摘要
随着物联网和边缘设备的广泛使用，处理数据的中心将由云中心转移到边缘网络，催生了“联邦学习”的方法，在边缘网络中使用联邦学习分布式训练人工智能模型已成为边缘智能领域中的研究热点与主要研究方向。目前联邦学习方法在边缘网络中的研究及应用取得了诸多成果，但仍存在如下问题：一是边缘设备异构导致联邦学习模型准确率低下的问题；二是边缘设备本地数据异构性导致联邦学习训练效率低下的问题。本文针对上述该问题进行深入研究，研究成果如下： 针对边缘异构设备参与联邦学习时训练模型准确率低的问题，引入集成知识蒸馏方法，设计了基于集成蒸馏的联邦学习智能协作方法FedEKD。首先，分析了边缘网络资源受限环境下异构设备对联邦学习的影响，构建了新的联邦学习架构；其次，设计了分组的本地训练模式，通过集成知识蒸馏方法进行本地数据的特征迁移，在完成本地集成蒸馏训练之后，再由服务器进行联邦聚合；最后，在全局模型准确率和收敛所需的时间上对比其他基线模型，验证智能协作方法FedEKD的有效性。 针对各边缘设备分组中存在的数据异构问题导致基于集成蒸馏的联邦学习智能协作方法FedEKD训练效率低的问题，设计了基于深度强化学习的智能协作分组设备选择算法DRL-FedGDS。首先，通过对FedEKD中的设备分组与训练情况进行建模分析，设计解决数据异构导致分组训练时间差异过大的优化模型；其次，结合深度强化学习模型，设计深度强化学习代理的分组策略；最后，在分组训练时间最大值与最小值之差和训练时间上对比其他基线模型，验证分组设备选择算法DRL-FedGDS的有效性。 根据背景项目的实际需要，设计并实现了基于联邦学习的边缘智能协作算法的应用可视化系统。将基于集成蒸馏的联邦学习智能协作方法与基于深度强化学习的智能协作分组设备选择方法应用于智能制造中，构建了一套边缘智能协作系统，为提高工业制造智能水平提供了具体的方案。
NETL