本发明专利技术公开了基于收益公平的电力图像处理方法及系统，该方法包括：服务器端进行联邦学习任务，根据任务选择相应图像处理模型，并初始化模型全局参数分发给各参与方；各数据提供参与方利用本地的电力巡检图像数据进行模型训练，并将模型参数更新值加密上传至服务器端；服务器端聚合模型参数更新值，得到更新后的全局模型；计算各数据提供参与方的成本代价和贡献度，得到各参与方当前时间期望损失；计算各数据提供参与方的收益值并更新收益累加值，得到各数据提供参与方从本轮预算中分得的收益；循环执行，直至全局模型达到收敛，完成联邦学习训练。本发明专利技术提升了联邦学习的效果，并保证了基于收益的联邦学习系统的公平性。
【技术实现步骤摘要】
本专利技术属于人工智能领域，具体涉及基于收益公平的电力图像处理方法及系统。
技术介绍
1、在传统的联邦学习过程中，一般采用基于fedavg方法的模型聚合，在这种方式下，分发给各个参与方的是一个具有相同性能的全局模型而没有考虑到不同参与方之间提供数据的贡献差异。然而在实际的应用尤其是电力图像处理应用中，由于参与联邦学习的参与方会存在成本消耗、竞争等原因，不同的电力公司、第三方机构等参与方提供的电力巡检图像数据数量、质量、成本代价等是不同的，对于最终图像处理模型训练结果的贡献也是不同的；同时也会出现数据提供参与方拥有一定数量和质量的电力巡检图像数据，但不需要获得图像处理模型的情况。
技术实现思路
1、本专利技术所要解决的技术问题：提供基于收益公平的电力图像处理方法及系统，通过相关理论分析参与构建模型的参与方的成本投入、模型质量、期望损失的参数，构建一套公平合理的机制，给与参与方相应的回报，在面向电力图像处理的联邦学习中让更多的参与方愿意加入联邦机制中，进一步提升了联邦学习的效果，保证了基于收益的联邦学习系统的公平性。
2、本专利技术为解决以上技术问题而采用以下技术方案：
3、本专利技术提出的基于收益公平的电力图像处理方法，包括以下步骤：
4、s1、服务器端发起联邦学习任务或接受参与方发出的联邦学习请求开始联邦学习任务，服务器端初始化收益累加值、各数据提供参与方的时间期望损失以及根据任务选择相应图像处理模型，初始化模型全局参数分发给各参与方。
<
p>5、s2、各数据提供参与方利用本地的电力巡检图像数据进行模型训练，并将模型参数更新值加密上传至服务器端。6、s3、服务器端聚合各数据提供参与方上传的模型参数更新值，得到更新后的全局模型。
7、s4、根据各数据提供参与方提供的数据计算各数据提供参与方的成本代价和贡献度，计算各参与方当前时间期望损失。
8、s5、计算各数据提供参与方的收益值并更新收益累加值，计算各数据提供参与方在本轮训练中从数据需求方提供的本轮预算中分得的收益。
9、s6、计算各数据提供参与方下一轮起始的时间期望损失，服务器端将更新后的全局模型参数分发给各个数据提供参与方，进行下一轮次的训练。
10、s7、循环执行步骤s2-s6，直至全局模型达到收敛或达到最大通信轮次，联邦学习训练完成。
11、s8、基于步骤s7中联邦学习训练后的全局模型，进行电力图像处理。
12、进一步的，步骤s1中，各数据提供参与方的时间期望损失计算公式如下：
13、
14、其中，表示赋值符号，max表示在两个值中取最大值，qi(t)表示第i个数据提供参与方在第t通信轮次的时间期望损失，qi(t+1)表示第i个数据提供参与方在第t+1通信轮次的时间期望损失，k表示每个通信轮次时间期望损失的增长率，ci(t)表示第i个数据提供参与方将数据贡献给联邦机制需要的代价，mi(t)表示第i个数据提供参与方在第t轮通信轮次中所花费的通信代价，ui(t)表示第i个数据提供参与方在第t通信轮次获得的收益回报。
15、ci(t)的计算公式如下：
16、ci＝γdi+(1-γ)si
17、其中，di表示第i个数据提供参与方本地电力巡检图像数据集的大小，si表示第i个数据提供参与方拥有的电力巡检图像场景数，γ、ω均表示加权系数。
18、进一步的，步骤s4中，计算各数据提供参与方成本代价和贡献度须保证的公平标准分为三种：
19、(1)贡献公平性：第i个数据提供参与方的收益回报与其对联邦机制的贡献正相关；为满足贡献公平性，对目标函数做如下定义：
20、
21、其中，u表示贡献公平性目标函数，t表示总通信轮次，n表示数据提供参与方的总数，s(qi(t))表示收益贡献度相关函数，qi(t)表示第i个数据提供参与方在第t通信轮次提供的贡献。
22、其中，收益贡献度相关函数能设定为线性函数形式，也能设定为指数函数形式，分别为：
23、a.线性函数的形式为：
24、
