(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211032064.0 (22)申请日 2022.08.26 (65)同一申请的已公布的文献号 申请公布号 CN 115099419 A (43)申请公布日 2022.09.23 (73)专利权人 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. H04L 67/01(2022.01) G06N 20/00(2019.01)G06N 3/08(2006.01) G06N 3/04(2006.01) H04W 28/08(2009.01) (56)对比文件 WO 2021169577 A1,2021.09.02 Wei,GUO， etc.Jo int Device Selecti on and Power Controlfor Wireless Federated Learning. 《IEEE JOURNAL ON SELE CTED AREAS IN COMMUNICATIONS》 .202 2,第2395~2410页. 审查员 易浩民 (54)发明名称 一种面向无线联邦学习的用户协同传输方 法 (57)摘要 本发明公开了一种面向无线联邦学习的用 户协同传输方法， 包括以下步骤： S1.用户接收到 全局模型后， 根据自己的训练数据计算重要性指 标发给数据中心， 数据中心根据用户的位置和用 户的数据重要 性进行分簇； S2.根据分簇 结果， 各 个簇组内的从属用户按照将计算得到的梯度向 量发送给该簇组的领导用户； S3.每个簇组的领 导用户将自己收到的信号直接转发给数据中心， 数据根据去噪声系数对接收到的信号进行处理， 并获得最终的去噪声结果;S4.构建传输过程中 的发射功率和去噪声系数优化问题， 并进行求解 得到最优的发射功率和去噪声系数。 本发明减少 了无线信道衰落和加性噪声对数据中心进行梯 度融合时造成的影响。 权利要求书5页 说明书11页 附图4页 CN 115099419 B 2022.11.18 CN 115099419 B 1.一种面向无线联邦学习的用户协同传输方法， 其特 征在于： 包括以下步骤： S1.对于具有一个数据中心和 个用户的无线联邦学习系统， 在 每一轮训练过程中， 用 户接收到全局模型后， 根据自己的训练数据计算重要性指标 发给数据中心， 数据中心根 据用户的位置和用户的数据重要性进行分簇； S2.根据分簇结果， 各个簇组内的从属用户按照将计算得到的梯度向量发送给该簇组 的领导用户； S3.每个簇组的领导用户将自 己收到的信号直接转发给数据中心， 数据中心根据去噪 声系数对接收到的信号进行处 理， 并获得最终的去噪声结果； 所述步骤S3包括以下子步骤： 不同簇组的领导用户 将其接收到的信号向量 发送给数据中心: 领导用户 对信号向量 乘上预编码因子 ， 其中 表示 发射功率， 表示领导用户 与数据中心 之间的信道系数； 和 分别表示共轭转置以 及对复数的取模操作； 所有簇组的领导用户同时向数据中心发射预编码以后的向量， 基于空中计算， 数据中 心接收到的信号向量 为 ， 其中， 表示数据中心接收到的信号向量中包 含的复对称圆高斯噪声向量； 在簇间梯度传输结束以后， 数据中心对接收到的向量进行去噪声和逆归一化操作， 从 而得到最终的梯度聚合结果 ， 其中 表示去噪声系数， 表示进行符号归一化时的标准差， 表示进行符号归一化 时的梯度均值； S4.构建传输过程中的发射功率和去噪声系数优化问题， 并进行求解得到最优的发射 功率和去噪声系数。 2.根据权利要求1所述的一种面向无线联邦学习的用户协同传输方法， 其特征在于： 所 述步骤S1中， 用户接收到全局模型后， 根据自己的训练数据计算重要性指标 的方式如下： ， 其中 表示用户 的训练数据量大小， 表示用户 的训练数据 集， 表示训练数 据所有标签类型的集合， 表示全局模型， 表示用户 的第 个训练数据，权　利　要　求　书 1/5 页 2 CN 115099419 B 2表示用户 使用模型 预测训练数据 标签为 的概率。 3.根据权利要求1所述的一种面向无线联邦学习的用户协同传输方法， 其特征在于： 步 骤S1中， 数据中心根据用户的位置和用户的数据重要性进行分簇的过程包括： S101.将所有的用户都单独设为 一个集合， 此时共有 个集合； S102.计算 不同集合之间的连接值， 连接值的计算方法为： 合并两个集合作为一个新的集合， 该集合里面所有的用户根据自身与集合内其他用户 的位置， 计算自身与集合内其他用户的之间的距离， 选取最远的距离将其定义为该用户在 此集合中的用户半径； 然后定义集合的半径为最小的用户半径， 最后连接值的定义为集合半径和集合内用户 数据重要性的最大值的加权和， 加权 权重需要通过 预先设定得到； S103.将所有集 合组合成一个大集 合， 并通过迭代获取用户分簇， 迭代过程如下： A1、 初始化迭代参数 ； A2、 在迭代参数 下， 执行以下步骤： （1） 遍历大集 合并选择集 合连接值 最小的两个集 合； （2） 将集合连接值最小的两个集合合并为新的集合， 然后删掉原来大集合里面的选择 出来的两个集 合， 此时得到更新后的大集 合；  A3、 每次迭代完成后， 对 进行更新： ,即每次更新时将 减1， 然后将更新后的 大集合作为新的大集 合， 返回步骤A 2； 当迭代参数 时的迭代完成后， 输出此时大集合作为分簇结果， 大集合中的每个集 合即为一个用户分簇， 其中 表示用户分簇的数目； S104.对于每个用户分簇， 选择该分簇距离数据中心最近的用户作为领导用户， 其余用 户作为从属用户， 其中每个用户分簇内用户与数据中心的距离， 通过数据中心与用户的位 置来确定 。 4.根据权利要求1所述的一种面向无线联邦学习的用户协同传输方法， 其特征在于： 所 述步骤S2包括以下子步骤： S201.每一个用户 首先基于接收到的全局模型和本地的训练数据计算要上传的梯度 向量 ， ， 计算方法为 ， 其中 表示用户 随机选择的小批量数据， 表示小批量数据的数量， 表 示 里 面的 第 个 数 据 ， 其 中 输 入向 量 为 ， 标 签 为 ， 表示当模型参数为 时， 损失函数 在 处权　利　要　求　书 2/5 页 3 CN 115099419 B 3