一种基于在线学习的边云协同k均值聚类的模型优化方法

摘要

本发明公开了一种基于在线学习的边云协同k均值聚类的模型优化方法，属于边缘计算/机器学习技术领域。提出了一种新的“Learning to Learn”的框架，用于在具有资源约束的边缘服务器上进行有效的边云协同K‑means学习。各个边缘服务器同时从云服务器读取当前时刻的全局聚类簇中心至本地服务器，从本地数据集中随机抽取一个小批量数据并在此批上进行K‑means的迭代训练，随后将局部聚类簇中心上传至云服务器完成全局参数的更新。将云服务器的协同策略的动态确定建模为在线优化问题，并设计了基于预算受限的固定资源消耗的MAB模型的在线学习算法。同时支持同步的学习模式，可用于非监督学习任务。有效地利用边缘处有限的计算和通信资源以获取最佳的分布式K‑means聚类算法性能。