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！

龙图腾网恭喜重庆邮电大学申请的专利一种面向异构边缘计算环境的分散联邦学习方法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：CN116319368B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202310033009.1，技术领域涉及：H04L41/14；该发明授权一种面向异构边缘计算环境的分散联邦学习方法是由黄宏程;张楚丽;胡敏设计研发完成，并于2023-01-10向国家知识产权局提交的专利申请。

本一种面向异构边缘计算环境的分散联邦学习方法在说明书摘要公布了：本发明涉及一种面向异构边缘计算环境的分散联邦学习方法，属于大数据计算领域。该方法包括以下步骤：在联邦学习系统中，边缘节点初始化自己的模型；边缘节点根据本身的通信速率和计算能力计算通信成本函数，该成本函数表示边缘节点之间的匹配程度；节点基于贪婪算法选择成本函数较小的相邻节点作为匹配集；对于每个边缘节点，基于梯度和权重衡量边缘节点模型间的相似性，使用MonteCarlo方法进行从匹配集中选择邻居；节点从邻居处接收权重和更新模型，基于得到的数据，通过共识得到聚合模型；节点通过聚合模型，计算梯度下降，更新模型，并发给邻居。本发明使得具有相似数据分布的边缘节点协同训练模型，以节省额外的计算和通信延迟。

本发明授权一种面向异构边缘计算环境的分散联邦学习方法在权利要求书中公布了：1.一种面向异构边缘计算环境的分散联邦学习方法，其特征在于：该方法包括以下步骤：步骤1：在联邦学习系统中，边缘节点初始化自己的模型；步骤2：边缘节点根据本身的通信速率和计算能力计算通信成本函数，该成本函数表示边缘节点之间的匹配程度；节点基于贪婪算法选择成本函数小的相邻节点作为匹配集；步骤3：对于每个边缘节点，基于梯度和权重衡量边缘节点模型间的相似性，使用MonteCarlo方法进行从匹配集中选择邻居，即将上一轮中的邻居与当前随机抽样的相邻节点一起放进候选列表，从候选列表中选择相似度最大的前k名候选节点作为当前轮邻居；边缘节点在t0时刻初始化模型W0,k；节点之间的通信速率用R表示，计算能力用CPU频率f表示；为确定客户端之间的开销，采用以下策略：Cij＝1Rij+μfi-fj2其中Cij表示节点i和j之间的连接开销，表明它们的交流状态和计算能力的差异；节点i和j之间的通信速率用变量Rij表示，频率分别用fi和fj表示；该策略描述节点之间的匹配程度；C值低表明节点之间的通信速率更高，计算能力更接近；节点i为确定自己的匹配集ζi，采用基于贪婪的算法策略：Ci,kε×Cmin其中Cmin代表所有节点中最低的通信成本；当节点i和k的通信成本小于一定的阈值，则节点k属于节点i的匹配集ζi；根据以上节点i的匹配集ζi，基于梯度和累积权重更新确定节点i的邻居集；使用梯度g的余弦相似度来度量优化目标的一致性，函数表示为： 初始模型中积累的权重更新h表示历史优化方向，而权重更新h的余弦相似度表示目标的一致性： 最终模型相似性通过Si,j度量： 使用MonteCarlo方法进行从匹配集中选择邻居，即将上一轮中的邻居与当前随机抽样的相邻节点一起放进候选列表，从候选列表中选择相似度最大的前k名候选节点作为当前轮邻居，即： 步骤4：节点从邻居处接收权重和更新模型，基于得到的数据，通过共识得到聚合模型ψt,i；节点i在t轮通信中，从邻居节点k处接收权重αi,k和更新模型Wt,k，基于得到的数据和本身的模型Wt,i，通过共识得到聚合模型ψt,i： 步骤5：节点通过聚合模型，计算梯度下降，更新模型，并发给邻居；节点通过聚合模型ψt，k，计算梯度下降，更新模型Wt+1,i，并发给其他邻居；

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；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”。