本发明专利技术提供了一种联邦学习处理方法及装置，其中，该方法包括：获取多个参与方基于秘密分享的方式发送的预定数量的数据；基于该预定数量的数据，通过优化算法对非线性支持向量机SVM进行训练，得到训练好的目标SVM；将该目标SVM发送给该多个参与方，以使该多个参与方根据该目标SVM对目标数据进行分类，可以解决相关技术中数据在不出域的情况下，无法发挥数据的价值，而使用第三方模型时，自身业务数据也会有泄露的可能性的问题，基于SVM的混合算法的联邦学习，可以让数据不出域的情况下，进行逻辑推断，发挥数据价值。发挥数据价值。发挥数据价值。
【技术实现步骤摘要】
一种联邦学习处理方法及装置
[0001]本专利技术涉及数据处理领域，具体而言，涉及一种联邦学习处理方法及装置。
技术介绍
[0002]数据在不出域的情况下，无法发挥数据的价值。使用第三方模型时，自身业务数据也会有泄露的可能性。
[0003]针对相关技术中数据在不出域的情况下，无法发挥数据的价值，而使用第三方模型时，自身业务数据也会有泄露的可能性的问题，尚未提出解决方案。
技术实现思路
[0004]本专利技术实施例提供了一种联邦学习处理方法及装置，以至少解决相关技术中数据在不出域的情况下，无法发挥数据的价值，而使用第三方模型时，自身业务数据也会有泄露的可能性的问题。
[0005]根据本专利技术的一个实施例，提供了一种联邦学习处理方法，包括：
[0006]获取多个参与方基于秘密分享的方式发送的预定数量的数据；
[0007]基于所述预定数量的数据，通过优化算法对非线性支持向量机(Support Vector Machine，简称为SVM)进行训练，得到训练好的目标SVM；
[0008]将所述目标SVM发送给所述多个参与方，以使所述多个参与方根据所述目标SVM对目标数据进行分类。
[0009]可选地，基于所述预定数量的数据，通过优化算法对非线性支持向量机SVM进行训练，得到训练好的目标SVM包括：
[0010]将所述预定数量的数据作为粒子随机扩散到溶液空间，所述粒子对应所述非线性SVM的高斯核函数的最佳σ参数，其中，一个数据对应一个粒子；
[0011]通过循环迭代从所述粒子中确定目标最佳粒子的方式，对非线性支持向量机SVM进行训练，确定所述目标最佳粒子对应的所述高斯核函数的最佳σ参数对应的所述非线性SVM为所述目标SVM。
[0012]可选地，通过循环迭代从所述粒子中确定目标最佳粒子的方式，对非线性支持向量机SVM进行训练包括：
[0013]初始化粒子数N、交互率ir、合理率r、成熟度限制ml、每个粒子的经验ex；
[0014]计算每个粒子的适应度，根据所述每个粒子的适应度确定初始最佳粒子，更新初始最佳粒子的交互率ir，将所述初始最佳粒子的ex值加1；
[0015]重复以下步骤，对非线性支持向量机SVM进行训练，直到满足预设条件，得到所述目标最佳粒子：
[0016]将适应度等于或高于平均适应度的目标粒子的ex值减1，除所述目标粒子之外的其他粒子的ex值加1；
[0017]更新粒子的交互率ir；
[0018]更新除最佳粒子之外的粒子的位置；
[0019]计算适应度，使用随机值更新所述最佳粒子的交互率ir并将所述最佳粒子的ex值加1；
[0020]更新ex值等于或低于成熟度限制ml的粒子，计算适应度并更新所述最佳粒子的交互率ir并将所述最佳粒子的ex值加1；
[0021]更新ex值低于0的粒子的交互率ir和粒子的位置，更新ex值等于或大于0的粒子的交互率ir，并重复r次；
[0022]更新所有粒子的交互率ir，计算适应度，更新所述最佳粒子的交互率ir，将所述最佳粒子的ex值加1。
[0023]可选地，获取多个参与方基于秘密分享的方式发送的预定数量的数据包括：
[0024]重复执行以下步骤，得到所述预定数量的数据：
[0025]基于所述秘密分享的方式将第一目标数据拆分多个第一数据分片；
[0026]将所述多个第一数据分片发送给所述多个参与方，其中，一个参与方对应一个第一数据分片；
[0027]获取所述多个参与方发送的多个第二数据分片，其中，一个参与方对应一个第二数据分片；
[0028]对所述第一数据分片与所述多个第二数据分片进行聚合，得到所述数据，其中，所述多个参与方分别根据第一数据分片与多个第二数据分片进行融合，得到所述数据。
[0029]可选地，在基于所述多个参与方的数据，通过优化算法对非线性支持向量机SVM进行训练，得到训练好的目标SVM之后，所述方法还包括：
[0030]获取所述目标数据；
[0031]基于所述目标SVM对所述目标数据进行分类，得到所述目标数据的分类结果。
[0032]根据本专利技术的另一个实施例，还提供了一种联邦学习处理装置，包括：
[0033]第一获取模块，用于获取多个参与方基于秘密分享的方式发送的预定数量的数据；
[0034]训练模块，用于基于所述预定数量的数据，通过优化算法对非线性支持向量机SVM进行训练，得到训练好的目标SVM；
[0035]发送模块，用于将所述目标SVM发送给所述多个参与方，以使所述多个参与方根据所述目标SVM对目标数据进行分类。
[0036]可选地，所述训练模块包括：
