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：天津大学

摘要：本发明为一种养老社区高质量服务的多阶段自适应模型训练方法，在养老社区中随机选取的一个智能设备作为服务器，其他智能设备则为客户端；基于上一轮全局模型和本地模型计算出本地模型的差异项，然后使用动态加权的方式提取本地模型差异项来修正本地模型，并将修正后的本地模型作为新一轮本地训练的起始模型，对该模型进行本地更新后得到新一轮的本地模型；更新后的第t轮本地模型参数Wj,t和梯度信息被传送给服务器；服务器先利用聚合权重和本地模型聚合生成新一轮的全局模型Wt，再根据梯度信息和本地模型Wj,t对聚合权重进行约束优化，通过不断迭代上述过程，直到训练结束。通过分阶段调整训练方向，保证了其模型的高效性。

主权项：1.一种养老社区高质量服务的多阶段自适应模型训练方法，其特征在于，在养老社区中随机选取的一个智能设备作为服务器，其他智能设备则为客户端，所有智能设备具有计算存储能力，设备之间能进行数据传输和通信；步骤一、本地训练：基于上一轮全局模型和本地模型计算出本地模型的差异项，然后使用动态加权的方式提取本地模型差异项来修正本地模型，并将修正后的本地模型作为新一轮本地训练的起始模型，对该模型进行本地更新后得到新一轮的本地模型；每个客户端角色的智能设备在执行新一轮本地训练之前都会按照公式3重新初始化其本地模型： 其中，前|Wj|-1层的所有元素都是1，顶层用βj,t表示；是第t轮本地模型训练的开始模型；Wj,t-1为在第t-1轮本地训练完成后，客户端j的本地模型；Wt-1是第t-1轮聚合后的全局模型；Wt-1-Wj,t-1是本地模型差异项；|Wj|为本地模型的层数；只有βj,t在新一轮本地模型初始化前，先利用上一轮全局模型Wt-1对局部数据的梯度信息按照公式4进行更新： 其中，ηβ为常数学习率，一般设置0.001；Wt-1是第t-1轮聚合后的全局模型；Dj为养老社区中第j个智能设备采样的数据，j＝1,2,…,M，M为养老社区中作为客户端角色的智能设备数量；Fj表示客户端j上的损失函数；βj,t-1为第t-1轮的顶层；步骤二、动态聚合：更新后的第t轮本地模型参数Wj,t和梯度信息被传送给服务器；服务器先利用聚合权重和本地模型聚合生成新一轮的全局模型Wt，再根据梯度信息和本地模型Wj,t对聚合权重进行约束优化，通过不断迭代上述过程，直到训练结束；使用梯度下降来同步计算当前轮次不同客户端的权重学习路径并更新各自的聚合权重，保证了更新后的聚合权重是能让当前全局模型损失下降最快的最优聚合权重，聚合权重的更新公式为公式7： 其中，αj,t是第t轮客户端j对应的聚合权重；αj,t+1是第t+1轮客户端j对应的聚合权重；ηj，t是第t轮客户端j更新权重的动态学习率，其为与本地模型参数具有相同结构的张量，根据公式8获得，γ为常数；ηj,t⊙Wj,t＝γ8至此完成一轮自适应模型训练，此时服务器端的全局模型为养老社区高质量服务提供智能服务。

全文数据：

权利要求：

百度查询： 天津大学 一种养老社区高质量服务的多阶段自适应模型训练方法