【技术实现步骤摘要】
本专利技术涉及一种用于通过客户端服务器系统的客户端利用基于人工智能的用于运行技术设备的模型来运行技术设备的计算机实现的方法和系统，所述客户端服务器系统具有提供基于联邦学习的全局模型的服务器和至少两个客户端，其中每个客户端均具有处理器和存储器，并且每个客户端存储用于运行所连接的技术设备的客户端模型。本专利技术此外涉及一种计算机程序产品。
技术介绍
1、机器学习(简称“ml”)在诸如质量检验或异常的识别之类的工业应用中广为流行，尤其是在通过电光光学传感器或图像传感器的视觉质量检验的情况下。
2、在工业环境中存在以下场景，即其中多个生产场所可能需要相同的ml应用程序，例如在识别类似产品的异常的情况下。
3、在此，根据来自不同的生产设施或检查设施的多个产品的所收集的数据训练单个模型可以总计地导致改善的ml模型。
4、然而，由于数据保护思考或数据量，数据的转交可能是不可能的。因此，可以使用所谓的“联邦学习”(英语：“federated learning”，简称fl)，以便聚合多个客户端之间的知识，并且在所述客户端之间训练模型，而不交换数据。
5、客户之间的数据分布可能不同，也即在每个生产线处收集的数据可能是不同的。
6、因此，每个客户端可能包含不相同并且独立地(非iid)分布的数据。
7、经聚合的fl模型可能不能随后有利地使所有客户端得益。
8、因此，当一些客户端使用其自身数据时，这些客户端可以更好地学习。
9、在现有技术中应用基于队列的联邦学
10、在现有技术中还应用个性化联邦学习，所述个性化联邦学习使得每个客户端能够使用个性化模型而不是公共全局模型。客户端可以从全球模型中获益，并且同时存在维持自身模型并且将通信保持得少或降低通信的可能性。
技术实现思路
1、因此，本专利技术的任务是提供一种解决方案，通过所述解决方案在联邦学习的情境中改善个人学习，并且每个客户端都从fl和知识交换中得益。
2、通过开头提到的类型的方法来解决该任务，其中执行以下步骤：
3、a)通过服务器向至少一个客户端提供基于联邦学习的全局模型，
4、b)通过至少一个客户端检验在存储器中是否存储有未由全局模型包括的至少一个敏感模型参数，并且如果是，则将所提供的全局模型与至少一个敏感模型参数进行聚合并且更新为客户端模型，而如果否，则利用所提供的全局模型更新客户端模型，
5、c)提供至少一个参考数据集用于运行技术设备，
6、d)借助于至少一个参考数据集计算客户端模型的第一精度，
7、e)确定客户端模型的模型参数的梯度，并且确定客户端模型的模型参数的至少一个所选定的梯度，所述所选定的梯度位于预定义的取值范围之外，
8、f)从客户端模型中移除属于至少一个所选定的梯度的至少一个模型参数，
9、g)借助于至少一个参考数据集计算来自前一步骤的客户端模型的第二精度，
10、h)检查第二精度是否处于第一精度以下，如果是，则将属于至少一个所选定的梯度的至少一个模型参数规定为至少一个敏感参数并将模型参数存储在存储器中，并且将客户端模型提供给服务器，
11、i)通过服务器借助于所提供的客户端模型更新全局模型，
12、j)通过客户端利用客户端模型和来自存储器的至少一个敏感参数来运行技术设备。
13、由此可能的是，在客户端处在本地考虑单独的模型参数，而全局模型不将这些模型参数提供给其他客户端。
14、每个客户端都可以从选择性知识中继中得益。换句话说，不再发生消极的知识转移。
15、此外，根据本专利技术的方案是更节能的，因为仅将不灵敏的参数发送给服务器，而不是发送所有参数，由此节省通信成本。
16、由于特定于本地数据分布的参数不被返回给服务器，因此增强隐私的维护。
17、所提出的算法对于诸如分类、回归等之类的不同的学习场景起作用。
18、在本专利技术的一种改进方案中规定，第二精度被存储在各自客户端的存储器中。
