1.基于联邦学习的人类活动识别方法,多个客户端通过以太网与服务器建立连接并通信,其特征在于,所述方法包括:
步骤1:服务器确定训练任务和对应的活动数据特征,并生成初始模型参数,将所述初始模型参数下发至各个客户端;
步骤2:每个客户端根据接收到的初始模型参数或新的全局模型参数,结合自身的本地活动数据进行本地训练,生成本地更新参数,将所述本地更新参数上传到服务器;
步骤3:服务器将接收到的各个客户端的本地更新参数进行加权平均聚合以产生新的全局模型参数,将所述新的全局模型参数下发至各个客户端;
步骤4:重复执行步骤2至步骤3,直至达到训练停止条件得到最终的全局模型参数,服务器将最终的全局模型参数下发至各个客户端。
2.根据权利要求1所述的基于联邦学习的人类活动识别方法,其特征在于,步骤2具体包括:
每个客户端根据设定好的mini‑batch值、迭代次数、优化算法和学习率对所述初始模型参数或新的全局模型参数进行本地单次或多次迭代,生成本地更新参数,然后将所述本地更新参数加密传输到服务器。
3.根据权利要求2所述的基于联邦学习的人类活动识别方法,其特征在于,所述优化算法采用梯度下降法,按照公式(1)进行计算 然后根据 按照公式(2)生成本地更新参数其中, 表示第k个客户端在进行第t次迭代更新后的梯度,表示梯度算子,wt表示第t次迭代更新后的全局模型参数,fk(*)表示给定的第k个客户端上的目标函数,η为学习率,代表第k个客户端的本地更新参数,t表示迭代次数。
4.根据权利要求1所述的基于联邦学习的人类活动识别方法,其特征在于,步骤3具体包括:
确定超参数p的取值,利用所述超参数p调节各个客户端的本地更新参数的权重;
服务器按照公式(3)将接收到的各个客户端的本地更新参数进行加权平均聚合以产生新的全局模型参数wt:
其中, K表示客户端的数量,nk表示第k个客户端的样本量, 表示第k个客户端的本地更新参数的权重, 代表第k个客户端的本地更新参数,t表示迭代次数。
5.根据权利要求4所述的基于联邦学习的人类活动识别方法,其特征在于,在训练过程中,采用公式(4)所示函数作为目标函数:其中,w表示模型参数,f(w)表示目标函数,Fk(w)表示第k个客户端的平均损失函数。
6.基于联邦学习的人类活动识别系统,其特征在于,包括:服务器和多个客户端;多个客户端均通过以太网与服务器建立连接并通信;
所述服务器,用于确定训练任务和对应的活动数据特征,并生成初始模型参数,将所述初始模型参数下发至各个客户端;以及将接收到的各个客户端的本地更新参数进行加权平均聚合以产生新的全局模型参数,将所述新的全局模型参数下发至各个客户端;
每个所述客户端,用于根据接收到的初始模型参数或新的全局模型参数,结合自身的本地活动数据进行本地训练,生成本地更新参数,将所述本地更新参数上传到服务器。