【技术实现步骤摘要】
一种基于联邦学习的神经网络训练方法及设备
[0001]本申请涉及联邦学习领域,尤其涉及一种基于联邦学习的神经网络训练方法及设备。
技术介绍
[0002]近年来,神经网络在计算机视觉领域(如,目标检测、图片分类、语义分割等应用场景)中被广泛应用,而优质数据对于神经网络的训练具有不可替代的重要作用,因此不同厂商对于数据的保护愈加重视,从而容易形成数据孤岛问题,即优质数据在不同厂商之间不进行流通。基于此,联邦学习(federated learning,FL)应运而生。联邦学习又称为联邦机器学习、联合学习、联盟学习等,其能有效帮助多个客户端设备在满足用户隐私保护、数据安全和政府法规的要求下,进行数据使用和机器学习建模。也就是联邦学习能够在不同客户端之间不共享数据的前提下,利用各个客户端上各自的数据共同训练神经网络,保护用户数据隐私的同时提高神经网络的性能。
[0003]业界目前已有多种基于联邦学习的神经网络训练方法,例如,一种联邦学习方法称为联邦平均(federated averaging,FedAvg),FedAvg结构上一般包括一个服务器(server)和一些客户端(client),适用于各个客户端的数据都有标签的场景。具体如图1所示,其技术流程主要包括网络参数下发和网络参数聚合过程,在网络参数下发过程,客户端从服务器下载神经网络的网络参数,在本地数据上训练,训练到一定程度后上传更新后的网络参数到服务器;网络参数聚合过程,服务器会收集各个客户端上传的网络参数,并进行网络参数融合,这两个过程会反复迭代直至神经网络收 ...
【技术保护点】
【技术特征摘要】
1.一种基于联邦学习的神经网络训练方法,其特征在于,包括:第一设备根据第一损失函数以及第二损失函数得到目标损失函数,所述第一损失函数用于表征对输入神经网络的有标签数据预测错误的概率,所述第二损失函数用于表征对输入所述神经网络的无标签数据进行预测得到的预测结果不属于预设分类类别的概率;所述第一设备利用所述目标损失函数,采用所述第一设备上的第一训练集对所述第一设备上的目标神经网络进行训练,并将所述第一设备上的目标神经网络当前的权重矩阵更新为第一权重矩阵,其中,所述第一训练集包括第一有标签数据以及第一无标签数据;所述第一设备将所述第一权重矩阵向服务设备发送;所述第一设备接收由所述服务设备发送的整合权重矩阵,所述整合权重矩阵由所述服务设备对所述第一权重矩阵以及第二权重矩阵整合得到,所述第二权重矩阵为第二设备利用所述目标损失函数,采用所述第二设备上的第二训练集对所述第二设备上的目标神经网络进行训练得到的权重矩阵的取值,其中,所述第二训练集包括第二有标签数据以及第二无标签数据,所述第一设备上的目标神经网络与所述第二设备上的目标神经网络的网络结构相同。2.根据权利要求1所述的方法,其特征在于,所述第一损失函数包括第一子损失函数以及第二子损失函数;所述第一子损失函数用于表征对输入所述神经网络的有标签数据进行预测,得到的预测结果不属于所述有标签数据对应的分类类别的概率;所述第二子损失函数用于表征对输入所述神经网络的有标签数据进行预测,得到的预测结果不属于所述预设分类类别的概率。3.根据权利要求2所述的方法,其特征在于,所述第一损失函数为所述第一子损失函数与所述第二子损失函数之间的差。4.根据权利要求1
‑
3中任一项所述的方法,其特征在于,所述第一设备根据第一损失函数以及第二损失函数得到目标损失函数包括:所述第一设备将所述第一损失函数与所述第二损失函数相加,得到所述目标损失函数。5.根据权利要求1
‑
3中任一项所述的方法,其特征在于,所述第一设备根据第一损失函数以及第二损失函数得到目标损失函数包括:所述第一设备根据第一损失函数、第二损失函数以及第三损失函数得到目标损失函数,所述第三损失函数用于表征对输入所述神经网络的目标有标签数据进行预测得到的预测结果不属于目标预设分类类别的概率,所述目标有标签数据属于所述第一设备上的第一有标签数据且不属于所述第二设备上的第二有标签数据,所述目标预设分类类别为在所述第二设备上预设的分类类别。6.根据权利要求5所述的方法,其特征在于,所述第一设备根据第一损失函数、第二损失函数以及第三损失函数得到目标损失函数包括:所述第一设备将所述第一损失函数与所述第二损失函数相加,得到相加结果;所述第一设备将所述相加结果与所述第三损失函数相减,得到所述目标损失函数。7.根据权利要求1
‑
6中任一项所述的方法,其特征在于,在所述第一设备接收由所述服务设备发送的整合权重矩阵之后,所述方法还包括:
所述第一设备将所述整合权重矩阵作为所述第一设备上的目标神经网络当前的权重矩阵,并再次执行:利用所述目标损失函数,采用所述第一设备上的第一训练集对所述第一设备上的目标神经网络进行训练、将所述第一权重矩阵向所述服务设备发送、接收由所述服务设备发送的整合权重矩阵的步骤;所述第一设备重复执行上一步骤,直至达到训练终止条件。8.根据权利要求1
‑
7中任一项所述的方法,其特征在于,所述达到训练终止条件包括:整合权重矩阵的更新次数达到预设次数,或,相邻两次得到的整合权重矩阵之间的差值小于预设阈值。9.一种基于联邦学习的神经网络训练方法,其特征在于,包括:服务设备接收第一设备发送的第一权重矩阵以及第二设备发送的第二权重矩阵,所述第一权重矩阵为所述第一设备利用目标损失函数,采用所述第一设备上的第一训练集对所述第一设备上的目标神经网络进行训练得到的权重矩阵,所述第二权重矩阵为所述第二设备利用所述目标损失函数,采用所述第二设备上的第二训练集对所述第二设备上的目标神经网络进行训练得到的权重矩阵,所述第一设备上的目标神经网络与所述第二设备上的目标神经网络的网络结构相同,所述目标神经网络根据第一损失函数以及第二损失函数得到,所述第一损失函数用于表征对输入神经网络的有标签数据预测错误的概率,所述第二损失函数用于表征对输入所述神经网络的无标签数据进行预测得到的预测结果不属于预设分类类别的概率,所述第一训练集包括第一有标签数据以及第一无标签数据,所述第二训练集包括第二有标签数据以及第二无标签数据;所述服务设备根据所述第一权重矩阵以及所述第二权重矩阵得到整合权重矩阵;所述服务设备将所述整合权重矩阵向所述第一设备发送,以使得所述第一设备将所述整合权重矩阵作为所述第一设备上的目标神经网络当前的权重矩阵。10.根据权利要求9所述的方法,其特征在于,在所述服务设备将所述整合权重矩阵向所述第一设备发送之后,所述方法还包括:所述服务设备重复执行上述步骤,直至达到训练终止条件。11.一种数据处理方法,其特征在于,包括:获取与目标任务相关的输入数据;通过训练后的目标神经网络对所述输入数据进行处理,得到输出数据,其中,所述训练后的目标神经网络的权重矩阵由权利要求1
‑
10中任一项所述的方法得到的整合权重矩阵。12.根据权利要求11所述的方法,其特征在于,所述输入数据包括如下任意一项:图像数据、音频数据或文本数据。13.一种训练设备,其特征在于,所述训练设备作为第一设备,包括:获取模块,用于根据第一损失函数以及第二损失函数得到目标损失函数,所述第一损失...
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。