(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211032084.8 (22)申请日 2022.08.26 (71)申请人 香港中文大 学 （深圳） 地址 518100 广东省深圳市龙岗区龙城街 道龙翔大道 2001号 (72)发明人 黄川　崔曙光　郭玮　 (74)专利代理 机构 成都巾帼知识产权代理有限 公司 5126 0 专利代理师 邢伟 (51)Int.Cl. G06N 20/00(2019.01) G06N 3/08(2006.01) G06N 3/04(2006.01) H04W 28/08(2009.01) H04L 67/10(2022.01) (54)发明名称 一种面向无线联邦学习的模型聚合权重动 态分配方法 (57)摘要 本发明公开了一种面向无线联邦学习的模 型聚合权重动态分配方法， 包 括以下步骤： S1.对 于具有一个数据中心和 K个边缘设备的无线 联邦 学习系统， 数据中心将模型参数 无线信道广 播给所有边缘设备， 边缘设备根据接收到的信息 估计并更新得到模型参数 ； S2.所有边缘设 备通过无线上 行链路将更新以后的模型参数 发送给数据中心； S3.对每轮迭代过程上下 行无线信道衰落和加性噪声造成的影响进行目 标函数构建， 并基于最小化目标函数和功率约 束， 得到优化问题并进行求解得到最优的权重分 配方案。 本发明能够在数据中心进行模型聚合 时， 确定各个边缘设备的权重， 有效保证了无线 联邦学习过程中模型聚合的准确性。 权利要求书5页 说明书12页 附图4页 CN 115099420 A 2022.09.23 CN 115099420 A 1.一种面向无线联邦学习的模型聚合权 重动态分配方法， 其特 征在于： 包括以下步骤： S1.对于具有一个数据中心和 K个边缘设备的无线联邦学习系统， 数据中心将模型参数 通过无线信道广播给所有边缘设备， 边缘设备根据接收到的信息估计并更新得到模型 参数 ； S2. 所有边缘设备通过 无线上行链路将更新以后的模型参数 发送给数据中心； S3. 对每轮迭代过程上下行无线信道衰落和加性噪声造成的影响进行目标函数构建， 并基于最小化目标函数和功率约束， 得到优化问题并进行求 解得到最优的权 重分配方案 。 2.根据权利要求1所述的一种面向无线联邦学习的模型聚合权重动态分配方法， 其特 征在于： 所述 步骤S1包括以下子步骤： S101.数据中心将模型参数 通过无线信道广播给 所有边缘设备; S102.设边 缘设备k接收到的信号 为 其中， 表示数据中心到边缘设备 k的信道系数， 表示数据中心的发射功率， 则表示复对称圆高斯噪声向量； S103.当边缘设备 k收到信号 以后， 对信号除以 进行缩放以估计数据中心发 送的原始信号， 其估计得到的结果 为 ； 此时， 边缘设备 k将估计得到结果 作为本地训练更新的初始结果， 所有的边缘设备 经过E次本地更新以后， 将更新以后的模型参数 再发送回数据中心； 其中， 本地更新过程 为： 其中 表示学习 率， 表示第 次更新， 表示第 次本地更新时 的模型参数， 表示第 次本地更新时随机选取的小批量数据， 表 示在 次更新时的小批量梯度； 第 E次更新， 即 时得到的结果 即为更新以后的权　利　要　求　书 1/5 页 2 CN 115099420 A 2模型参数。 3.根据权利要求1所述的一种面向无线联邦学习的模型聚合权重动态分配方法， 其特 征在于： 所述 步骤S2包括以下子步骤： S 2 0 1 .边 缘 设 备 k对 本 地 的 模 型 参 数 进 行 预 编 码 ， 即 乘 上 预 编 码 因 子 ， 其中 表示边缘设备 k的发射功率， 表示边缘设备 k到 数据中心的信道系数， n则表示复对称圆高斯噪声向量， 和 分别表示共轭转置以及 对复数的取模操作;  k=1,2,…K; S202.所有边缘设备同时向数据中心发射预编码之后的本地模型参数， 基于空中计算， 数据中心接收到的信号 为 S203.数据中心将接收到的信号 乘以缩放因子 ， 所述缩放因子为所有发射功率的 和的倒数， 即 ； 数据中心最终接收到的信号 为 ； 其中 是动态的模型聚合权重， 其满足 并且直接取决于边缘设备的上行 发射功率。 4.根据权利要求1所述的一种面向无线联邦学习的模型聚合权重动态分配方法， 其特 征在于： 所述 步骤S3包括以下子步骤：权　利　要　求　书 2/5 页 3 CN 115099420 A 3