专利交易市场

本发明公开了一种基于联邦元学习的移动边缘计算智能卸载方法及装置，云端服务器和边缘服务器具有结构相同的神经网络模型，边缘服务器从云端服务器下载所述神经网络模型的初始网络参数用于更新本地神经网络模型的网络参数，边缘服务器训练本地的神经网络模型，计算出损失值上传给云端服务器，云端服务器聚合所有接收到的损失值进行网络参数的更新，完成网络模型的训练，边缘服务器采用训练好的神经网络模型决定最优卸载策略。本发明在不泄露用户数据隐私的前提下，联合多个边缘服务器共同训练学习，得到泛化能力更强的神经网络模型，并实现边缘服务器个性化计算卸载应用。

本发明属于联邦元学习方法的技术领域，更具体地，涉及一种基于数据增强与隐私增强的组联邦元学习方法。方法包括本地客户端处理阶段；服务器端根据本地客户端的数据分布表示对本地客户端进行初始分组，再将收到的本地元模型进行平均聚合生成组元模型；所有本地客户端收到服务器下发的初始化全局元模型后，进行更新本地元模型；服务器根据更新的数据分布表示更新分组，然后将更新的本地元模型进行更新后的组内聚合，生成新的组元模型；进行更新迭代；本地客户端进行模型个性化。本发明解决了现有技术中存在数据异构性、数据稀缺、类别不平衡的情况，在处理罕见病医疗领域中本地模型泛化效果较差，医疗数据存在被泄露的风险的问题。

本发明属于图像数据处理的技术领域，更具体地，涉及一种基于数据集压缩的联邦元学习隐私保护的方法。所述方法包括每个客户端初始化一个小型合成数据集取代客户端的原始数据集，随机初始化每个合成数据集和对应的学习率；输入初始本地模型参数进行训练得到新一轮本地模型参数；优化合成数据集及其对应的学习率；不断迭代优化，得到最终合成数据集和最终学习率；联邦元学习基于最终合成数据集和最终学习率得到真实梯度，再通过嵌入联邦元学习中的DLG攻击优化虚拟数据集和虚拟梯度；在最终合成数据集中的图像数据上添加噪声。本发明解决了DLG攻击在联邦元学习中就会有更高的成功率猜测出批量大小并进行攻击进而导致隐私泄露的问题。