买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉株式会社日立制作所申请的专利无线联邦学习中的终端调度方法和装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113723620B 。

龙图腾网通过国家知识产权局官网在2025-11-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202010449214.2，技术领域涉及：G06N20/20；该发明授权无线联邦学习中的终端调度方法和装置是由施文琦;姜淼;耿璐;马元琛;周盛;牛志升设计研发完成，并于2020-05-25向国家知识产权局提交的专利申请。

本无线联邦学习中的终端调度方法和装置在说明书摘要公布了：本发明实施例提供了无线联邦学习中的终端调度方法及设备，本发明实施例提供的方法，通过每轮联邦学习中各终端进行的梯度信息估计以及由无线接入点进行的当轮耗时估计，动态地调整每轮联邦学习中的被调度终端，可以在受限的训练延时内最大化联邦学习能够获得的模型正确率，从而解决了现有终端调度算法只能使用某些预设的固定参数，导致难以在动态的无线环境以及多变的训练数据分布下保证联邦学习收敛速度的问题。

本发明授权无线联邦学习中的终端调度方法和装置在权利要求书中公布了：1.一种无线联邦学习中的终端调度方法，其特征在于，包括： 无线接入点接收当前轮被调度的各个终端在当前轮联邦学习完成后发送的本地局部模型以及本地损失函数的取值、凸性估计值和光滑性估计值； 根据各个终端发送的本地局部模型，更新得到当前轮的全局模型；根据当前轮被调度到的所有终端的本地损失函数的取值，计算当前轮的全局损失函数的取值，根据当前轮的全局损失函数的取值是否优于最优全局模型对应的全局损失函数的取值，确定是否更新所述最优全局模型； 根据上一轮的全局模型和各个终端发送的本地局部模型，计算各个终端在当前轮的本地损失函数的梯度多样性估计值； 根据各个终端在当前轮的梯度估计信息，生成下一轮联邦学习的被调度终端，其中，所述梯度估计信息包括本地损失函数的凸性估计值、光滑性估计值和梯度多样性估计值； 其中，根据各个终端在当前轮的梯度估计信息，生成下一轮联邦学习的被调度终端的步骤，包括： 根据各个终端在当前轮的梯度估计信息以及以终端的本地训练数据集在全局训练数据集中的比值作为该终端的权重，对参与联邦学习的所有终端在当前轮的各梯度估计信息进行加权求和，得到所有终端的梯度估计信息在当前轮的全局值，所述梯度估计信息包括本地损失函数的凸性估计值、光滑性估计值和梯度多样性估计值； 根据各个终端在当前轮的梯度估计信息和所述梯度估计信息在当前轮的全局值，生成下一轮联邦学习的被调度终端； 其中，根据各个终端在当前轮的梯度估计信息和所述梯度估计信息在当前轮的全局值，进行下一轮联邦学习的终端调度的步骤，包括： 初始化内容为空的第一集合； 在候选终端集合中的终端数量大于0的情况下，重复执行以下步骤，直至计算得到的训练代价C值不再下降后，将第一集合中的终端作为下一轮联邦学习被调度的终端： 遍历候选终端集合中的终端，分别估计以该终端和所述第一集合作为被调度终端的联邦学习在当前轮学习的耗时，并确定出具有最短耗时的目标终端； 根据预设的训练时间总预算和所述最短耗时，估计联邦学习的总轮数；根据所述总轮数、所述凸性估计值在当前轮的全局值、光滑性估计值在当前轮的全局值以及各个终端在当前轮的本地损失函数的梯度多样性，计算以所述目标终端和所述第一集合和作为被调度终端的联邦学习的训练代价C值的取值； 在当前计算得到的所述训练代价C值的取值，相对于本地维护的所述C值发生下降时，将所述目标终端加入至所述第一集合，并从所述候选终端集合中删除所述目标终端，并将本地维护的所述C值更新为当前计算得到的所述训练代价C值的取值； 其中，进一步按照以下公式，计算所述训练代价C值的取值： 其中， η表示学习率；为预设的系统参数；表示联邦学习可执行轮数的估计值；τ表示每轮联邦学习中本地局部模型的更新次数；ρ表示参与联邦学习的所有终端的本地损失函数的凸性估计值的全局值；hτ表示；M表示参与联邦学习的所有终端的集合中元素的数量；|Π|表示当前轮被调度终端的数量；β表示本地损失函数的光滑性估计值的全局值；Di表示本地训练数据集的大小；δi表示终端i的本地损失函数的梯度多样性估计值；δ表示参与联邦学习的所有终端的本地损失函数的梯度多样性的全局值；D表示全局训练数据集的大小。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人株式会社日立制作所，其通讯地址为：日本东京都；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。