【技术实现步骤摘要】
联邦学习模型训练方法、装置、终端设备及存储介质
本申请涉及人工智能
，尤其涉及一种联邦学习模型训练方法、装置、终端设备及存储介质。
技术介绍
随着人工智能的发展，人们为解决数据孤岛的问题，提出了“联邦学习”的概念，使得处于联邦状态下的参与设备在不用给出己方数据的情况下，也可协作进行联邦学习模型的训练，并且可以避免数据隐私泄露的问题。现有的联邦学习模型训练过程中，有的参与设备可能会恶意攻击联邦学习模型，例如，用虚假的参数参与到联邦学习模型的训练过程中，从而导致联邦学习模型不收敛无法完成模型训练任务，或最终输出的联邦学习模型准确性低下，进而降低了联邦学习模型的训练效率。
技术实现思路
有鉴于此，本申请实施例提供了一种联邦学习模型训练方法、装置、终端设备及存储介质，以解决现有技术的联邦学习模型训练过程中，由于参与设备可能会根据虚假的参数恶意攻击联邦学习模型，所导致的联邦学习模型训练效率低下的问题。本申请实施例的第一方面提供了一种联邦学习模型训练方法，包括：将联邦学习模型的初始模型参...
【技术保护点】
1.一种联邦学习模型训练方法，其特征在于，包括：/n将联邦学习模型的初始模型参数存储至区块链，并分别指示不同参与设备根据所述区块链中的所述初始模型参数进行本地模型训练，得到模型更新参数；/n分别获取不同所述参与设备中的所述模型更新参数，并对所述模型更新参数进行参数检测，所述参数检测用于检测所述模型更新参数是否是虚假参数；/n若所述模型更新参数的参数检测合格，则将所述模型更新参数存储至所述区块链；/n根据所述区块链中的所述模型更新参数对所述联邦学习模型进行模型训练，直至模型训练后的所述联邦学习模型收敛。/n
【技术特征摘要】
1.一种联邦学习模型训练方法，其特征在于，包括：
将联邦学习模型的初始模型参数存储至区块链，并分别指示不同参与设备根据所述区块链中的所述初始模型参数进行本地模型训练，得到模型更新参数；
分别获取不同所述参与设备中的所述模型更新参数，并对所述模型更新参数进行参数检测，所述参数检测用于检测所述模型更新参数是否是虚假参数；
若所述模型更新参数的参数检测合格，则将所述模型更新参数存储至所述区块链；
根据所述区块链中的所述模型更新参数对所述联邦学习模型进行模型训练，直至模型训练后的所述联邦学习模型收敛。
2.根据权利要求1所述的联邦学习模型训练方法，其特征在于，所述根据所述区块链中的所述模型更新参数对所述联邦学习模型进行模型训练，包括：
获取所述区块链中的所述模型更新参数，并对获取到的所述模型更新参数进行参数聚合，得到模型聚合参数，所述参数聚合用于将所述区块链中的不同所述模型更新参数聚合为一个模型参数；
将所述模型聚合参数存储至所述区块链中，并根据所述区块链中的所述模型聚合参数对所述联邦学习模型中的模型参数进行参数更新；
若所述联邦学习模型中的模型参数更新后与更新前之间的模型参数差值小于差值阈值，则判定参数更新后的所述联邦学习模型收敛。
3.根据权利要求2所述的联邦学习模型训练方法，其特征在于，所述根据所述区块链中的所述模型更新参数对所述联邦学习模型进行模型训练，还包括：
若所述联邦学习模型中的模型参数更新后与更新前之间的模型参数差值大于或等于所述差值阈值，则判定参数更新后的所述联邦学习模型未收敛；
根据所述模型聚合参数对所述区块链中的所述初始模型参数进行参数更新，并删除所述区块链中的所述模型更新参数。
4.根据权利要求2所述的联邦学习模型训练方法，其特征在于，所述对获取到的所述模型更新参数进行参数聚合所采用的计算公式为：
C＝(A1*B1+A2*B2+A3*B3……+An*Bn)/n
其中，An是第n个所述参与设备在所述区块链中对应的所述模型更新参数，Bn是第n个所述参与设备对应的参数加权系数，n是所述区块链中所述模型更新参数的总个数值，C是所述模型聚合参数。
5.根据权利要求1所述的联邦学习模型训练方法，其特征在于，所述对所述模型更新参数进行参数检测之前，还包括：
获取所述参与设备的历史网...
【专利技术属性】
技术研发人员：孔令炜，王健宗，黄章成，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
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。