(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 202211213699.0 (22)申请日 2022.09.30 (71)申请人 深圳市大 数据研究院 地址 518172 广东省深圳市龙岗区龙城街 道龙翔大道 2001号道远楼 225室 (72)发明人 朱光旭　曹晓雯　李晓阳　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 黄英杰 (51)Int.Cl. G06V 10/764(2022.01) H04K 1/02(2006.01) G06F 21/62(2013.01) G06N 20/00(2019.01) (54)发明名称 基于联邦边缘学习的图像分类方法以及相 关设备 (57)摘要 本申请涉及计算机技术领域， 提供了一种基 于联邦边缘学习的图像分类方法以及相关设备， 该方法应用于联邦边缘学习系统， 所述联邦边缘 学习系统包括边缘服务器以及 多个边缘设备， 多 个所述边缘设备与所述边缘服务器通过无线信 道通信连接， 通过多个边缘设备分别经过无线信 道同时向边缘服务器发送第一传输信号， 第一传 输信号携带有以第一传输功率发送的本地模型 参数和以第二传输功率注入的第一随机噪声， 本 申请实施例通过无线信道的叠加特性对所有边 缘设备上传的模 型参数进行汇总平均， 提高图像 分类方法中模型学习的收敛速度， 同时注入噪 声， 加强隐私保护。 权利要求书4页 说明书15页 附图5页 CN 115424079 A 2022.12.02 CN 115424079 A 1.一种基于联邦边缘学习的图像分类方法， 其特征在于， 所述方法应用于联邦边缘学 习系统， 所述联邦边缘学习系统包括边缘服务器以及多个边缘设备， 多个所述边缘设备与 所述边缘服务器通过 无线信道通信连接， 所述方法包括： 通过多个所述边缘设备分别获取本地图像样本数据， 并对所述本地图像样本数据进行 随机采样得到 批量图像样本数据； 通过多个所述边缘设备分别基于所述批量图像样本数据对所述图像分类模型的模型 参数进行更新， 直至满足预设条件， 将更新后的模型参数作为本轮迭代训练的本地模型参 数； 通过多个所述边缘设备分别经过所述无线信道同时向所述边缘服务器发送第一传输 信号， 所述第一传输信号携带有以第一传输功 率发送的所述本地模型参数和以第二传输功 率注入的第一随机噪声； 通过所述边缘服务器接收由多个所述边缘设备同时发送的第一传输信号聚合而成的 第一接收信号， 并根据所述第一接收信号确定下一轮迭代训练的全局模型参数； 通过多个所述边缘设备分别 接收所述边缘服务器广播发送的所述全局模型参数， 并根 据所述全局模型参数对所述图像分类模型的模型参数进行更新处理， 得到目标图像分类模 型； 通过多个所述边缘设备分别获取待分类图像， 将所述待分类图像输入所述目标图像分 类模型， 以通过 所述目标图像分类模型 得到所述待分类图像的分类结果。 2.根据权利要求1所述的基于联邦边缘学习的图像分类方法， 其特征在于， 所述第 一传 输信号通过以下公式确定： 其中， 所述Sk,t表示第k个所述边缘设备在第t轮迭代训练时向所述边缘服务器的第一 传输信号， 所述 表示第k个所述边缘设备在第t轮迭代训练时获得的本地模型参数， 所述 nk,t表示第k个所述边缘设备在第t轮迭代训练使用的第一随机噪声， 所述pk,t表示用于发送 本地模型参数 的第一传输功率， 所述 表示用于注入第一随机噪声nk,t的第二传输功 率； 所述第一接收信号 通过以下公式确定： 其中， 所述yt表示第t轮迭代训练的全局 模型参数， 所述hk,t表示第k个所述边缘设备与 所述边缘服务器在第t轮迭代训练时的复数信道系数， 所述zt为第二随机噪声， 服从 为所述第二随机噪声的噪声功率， I 为单位矩阵； 所述根据所述第一接收信号确定下一轮迭代训练的全局模型参数， 所述方法还 包括： 根据所述第一接收信号、 所述边缘设备的数量以及预设的降噪因子， 确定下一轮迭代 训练的全局模型参数。 3.根据权利要求2所述的基于联邦边缘学习的图像分类方法， 其特征在于， 所述方法还 包括： 通过所述边缘设备以及所述边缘服务器分别获取预设的传输功率优化模型以及约束权　利　要　求　书 1/4 页 2 CN 115424079 A 2条件， 所述约束条件 包括所述 边缘设备的最大发送 功率约束以及平均发送 功率约束； 在所述根据所述第一接收信号、 所述边缘设备的数量以及预设的降噪因子， 确定下一 轮迭代训练的全局模型参数之前， 所述方法还 包括： 对所述传输功率优化模型进行求解处理， 得到在所述约束条件下所述传输功率优化模 型取得最优解时的降噪因子； 在所述通过多个所述边缘设备分别经过所述无线信道同时向所述边缘服务器发送第 一传输信号之前， 所述方法还 包括： 对所述传输功率优化模型进行求解处理， 分别得到在所述约束条件下所述传输功率优 化模型取得最优解时用于发送所述本地模型参数的第一传输功率以及第一随机噪声的第 二传输功率； 所述传输功率优化模型通过以下公式确定： 其中， Ct＝1‑(Ω‑1)μγt； 所述T表示迭代训练总次数， 所述K表示参与联邦学习的边缘设备总数， 所述ηt表示第t 次迭代训练的降噪因子， 所述 表示第k个所述边缘设备在第t 次迭代训练时使用的第一 随机噪声的噪声功率， 所述L表示smoothness系数， 所述γt‑1为第t‑1次迭代训练时的学习 率， 所述Ω表示所述边缘设备的本地迭代训练次数， 所述表示预设的模型上界， 所述μ为PL 系数； 所述最大发送 功率约束为： 所述平均发送 功率约束为： 其中， 所述 表示第k个所述边缘设备对应的最大发送功率， 所述 表示第k个所 述边缘设备对应的平均发送功率， 所述T表示迭代训练的总次数， 所述q表示所述边缘设备 向所述边缘服务器传输数据时使用的符号数量。 4.根据权利要求3所述的基于联邦边缘学习的图像分类方法， 其特征在于， 所述对所述 传输功率优化模型进 行求解处理， 得到在所述约束条件下所述传输功率优化模型取得最优权　利　要　求　书 2/4 页 3 CN 115424079 A 3