19、由此可能的是，在方法步骤的多个遍历上跟踪第一和第二精度的变化过程，并且从中推断出模型参数的组合。
20、在本专利技术的一种改进方案中规定，预定义的取值范围至少由所述方法的多个遍历中的多个梯度的正态分布规定。
21、由此可能的是，在方法步骤的多个遍历上跟踪第一和第二精度的变化过程并且动态地对变化做出反应。
22、根据本专利技术的任务还通过一种用于通过客户端服务器系统的客户端利用基于人工智能的模型运行技术设备的客户端服务器系统来解决，所述客户端服务器系统具有提供基于联邦学习的全局模型的服务器以及至少两个客户端，其中每个客户端具有处理器和存储器，并且每个客户端存储用于运行所连接的技术设备的客户端模型，所述客户端模型具有敏感模型参数和非敏感模型参数，其中所述系统被设立用于执行根据本专利技术的方法。
23、本专利技术的任务还通过计算机程序产品解决，所述计算机程序产品具有其中存储的机器可读指令，当由客户端服务器系统执行所述机器可读指令时，所述机器可读指令促使所述客户端服务器系统执行根据本专利技术的方法，其中客户端服务器系统包括服务器和至少两个客户端，并且其中每个客户端具有处理器和存储器。
本文档来自技高网...【技术保护点】
1.一种用于通过客户端服务器系统的客户端(C1-C3)利用基于人工智能的模型运行技术设备(TD1)的计算机实现的方法，所述客户端服务器系统具有提供基于联邦学习的用于运行所述技术设备(TD1)的全局模型的服务器(S)以及至少两个客户端(C1-C3)，其中每个客户端(C1-C3)具有处理器和存储器(MEM)，并且每个客户端(C1-C3)存储用于运行所连接的技术设备(TD1)的客户端模型(CM1-CM3)，并且执行以下步骤：
2.根据前一权利要求所述的方法，其中所述第二精度被存储在各自客户端(C1-C3)的存储器(MEM)中。
3.根据前述权利要求中任一项所述的方法，其中所述预定义的取值范围至少由所述方法的多个遍历中的多个梯度的正态分布规定。
4.一种用于通过客户端服务器系统的客户端(C1-C3)利用基于人工智能的模型运行技术设备(TD1)的客户端服务器系统，所述客户端服务器系统具有提供基于联邦学习的全局模型的服务器(S)以及至少两个客户端(C1-C3)，其中每个客户端(C1-C3)具有处理器和存储器(MEM)，并且每个客户端(C1-C3)存储用于运
5.一种计算机程序产品，具有其中存储的机器可读指令，当由客户端服务器系统执行所述机器可读指令时，所述机器可读指令促使所述客户端服务器系统执行根据权利要求1至3中任一项所述的方法，其中所述客户端服务器系统包括服务器(S)和至少两个客户端(C1-C3)，并且其中每个客户端具有处理器和存储器(MEM)。
...【技术特征摘要】
1.一种用于通过客户端服务器系统的客户端(c1-c3)利用基于人工智能的模型运行技术设备(td1)的计算机实现的方法，所述客户端服务器系统具有提供基于联邦学习的用于运行所述技术设备(td1)的全局模型的服务器(s)以及至少两个客户端(c1-c3)，其中每个客户端(c1-c3)具有处理器和存储器(mem)，并且每个客户端(c1-c3)存储用于运行所连接的技术设备(td1)的客户端模型(cm1-cm3)，并且执行以下步骤：
2.根据前一权利要求所述的方法，其中所述第二精度被存储在各自客户端(c1-c3)的存储器(mem)中。
3.根据前述权利要求中任一项所述的方法，其中所述预定义的取值范围至少由所述方法的多个遍历中的多个梯度的正态分布规定。
4.一种用于通过客户端服务器系统的客户端(c1-c3)利用基于人工...
【专利技术属性】
技术研发人员：S·雷扎普尔拉卡尼，T·布卢莫尔希塞尔，J·埃德尔，D·沙尔，
申请(专利权)人：西门子股份公司，
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。