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！

申请/专利权人：绍兴佳宜信息科技有限公司;杭州电子科技大学;杭州电子科技大学上虞科学与工程研究院有限公司

摘要：本发明公开了一种基于扩散模型的联邦持续学习方法，包括如下步骤：步骤1、服务器分发参数至各个客户端；步骤2、客户端分割本地真实数据为训练集和验证集，并更新模型参数；步骤3、若当前任务是初始任务，训练本地分类器，之后转至步骤6，若当前任务不是初始任务，客户端合成历史数据；步骤4、将合成数据与本地真实数据混合；步骤5、使用交叉熵损失和kl散度训练本地分类器；步骤6、依据验证集结果保存本地分类器参数；步骤7、训练扩散模型；步骤8、客户端训练结束，将参数上传到服务器。步骤9、服务端先对模型参数进行平均聚合。再用所有本地合成样本，训练分类器。步骤10、训练结束。该方法提高联邦系统的准确率和减轻遗忘以前知识。

主权项：1.一种基于改进unet网络的联邦持续学习方法，其特征在于，该方法包括如下步骤：步骤1、服务器分发unet网络所有参数至各个客户端；步骤2、客户端将本地真实数据按一定比例分割为训练集和验证集，并更新unet网络参数，本地训练开始；步骤3、若当前任务是初始任务，则冻结unet网络中的解码器模块参数，以仅包含本地真实数据的训练集为基础，使用交叉熵损失，训练unet网络中的本地分类器之后转至步骤6；若当前任务不是初始任务，客户端冻结unet网络中的分类器模块参数，使用基于unet网络去噪的扩散模型作为生成器，用本地历史任务的标签，在本地上个任务的unet分类器梯度指导下合成样本，继续步骤4；步骤4、将合成样本分割为训练集和验证集，放入本地训练集中，本地训练集由包含真实数据更新为真实数据和合成样本的混合，验证集同理；步骤5、冻结unet网络中的解码器模块参数，先以本地训练集为基础，使用交叉熵损失，训练本地分类器，再以本地合成样本为基础，以服务端模型作为教师模型，使用kl散度，训练本地分类器；步骤6、用本地验证集测试，保存最优的本地分类器参数；步骤7、本地训练生成器，初次通信时，冻结unet网络中的分类器模块，用本地真实数据训练扩散模型中的解码器参数，若当前不是初始任务，也使用合成样本训练；步骤8、客户端本轮训练结束，将unet网络所有参数，包括分类器参数和生成器参数上传到服务器，若当前不是初始任务，同时上传步骤3得到的本地合成样本；步骤9、服务端对unet模型所有参数进行全局平均聚合，若当前不是初始任务，再用得到的所有本地合成样本和交叉熵损失函数训练分类器参数；步骤10、联邦训练结束，输出最终预测模型。

全文数据：

权利要求：

百度查询： 绍兴佳宜信息科技有限公司 杭州电子科技大学 杭州电子科技大学上虞科学与工程研究院有限公司 一种基于改进unet网络的联邦持续学习方法