1.智能家居场景下基于云边端的高效联邦学习方法,其特征在于,包括:步骤1:云端服务器获取学习任务并初始化初始模型;
步骤2:云端服务器将学习任务以及初始模型下发至参与训练的通讯基站;
步骤3:通讯基站将获取到的学习任务及初始模型发送至其通信范围内参与训练的家庭单元中的临时服务器及家居终端;所述临时服务器是由一个家庭单元中所有家居终端进行选举得到的;
步骤4:家居终端根据本地数据和接收的初始模型或上一轮的第一中间模型进行本地模型训练更新,得到新的本地模型,将本地模型传输至临时服务器;
步骤5:临时服务器将接收到的所有本地模型以及自身的本地模型进行加权聚合,得到第一中间模型,将所述第一中间模型返回至各家居终端;
步骤6:重复执行步骤4至步骤5,直至满足结束条件后,由临时服务器将第一中间模型传输至通讯基站;
步骤7:通讯基站对接收到的所有第一中间模型进行加权聚合,得到第二中间模型,将所述第二中间模型返回至云端服务器;
步骤8:云端服务器对接收到的所有第二中间模型进行聚合,得到最终的全局模型。
2.根据权利要求1所述的智能家居场景下基于云边端的高效联邦学习方法,其特征在于,所述临时服务器的选举包括:根据家庭单元中所有家居终端的计算能力和闲置情况来选举得到临时服务器。
3.根据权利要求2所述的智能家居场景下基于云边端的高效联邦学习方法,其特征在于,根据家庭单元中所有家居终端的计算能力和闲置情况来选举得到临时服务器,具体包括:计算各家居终端的计算能力和闲置时间之和;
选择计算能力和闲置之间之和最大的家居终端作为该家庭单元的临时服务器。
4.根据权利要求1所述的智能家居场景下基于云边端的高效联邦学习方法,其特征在于,还包括:临时服务器收集家庭单元中无计算能力的家居终端的本地数据,并将其联合自身的本地数据和接收到的初始模型或上一轮的第一中间模型进行本地模型训练更新,得到自身新的本地模型。
5.根据权利要求1所述的智能家居场景下基于云边端的高效联邦学习方法,其特征在于,在步骤2之前还包括:针对需要参与训练的通讯基站,将该通讯基站注册到云端服务器,以供所述云端服务器对所有的通讯基站进行统计并形成基站索引;
对应地,步骤2具体为:云端服务器将学习任务以及初始模型按照基站索引下发至对应的通讯基站。
6.根据权利要求1所述的智能家居场景下基于云边端的高效联邦学习方法,其特征在于,在步骤3之前还包括:针对需要参与训练的家庭单元,将该家庭单元的临时服务器和/或家居终端注册到其对应的通讯基站,以供所述通讯基站对所有的临时服务器和/或家居终端进行统计并形成临时服务器索引;
对应地,步骤3具体为:通讯基站将获取到的学习任务及初始模型按照所述临时服务器索引发送至对应的临时服务器及家居终端。
7.根据权利要求1所述的智能家居场景下基于云边端的高效联邦学习方法,其特征在于,步骤4具体包括:家居终端i根据本地数据和接收的初始模型或上一轮的第一中间模型计算第t次迭代过程的梯度下降 其中,f(ω)=l(ω,D),f(ω)表示预测损失函数,ω表示家居终端i接收到的接收的初始模型或上一轮的第一中间模型的参数,D表示家居终端i的本地数据,表示梯度算子;
家居终端i根据所述梯度下降 更新得到第t次迭代过程的本地模型其中,ηi为家居终端i的学习效率, 表示家居终端i在进行第t次迭代过程的本地训练之前的本地模型的参数。
8.根据权利要求1所述的智能家居场景下基于云边端的高效联邦学习方法,其特征在于,步骤5具体包括:临时服务器按照公式(1)对各本地模型加权聚合,得到第一中间模型的参数:ωj+1=ωj+ωi (1)
其中,ωj+1表示临时服务器j进行当前轮聚合得到的第一中间模型的参数,ωj表示临时服务器j进行上一轮聚合后得到的第一中间模型的参数,ωi表示家居终端i的当前本地模型。
9.根据权利要求1所述的智能家居场景下基于云边端的高效联邦学习方法,其特征在于,步骤7具体包括:针对每个通讯基站,将所有第一中间模型的参数进行相加得到ωs;根据该通讯基站中参与训练的临时服务器的总数,对ωs进行迭代平均,迭代平均结果作为第二中间模型的参数。
10.根据权利要求1所述的智能家居场景下基于云边端的高效联邦学习方法,其特征在于,所述家居终端的本地数据包括网络吞吐量、电力使用情况和摄像头监控数据中的至少一种。