基于横向联邦学习的模型训练方法及其设备技术

本申请提供一种基于横向联邦学习的模型训练方法及其设备，可应用于计算机领域、人工智能领域或者金融领域，应用于设备集群中的每个设备，对云服务器发送的加密初始模型进行解密，得到初始模型；获取历史样本数据集，利用历史样本数据集对初始模型进行训练，得到训练参数；对训练参数进行加密，得到加密训练数据，并将加密训练数据发送给云服务器，以使云服务器将各个设备的加密训练数据进行聚合，得到聚合加密数据，并利用聚合加密数据对加密初始模型进行训练，直至加密初始模型达到收敛，将得到的目标模型发送给各个设备；当接收到云服务器发送的目标模型时，利用目标模型进行数据预测。本发明专利技术，能够解决现有的模型训练方法存在数据泄露的问题。数据泄露的问题。数据泄露的问题。

【技术实现步骤摘要】
基于横向联邦学习的模型训练方法及其设备


[0001]本专利技术涉及人工智能
，更具体地说，涉及一种基于横向联邦学习的模型训练方法及其设备。

技术介绍

[0002]随着人工智能的发展，神经网络模型广泛应用于各个领域，包括语音识别、计算机视觉、医学医疗和智能博弈等。神经网络模型需要训练完成之后才能投入使用。
[0003]现有模型训练过程中，通常会将用户数据集中后再进行训练。但是这种方式容易造成数据泄露，在数据集中的过程中，也会存在数据泄密的风险，并且，在模型训练好后，模型本身会记住部分训练数据，从而导致发布模型也会造成训练数据泄露的风险。

技术实现思路

[0004]有鉴于此，本专利技术提供一种基于横向联邦学习的模型训练方法及其设备，以解决现有的模型训练方法存在数据泄露的问题。
[0005]本专利技术第一方面公开一种基于横向联邦学习的模型训练方法，应用于设备集群中的每个设备，所述方法包括：
[0006]当接收到云服务器发送的加密初始模型时，对所述加密初始模型进行解密，得到初始模型；其中，所述加密初始模型是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于横向联邦学习的模型训练方法，其特征在于，应用于设备集群中的每个设备，所述方法包括：当接收到云服务器发送的加密初始模型时，对所述加密初始模型进行解密，得到初始模型；其中，所述加密初始模型是所述云服务器对所述初始模型进行加密得到；获取历史样本数据集，并利用历史样本数据集对所述初始模型进行训练，得到训练参数；其中，每个所述设备的历史样本数据集中每个历史样本数据的维度相同；对所述训练参数进行加密，得到加密训练数据，并将所述加密训练数据发送给所述云服务器，以使所述云服务器将各个所述设备的所述加密训练数据进行聚合，得到聚合加密数据，并利用所述聚合加密数据对所述加密初始模型进行训练，直至所述加密初始模型达到收敛，将得到的目标模型发送给各个所述设备；当接收到所述云服务器发送的所述目标模型时，利用所述目标模型进行数据预测。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：初始化一对公私钥对；所述公私钥对包括目标公钥和目标私钥；将所述目标公钥上传给所述云服务器，并将所述目标私钥存储至本地数据库中。3.根据权利要求2所述的方法，其特征在于，所述当接收到云服务器发送的加密初始模型时，对所述加密初始模型进行解密，得到初始模型，包括：所述当接收到云服务器发送的加密初始模型时，利用所述私钥对所述加密初始模型进行解密，得到初始模型；其中，所述加密初始模型是云服务器利用所述目标公钥对所述初始模型进行加密得到。4.根据权利要求2所述的方法，其特征在于，所述对所述训练参数进行加密，得到加密训练数据，并将所述加密训练数据发送给所述云服务器，以使所述云服务器将各个所述设备的所述加密训练数据进行聚合，得到聚合加密数据，并利用所述聚合加密数据对所述加密初始模型进行迭代训练，直至所述加密初始模型达到收敛，将得到的目标模型发送给各个所述设备，包括：利用所述目标公钥对所述训练参数进行加密，得到加密训练数据，并将所述加密训练数据发送给所述云服务器，以使所述云服务器将各个所述设备的所述加密训练数据进行加和，得到聚合加密数据，并利用所述聚合加密数据对所述加密初始模型进行训练，直至所述加密初始模型达到收敛，将得到的目标模型发送给各个所述设备。5.根据权利要求2所述的方法，其特征在于，每个所述设备设置有AI芯片，所述获取历史样本数据集，并利用历史样本数据集对所述初始模型进行训练，得到训练参数，包括：获取历史样本数据集；基于所述AI芯片，利用所述历...

【专利技术属性】
技术研发人员：车瑞红，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：