25、b.指数函数的形式为：
26、
27、其中，θ、均表示调节参数。
28、(2)期望损失分配公平性：数据提供参与方之间的时间期望时间损失为0。
29、为满足期望损失分配公平性，在目标函数中加入期望损失分配目标函数，具体公式为：
30、
31、其中，l(t)为期望损失分配目标函数。
32、(3)期望公平性：减少数据提供参与方的期望损失和时间期望损失随时间推移而产生的波动。
33、为满足期望公平，在考虑期望损失分配公平的基础上做修改得到目标函数：
34、
35、其中，δ表示修改后的目标函数。
36、结合三种公平标准，得到目标函数如下：
37、f＝ωu+δ。δ
38、进一步的，为确保公平需综合考虑三个公平标准得到的目标函数，并通过优化方法求得极小值，目标函数计算式展开如下式所示：
39、
40、并遵循优化条件：
41、
42、
43、
44、其中，表示该约束条件对任一通信轮次和任一数据提供参与方均成立，b(t)表示数据需求方提供的预算，表示第i个数据提供参与方在第t轮获得的实际收益。
45、进一步的，还需计算各数据提供参与方的贡献和成本与各数据提供参与方的奖励(即数据提供参与方最终获得的经济收益)之间的相关性量化联邦协作的公平性，具体公式为：
46、
47、其中，分别表示qi(t)、ui(t)的标准差，cov(qi(t),ui(t))表示qi(t),ui(t)的协方差。协方差表示的是两个变量的总体误差。当两个变量变化趋势一致时，协方差为正值。当两个变量变化趋势相反时，协方差为负值。
48、进一步的，本专利技术还提出了基于收益公平的电力图像处理系统，包括：
49、通信模块，能够将客户端本地训练的模型参数更新值上传至服务器，以及将服务器的全局模型参数更新值传递给本地。
50、加密模块，能够在本地模型参数上传至服务器及服务器传递更新后的全局模型参数至本地的过程中，通过加密方式，对信息进行加密。
51、任务请求与接收模块，能够使得客户端向服务器端发出联邦学习任务的请求，或者在接收到服务器端发起的联邦任务时，选择是否加入本次训练。
52、任务发起模块，能够使服务器端主动或被动的发起一个联邦学习任务，并询问各客户端是否愿意参加。
53、本地训练模块，能够使各个客户端利用自己的本地电力巡检图像数据集进行分类模型或检测模型的训练。
54、聚合模块，能够在服务器端接收到的各数据提供参与方的模型参数更新值后，进行聚合，得到最新的全本文档来自技高网
...
【技术保护点】
1.基于收益公平的电力图像处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于收益公平的电力图像处理方法，其特征在于，步骤S1中，各数据提供参与方的时间期望损失计算公式如下：
3.根据权利要求1所述的基于收益公平的电力图像处理方法，其特征在于，步骤S4中，计算各数据提供参与方成本代价和贡献度须保证的公平标准分为三种：
4.根据权利要求3所述的基于收益公平的电力图像处理方法，其特征在于，目标函数计算式展开如下式所示：
5.根据权利要求1所述的基于收益公平的电力图像处理方法，其特征在于，还需计算各数据提供参与方的贡献和成本与各数据提供参与方的奖励之间的相关性量化联邦协作的公平性，具体公式为：
6.基于收益公平的电力图像处理系统，包括：
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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5中任一项所述方法的步骤。
8.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至5中任一项所述的方法。
...
【技术特征摘要】
1.基于收益公平的电力图像处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于收益公平的电力图像处理方法，其特征在于，步骤s1中，各数据提供参与方的时间期望损失计算公式如下：
3.根据权利要求1所述的基于收益公平的电力图像处理方法，其特征在于，步骤s4中，计算各数据提供参与方成本代价和贡献度须保证的公平标准分为三种：
4.根据权利要求3所述的基于收益公平的电力图像处理方法，其特征在于，目标函数计算式展开如下式所示：
5.根据权利要求1所述的基于收益公平的电力图像处理...
【专利技术属性】
技术研发人员：仲林林，吴奇，刘柯妤，陈洪洪，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。