1 |
1
클라우드 서버에 의해 구현되는 연합 학습 방법에 있어서,적어도 하나의 엣지 네트워크에서 수행되는 작업중에서, 상기 작업에 대한 훈련 데이터 획득 여부를 이용하여, 학습 작업을 결정하는 단계;상기 엣지 네트워크 중에서, 상기 학습 작업을 위한 연합 학습에 참여할 학습 엣지 네트워크를 결정하는 단계; 및상기 학습 엣지 네트워크로부터 학습 파라미터를 수신하는 단계를 포함하는 엣지 네트워크를 위한 연합 학습 방법
|
2 |
2
제 1항에 있어서,상기 학습 작업을 결정하는 단계는상기 엣지 네트워크의 가용 자원을 이용하여, 상기 학습 작업을 결정하는 엣지 네트워크를 위한 연합 학습 방법
|
3 |
3
제 1항에 있어서,상기 학습 작업을 결정하는 단계는상기 학습 작업 각각에 대한 상기 학습 엣지 네트워크의 평균 참여 개수가 공평하도록, 상기 학습 작업을 결정하는엣지 네트워크를 위한 연합 학습 방법
|
4 |
4
제 3항에 있어서,상기 학습 작업을 결정하는 단계는라운드 별로, 하기 수학식으로 표현되는 목적 함수를 이용하여, 상기 학습 작업을 결정하는 엣지 네트워크를 위한 연합 학습 방법
|
5 |
5
제 4항에 있어서,상기 학습 작업을 결정하는 단계는상기 작업별로 서로 다르게 할당되는 제1가중치 및 상기 작업별 최소 평균 참여 횟수에 할당되는 제2가중치를 이용하여, 상기 학습 작업을 결정하는엣지 네트워크를 위한 연합 학습 방법
|
6 |
6
제 1항에 있어서,상기 연합 학습을 위한 로컬 학습 모델을 상기 학습 엣지 네트워크로 전송하는 단계를 더 포함하며,상기 로컬 학습 모델은 강화 학습 모델인엣지 네트워크를 위한 연합 학습 방법
|
7 |
7
제 6항에 있어서,상기 강화 학습 모델은메타 학습 기반으로 생성되며, 상기 학습 작업별로 상기 학습 엣지 네트워크에 공통적으로 적용되는 정책 모델을 포함하는 엣지 네트워크를 위한 연합 학습 방법
|
8 |
8
제 7항에 있어서,상기 정책 모델은상기 학습 엣지 네트워크의 상태 또는 행동을 나타내는 제1값이 행에 대응되고 상기 상태 또는 행동을 나타내는 제2값이 열에 대응되는 격자 모델을 포함하며,상기 상태 또는 행동은상기 격자 모델에 포함된 적어도 하나의 격자에 대응되는엣지 네트워크를 위한 연합 학습 방법
|
9 |
9
클라우드 서버에 의해 구현되는 연합 학습 방법에 있어서,적어도 하나의 단말에서 수행되는 작업중에서, 상기 작업에 대한 훈련 데이터 획득 여부를 이용하여, 학습 작업을 결정하는 단계;상기 단말 중에서, 상기 학습 작업을 위한 연합 학습에 참여할 학습 단말을 결정하는 단계; 및상기 학습 단말로부터 학습 파라미터를 수신하는 단계를 포함하는 연합 학습 방법
|
10 |
10
제 9항에 있어서,상기 학습 작업을 결정하는 단계는상기 단말의 가용 자원을 이용하여, 상기 학습 작업을 결정하는 연합 학습 방법
|
11 |
11
제 9항에 있어서,상기 학습 작업을 결정하는 단계는상기 학습 작업 각각에 대한 상기 학습 단말의 평균 참여 개수가 공평하도록, 상기 학습 작업을 결정하는연합 학습 방법
|