買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜重慶大學申請的專利基于分布式機器學習的分組訓練方法、服務器及客戶端獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114118210B 。

龍圖騰網通過國家知識產權局官網在2025-05-27發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111232230.7，技術領域涉及：G06F9/50；該發明授權基于分布式機器學習的分組訓練方法、服務器及客戶端是由劉鐸;段莫名;吳宇;張斌艷;陳咸彰;任驁;譚玉娟;汪成亮設計研發完成，并于2021-10-22向國家知識產權局提交的專利申請。

本基于分布式機器學習的分組訓練方法、服務器及客戶端在說明書摘要公布了：本發明公開一種基于分布式機器學習的分組訓練方法、服務器及客戶端，所述分組訓練方法基于客戶端的本地優化目標梯度，將訓練任務按優化目標拆分到對應的組共識模型中進行訓練，減輕了由于隱含子優化目標沖突而導致的訓練收斂速度下降，模型性能下降，訓練抖動增加等問題，同時，本發明在訓練的過程中還對客戶端的本地訓練數據偏移情況進行監測，當客戶端的本地訓練數據發生偏移時，更新客戶端的分組信息，以使得每一客戶端能在優化目標最相似的組模型中進行訓練，有效減少了由于訓練數據分布不平衡而導致機器學習模型的偏差問題。

本發明授權基于分布式機器學習的分組訓練方法、服務器及客戶端在權利要求書中公布了：1.一種基于分布式機器學習的分組訓練方法，其應用于服務器，其特征在于，包括：向所有客戶端發送初始模型，以使得所有所述客戶端基于本地訓練數據和所述初始模型計算得到對應的本地優化目標梯度；接收所有客戶端上傳的本地優化目標梯度，并對所有客戶端的優化目標梯度進行聚類，得到N個客戶端組和每一客戶端組對應的組優化目標梯度；基于每一所述客戶端組，創建對應于每一客戶端組的組進程和組共識模型，以使得每一所述客戶端分配到優化目標梯度最相似的組進程中進行組共識模型的訓練；N大于等于1，其中，所述本地優化目標梯度是所述客戶端基于本地訓練數據和服務器發送的初始模型計算得到的；在上一訓練輪訓練結束后且當前訓練輪訓練開始前，接收訓練數據分布發生偏移的客戶端返回的分組更新信息；其中，所述客戶端的分組更新選擇信息是所述訓練數據分布發生偏移的客戶端基于當前本地優化目標梯度和每一所述組優化目標梯度的相似度的比較結果而選擇的優化目標梯度相似度最高的組進程；根據所述分組更新信息，更新客戶端的分組，以使得每一所述客戶端在當前訓練輪中分配到對應的組進程中進行組共識模型的訓練；所述訓練數據分布發生偏移的客戶端通過以下方式判斷：當所述客戶端在當前訓練輪的所有標簽類別的偏離距離之和大于預設偏移距離時，判定所述客戶端的訓練數據分布發生偏移；其中，所述標簽類別指的是訓練樣本的類別，每一標簽類別的偏離距離是指所述客戶端在當前訓練輪的標簽類別概率分布和上一次偏移發生時的標簽類別概率分布之間的偏移距離；所述客戶端在當前訓練輪的標簽類別概率分布和上一次偏移發生時的標簽類別概率分布之間的偏移距離通過如下公式計算： 其中，dc表示偏移距離，EMD·表示兩個分部之間的EMD距離，Pc為客戶端在當前訓練輪的標簽類別概率分布，為客戶端上一次偏移發生時的標簽類別概率分布；所述接收所有客戶端上傳的本地優化目標梯度，并對所有客戶端的優化目標梯度進行聚類，得到N個客戶端組和每一客戶端組對應的組優化目標梯度，具體包括：接收每一所述客戶端上傳的優化目標梯度，并根據如下公式計算每一客戶端與其他客戶端之間的基于壓縮余弦相似度的歐式距離： V＝SVDΔWT,N其中，EDCi,j為客戶端i與客戶端j的基于壓縮余弦相似度的歐式距離，N為客戶端組的個數，V為由機器學習算法SVD壓縮的梯度矩陣，v為梯度矩陣V的列向量，Si,vT為客戶端i的模型更新向量，Sj,vT為客戶端j的模型更新向量，ΔWT為客戶端模型更新向量組成的矩陣的轉置矩陣；基于計算得到的所有EDC距離執行聚類算法，得到N個客戶端組和每一客戶端組對應的組優化目標梯度。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人重慶大學，其通訊地址為：404100 重慶市沙坪壩區沙正街174號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。