1.一种基于合同理论的多任务无线联邦学习方法,其特征在于,所述方法包括以下步骤:模型拥有者对移动用户进行分簇,每个移动用户簇分别训练不同的联邦学习任务;
模型拥有者通过一组最优合同对每个移动用户簇进行激励;其中,每个最优合同包括最佳奖励报酬和最佳全局迭代次数;
每个移动用户簇分别执行联邦学习过程,同时完成不同的联邦学习任务;
模型拥有者通过一组最优合同对每个移动用户簇进行激励,具体为:用户簇C
其中,κ为能量对应花销,K
按照每个用户簇一次全局迭代的花销的升序,重新索引用户簇,并得到第i个用户簇完整执行完一次合同所得利润为:u
其中,θ
一组可行的合同必须满足以下条件:
1)
2)R
3)R
4)R
因此,在可行的合同中,最优奖励其中,I为用户簇的数量;
计算效益函数:
其中,S,A
将最优奖励
将所得
2.根据权利要求1所述的一种基于合同理论的多任务无线联邦学习方法,其特征在于,模型拥有者通过余弦相似度对移动用户进行分簇,具体步骤如下:(a)模型拥有者向所有移动用户分发相同的学习模型进行联邦学习,联邦学习过程中全局损失函数为:其中D
移动用户m的经验风险函数为:(b)计算任意两个移动用户a和b梯度之间的余弦相似度:其中w
每个用户簇的分离间距为:
其中,
(c)按照各个用户簇均需满足
3.根据权利要求1所述的一种基于合同理论的多任务无线联邦学习方法,其特征在于,每个移动用户簇分别执行联邦学习过程,具体为:对于第i个用户簇,模型拥有者先将初始模型参数下发至第i个用户簇内的簇头;在第i个用户簇内部,簇头随机选择若干移动用户进行一次本地迭代,完成本地迭代后,随机选择的每个移动用户将所得的模型参数最优解上传至簇头,簇头进行聚合后,再将更新后的模型参数发送给随机选择的每个移动用户,进行下一次本地迭代,如此往复
4.一种基于合同理论的多任务无线联邦学习设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一所述的基于合同理论的多任务无线联邦学习方法的步骤。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一所述的基于合同理论的多任务无线联邦学习方法的步骤。