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！

龙图腾网获悉电子科技大学申请的专利一种面向异质性场景下的分布式机器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：CN115481749B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202211088268.6，技术领域涉及：G06N20/00；该发明授权一种面向异质性场景下的分布式机器学习方法是由陈爱国;罗光春;孙国林;戴瑞婷;隆雨佟;刘德映设计研发完成，并于2022-09-07向国家知识产权局提交的专利申请。

本一种面向异质性场景下的分布式机器学习方法在说明书摘要公布了：本发明属于信息技术领域，具体提供一种面向异质性场景下的分布式机器学习方法，旨在解决现有联邦学习效率提升方法，受限于分布式场景中广泛存在的非独立同分布数据，以及存在的计算负担大、依赖经验等问题。本发明通过在训练过程中动态更新相关的矩阵，实现对参与方节点的动态选择，并有效地将分布式环境中存在的非独立同分布数据纳入到了节点的选择考虑中，同时也考虑到了节点的训练效果和历史训练信息，使得模型更快地学习未知的知识或者学习效果不好的知识，从而有效提升联邦学习在实际应用场景下的模型训练效率。

本发明授权一种面向异质性场景下的分布式机器学习方法在权利要求书中公布了：1.一种面向异质性场景下的分布式机器学习方法，应用于分布式机器学习系统，所述分布式机器学习系统包括中心服务器与n个分布式计算节点，计算节点与中心服务器信息交互，包括如下步骤， 步骤S1、在分布式机器学习场景下，针对具有系统异质性和数据异质性的各个分布式计算节点，中心初始化全局模型、概率矩阵、累积模型强度矩阵以及计数矩阵； 概率矩阵表示为Q＝{q,q,...,q}，q为节点i被选择参与联合模型训练的概率，i＝1,2,...,n，n为节点数；初始化为：矩阵内每个值均相等； 累积模型强度矩阵表示为H＝{h1,h2,...,hn}，hi为表征节点i的数据异质性程度和训练效果的指标；初始化为：矩阵内每个值均为0； 计数矩阵表示为cnt＝{c,c,...,c}，c表示节点i连续被选择的次数，初始化为：矩阵内每个值均为0； 步骤S2、中心基于概率矩阵随机选择预设选择固定比例C的节点作为参与方节点参与训练； 步骤S3、提取参与方节点的节点关键信息，节点关键信息包括：数据非独立同分布程度指标与训练损失； 节点i的数据非独立同分布程度指标emd表示为： 其中，P表示全局数据分布，p表示节点i本地训练数据的分布，ΠP,p表示P和p联合分布的集合，γ为属于ΠP,p的一个联合分布，x与y表示联合分布γ中的样本； 将节点i训练过程中的损失进行记录，表示为训练损失loss 步骤S4、根据节点关键信息，各个节点计算累积模型强度值，并更新累积模型强度矩阵；具体为： 步骤401、对于参与方节点i，节点计算当前模型强度值mi为： 其中，emdi表示节点i的数据非独立同分布程度指标，lossi表示节点i在本轮训练的训练损失值； 步骤402、计算累积模型强度值为： 其中，表示节点i本轮训练后累积模型强度值，表示节点i上一轮训练后累积模型强度值，ρ为衰减系数； 每个参与方节点计算累积模型强度值后上传到中心，中心更新累积模型强度矩阵； 步骤S5、根据步骤S2中节点选择信息，更新计数矩阵； 每一轮训练中，计数矩阵中被连续选择的参与方节点的对应计数值加1，其余节点的对应计数值减1直至0；若节点的计算值大于预设阈值，则判定为劣质节点，否者，为优质节点； 步骤S6、根据节点关键信息与计数矩阵，更新概率矩阵；具体为： 步骤S601、根据步骤S2中节点选择信息，更新各个节点的概率值； 对于参与方节点i，概率值更新为： 其中，表示节点i在本轮训练后的概率值，表示节点i在上一轮训练后的概率值，ε为预设非负值； 对于其余节点j，概率值更新为： 步骤S602、根据计数矩阵，将劣质节点在概率矩阵中对应概率值进行置零； 步骤S603、对概率矩阵进行归一化处理。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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”。

以上内容由龙图腾AI智能生成。