(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 202210945014.5 (22)申请日 2022.08.08 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 赵健鑫　常欣煜　冯雁浩　刘驰　 (74)专利代理 机构 北京中海智圣知识产权代理 有限公司 1 1282 专利代理师 王志东 (51)Int.Cl. G06V 10/94(2022.01) G06V 10/96(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06N 3/08(2006.01)G06F 9/50(2006.01) H04W 76/14(2018.01) H04W 84/04(2009.01) H04W 84/12(2009.01) G06N 3/04(2006.01) (54)发明名称 面向移动终端图像众包识别的博弈分布式 学习方法 (57)摘要 本发明提出一种面向移动终端图像众包识 别的博弈分布式学习方法， 包括： 中心服务器构 建基于移动终端数据转移的多人合作博弈模型； 移动终端定义自身的训练图像数据偏移度量值 以及最低数据获取效益值； 移动终端分布式计算 图像数据分配， 得到优化计算目标； 求得最优的 拉格朗日乘子及数据移动策略； 去中心化调优 方 法优化求解； 求得的最优策略移动图像数据， 图 像数据通过WiFi或蜂窝网络在移动终端间进行 点对点传输。 所述方法有效平衡不同分散环境下 移动终端之间的数据分布， 并且确保了分布式学 习训练的公平 性， 不会牺牲少数移动终端的性能 来提高系统的整体性能， 以此鼓励移动终端参与 分布式学习。 权利要求书2页 说明书7页 附图1页 CN 115512208 A 2022.12.23 CN 115512208 A 1.一种面向移动终端图像众包识别的博 弈分布式学习方法， 其特 征在于， 包括： 步骤1， 中心服 务器构建基于移动终端数据转移的多人合作博 弈模型； 步骤2， 移动终端定义自身的训练图像数据偏移度量 值以及最低数据获取效益 值； 步骤3， 移动终端分布式计算图像数据分配， 中心服务器建立优化问题模型， 移动终端 对优化问题构建拉格朗日函数， 得到优化计算目标； 步骤4， 移动终端通过次梯度下降算法求得最优的拉格朗日乘子及数据移动策略； 步骤5， 移动终端应用面向大规模动态网络的去中心化调优方法优化 求解过程； 步骤6， 移动终端根据求得的最优策略移动图像数据， 图像数据通过WiFi或蜂窝网络在 移动终端间进行点对点传输 。 2.根据权利要求1所述的面向移动终端图像众包识别的博弈分布式学习方法， 其特征 在于， 步骤2中， 设移动终端的训练图像数据偏移度量值被定义为第一效用 最低数 据获取效益值定义为第二效用 效益值在 固定的初始数据分布下为固定值， 移动终 端上的训练数据定义为N维数组si＝(s1,s2,…,sN)， 移动终端的数据偏移使用余弦相似度 来衡量， 使用单位向量 作为参照， 移动终端的训练图像数据偏移度量 值以及最低数据获取效益 值由以下公式计算： 其中k的含义 为数据类别， si,k代表移动终端i上第k类数据的数量。 3.根据权利要求1所述的面向移动终端图像众包识别的博弈分布式学习方法， 其特征 在于， 步骤3中， 中心服务器建立优化问题模型是基于纳什均衡解， 优化问题模型通过以下 公式计算： 其中Tk代表第k类数据的全局总数量， 对约束条件中对所有i∈[1,N]和k∈[1,K]均成 立， 余弦函数的值域为[ ‑1,1]， 并且对于任意的i和k的取值来说， si,k>0， 因此Ui∈(0,1]， 在 Ui∈(0,1]范围内， 优化目标中的 ‑log(Ui)>0， di为每个移动终端获得 预定的最低效益。 4.根据权利要求1或3所述的面向移动终端图像众包识别的博弈分布式学习方法， 其特 征在于， 步骤3中， 移动终端对 优化问题构建拉格朗日函数， 得到的优化计算目标为： 其中， 每一个移动终端上 单独求解， λ为拉格朗日乘子 。 5.根据权利要求1所述的面向移动终端图像众包识别的博弈分布式学习方法， 其特征 在于， 步骤4包括： 步骤4.1， 在所有移动终端上并行执行： 求解 找到 为当前迭代下权　利　要　求　书 1/2 页 2 CN 115512208 A 2最优的数据分布方式； 步骤4.2， 计算本地次梯度 步骤4.3， 和相邻移动终端交互并收集相邻移动终端的次梯度信息， 根据相邻移动终端 的次梯度信息， 更新本地拉格朗日乘子 步骤4.4， 重复步骤4.1到步骤4.3直到 λ 收敛。 6.根据权利要求1所述的面向移动终端图像众包识别的博弈分布式学习方法， 其特征 在于， 步骤1中， 中心服务器和移动终端、 不同的移动终端之间通过WiFi或5G蜂窝网络进行 通信。 7.根据权利要求1所述的面向移动终端图像众包识别的博弈分布式学习方法， 其特征 在于， 步骤1中， 中心 服务器用于维持终端的元数据， 移动终端用于训练模型， 并通过移动终 端间的通信以点对点的方式交换图像数据或模型升级时需要用到的相关信息 。 8.根据权利要求5所述的面向移动终端图像众包识别的博弈分布式学习方法， 其特征 在于， 步骤4.3中， 移动终端从其他移动终端收集的信息包括RequestSub和Sen dSub两种消 息类型， RequestSub和SendSub通过基站或者WiFi发送， RequestSub用于从一移动终端j请 求， SendSub用于从特定移动终端j接收子梯度。 9.根据权利要求1所述的面向移动终端图像众包识别的博弈分布式学习方法， 其特征 在于， 步骤5包括： 限制可通信的移动终端数量， 将移动终端在每次迭代中的交互限制为仅与其相邻的移 动终端， 在移动 终端上设置一超时阈值， 使得退出系统或由于网络连接而无法回复的移动 终端能够 在不干扰系统性能的情况 下被静默移除； 步骤5.2， 移除与回复慢于设定时间阈值的移动终端之间的通信， 在网络高度动态的场 景中， 在移动终端上设置一超时阈值， 使得退出系统或由于网络连接而无法回复的移动终 端能够在不干扰系统性能的情况 下被静默移除。权　利　要　求　书 2/2 页 3 CN 115512208 A 3