出了一種多智能終端協(xié)同決策設(shè)備,包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的安全可信的多智能終端協(xié)同決策方法程序,所述處理器執(zhí)行所述安全可信的多智能終端協(xié)同決策方法程序?qū)崿F(xiàn)如上所述的多智能終端協(xié)同決策方法的步驟。

      29、此外,本技術(shù)還提出了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì),所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有安全可信的多智能終端協(xié)同決策方法程序,所述安全可信的多智能終端協(xié)同決策方法程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的安全可信的多智能終端協(xié)同決策方法的步驟。

      30、本發(fā)明的有益效果是:

      31、(1)各終端設(shè)備支持異構(gòu)網(wǎng)絡(luò)部署,比現(xiàn)有方法功能強(qiáng),更具有普適性;

      32、(2)各終端上傳的數(shù)據(jù)使用hash索引標(biāo)記,提高了相似數(shù)據(jù)的查找效率;

      33、(3)基于所述的互信息優(yōu)化的vae表征解耦dp模型,各終端設(shè)備僅上傳精簡(jiǎn)的部分特征數(shù)據(jù),且滿足差分隱私保護(hù),不用上傳全部模型參數(shù),云端使用類語義緩存抽樣,僅分發(fā)與各終端任務(wù)特別的精簡(jiǎn)部分?jǐn)?shù)據(jù),提高了終端-云端的交互效率;

      34、(4)基于所述證據(jù)支持的kl正則優(yōu)化算法,能有效提高任務(wù)決策的可信性。

      當(dāng)前第1頁(yè)1 2 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1