[0037]扩散子模块，用于将所述预定数量的数据作为粒子随机扩散到溶液空间，所述粒子对应所述非线性SVM的高斯核函数的最佳σ参数，其中，一个数据对应一个粒子；
[0038]确定子模块，用于通过循环迭代从所述粒子中确定目标最佳粒子的方式，对非线性支持向量机SVM进行训练，确定所述目标最佳粒子对应的所述高斯核函数的最佳σ参数对应的所述非线性SVM为所述目标SVM。
[0039]可选地，所述确定子模块，还用于：
[0040]初始化粒子数N、交互率ir、合理率r、成熟度限制ml、每个粒子的经验ex；
[0041]计算每个粒子的适应度，根据所述每个粒子的适应度确定初始最佳粒子，更新初始最佳粒子的交互率ir，将所述初始最佳粒子的ex值加1；
[0042]重复以下步骤，对非线性支持向量机SVM进行训练，直到满足预设条件，得到所述目标最佳粒子：
[0043]将适应度等于或高于平均适应度的目标粒子的ex值减1，除所述目标粒子之外的其他粒子的ex值加1；
[0044]更新粒子的交互率ir；
[0045]更新除最佳粒子之外的粒子的位置；
[0046]计算适应度，使用随机值更新所述最佳粒子的交互率ir并将所述最佳粒子的ex值加1；
[0047]更新ex值等于或低于成熟度限制ml的粒子，计算适应度并更新所述最佳粒子的交互率ir并将所述最佳粒子的ex值加1；
[0048]更新ex值低于0的粒子的交互率ir和粒子的位置，更新ex值等于或大于0的粒子的交互率ir，并重复r次；
[0049]更新所有粒子的交互率ir，计算适应度，更新所述最佳粒子的交互率ir，将所述最佳粒子的ex值加1。
[0050]可选地，所述第一获取模块，还用于：
[0051]重复执行以下步骤，得到所述预定数量的数据：
[0052]基于所述秘密分享的方式将第一目标数据拆分多个第一数据分片；
[0053]将所述多个第一数据分片发送给所述多个参与方，其中，一个参与方对应一个第一数据分片；
[0054]获取所述多个参与方发送的多个第二数据分片，其中，一个参与方对应一个第二数据分片；
[0055]对所述第一数本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种联邦学习处理方法，其特征在于，包括：获取多个参与方基于秘密分享的方式发送的预定数量的数据；基于所述预定数量的数据，通过优化算法对非线性支持向量机SVM进行训练，得到训练好的目标SVM；将所述目标SVM发送给所述多个参与方，以使所述多个参与方根据所述目标SVM对目标数据进行分类。2.根据权利要求1所述的方法，其特征在于，基于所述预定数量的数据，通过优化算法对非线性支持向量机SVM进行训练，得到训练好的目标SVM包括：将所述预定数量的数据作为粒子随机扩散到溶液空间，所述粒子对应所述非线性SVM的高斯核函数的最佳σ参数，其中，一个数据对应一个粒子；通过循环迭代从所述粒子中确定目标最佳粒子的方式，对非线性支持向量机SVM进行训练，确定所述目标最佳粒子对应的所述高斯核函数的最佳σ参数对应的所述非线性SVM为所述目标SVM。3.根据权利要求2所述的方法，其特征在于，通过循环迭代从所述粒子中确定目标最佳粒子的方式，对非线性支持向量机SVM进行训练包括：初始化粒子数N、交互率ir、合理率r、成熟度限制ml、每个粒子的经验ex；计算每个粒子的适应度，根据所述每个粒子的适应度确定初始最佳粒子，更新初始最佳粒子的交互率ir，将所述初始最佳粒子的ex值加1；重复以下步骤，对非线性支持向量机SVM进行训练，直到满足预设条件，得到所述目标最佳粒子：将适应度等于或高于平均适应度的目标粒子的ex值减1，除所述目标粒子之外的其他粒子的ex值加1；更新粒子的交互率ir；更新除最佳粒子之外的粒子的位置；计算适应度，使用随机值更新所述最佳粒子的交互率ir并将所述最佳粒子的ex值加1；更新ex值等于或低于成熟度限制ml的粒子，计算适应度并更新所述最佳粒子的交互率ir并将所述最佳粒子的ex值加1；更新ex值低于0的粒子的交互率ir和粒子的位置，更新ex值等于或大于0的粒子的交互率ir，并重复r次；更新所有粒子的交互率ir，计算适应度，更新所述最佳粒子的交互率ir，将所述最佳粒子的ex值加1。4.根据权利要求1所述的方法，其特征在于，获取多个参与方基于秘密分享的方式发送的预定数量的数据包括：重复执行以下步骤，得到所述预定数量的数据：基于所述秘密分享的方式将第一目标数据拆分多个第一数据分片；将所述多个第一数据分片发送给所述多个参与方，其中，一个参与方对应一个第一数据分片；获取所述多个参与方发送的多个第二数据分片，其中，一个参与方对应一个第二数据分片；
对所述第一数据分片与所述多个第二数据分片进行聚合，得到所述数据，其中，所述多个参与方分别根据第一数据分片与多个第二数据分片进行融合，得到所述数据。5.根据...
【专利技术属性】
技术研发人员：王义文，王鹏，贾雪丽，李钰，王灵芝，田江，向小佳，丁永建，李璠，
申请(专利权)人：光大科技有限公司，
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。