以协作方式训练非参数机器学习模型实例的系统和方法技术方案

公开了一种以协作方式训练非参数机器学习(ML)模型实例的系统和方法。在多个数据处理节点中的每个数据处理节点处的本地数据集上训练非参数ML模型实例，以获得多个非参数ML模型实例。与多个数据处理节点中的其余数据处理节点中的每一个共享在每个数据处理节点处开发的每个非参数ML模型实例。通过可训练的参数组合器处理多个非参数ML模型实例中的每个非参数ML模型实例，以在多个数据处理节点的每个数据处理节点处生成复合模型。使用群学习，在多个数据处理节点的每个数据处理节点处，在相应的本地数据集上训练复合模型，以获得经训练的复合模型。的复合模型。的复合模型。

【技术实现步骤摘要】
以协作方式训练非参数机器学习模型实例的系统和方法

技术介绍

[0001]机器学习(ML)模型被训练为基于它们在训练数据上开发的学习来产生输出。在ML模型的训练期间，通常制定映射函数，以将输入数据映射到输出。基于需求，通常评估各种ML算法的性能，以标识提供合适映射函数的最佳性能ML算法。对映射函数的形式进行假设的ML算法被用于推导参数ML模型。也就是说，参数ML模型使用预定义的映射函数进行学习，该预定义的映射函数的状态(权重/偏差)使用训练数据来训练。逻辑回归、线性判别分析、感知器、朴素贝叶斯和神经网络是参数ML算法的几个示例。
[0002]非参数ML模型不对映射函数做出任何假设，因此，在非参数ML模型的训练期间，需要即时构建所需的映射函数。
[0003]训练ML模型的一种方式是通过协作学习，也称为群学习(Swarm learning)。群学习涉及在不同站点处存在的本地数据上集体训练ML模型。也就是说，ML模型在每个节点处存在的本地数据上进行本地训练，并且向主节点提供状态(权重/偏差)，也称为参数，主节点合并这些参数并且将合并的参数重新分配给每个节点。每个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种以协作方式训练非参数机器学习ML模型实例的方法，包括：在多个数据处理节点中的每个数据处理节点处的相应本地数据集上训练非参数ML模型实例，以获得多个非参数ML模型实例；与所述多个数据处理节点中的其余数据处理节点中的每一个共享在每个数据处理节点处开发的每个非参数ML模型实例；通过可训练的参数组合器处理所述多个非参数ML模型实例中的每个非参数ML模型实例，以在所述多个数据处理节点的每个数据处理节点处生成复合模型；使用协调学习技术，在所述多个数据处理节点的每个数据处理节点处，在所述相应本地数据集上训练所述复合模型，以获得经训练的复合模型。2.根据权利要求1所述的方法，其中每个非参数ML模型实例是决策树、随机森林、贝叶斯模型、K
‑
最近邻KNN和支持向量机SVM中的一者。3.根据权利要求1所述的方法，其中所述可训练的参数组合器是选自逻辑回归、线性判别分析、感知器、朴素贝叶斯和神经网络中的至少一者的参数ML模型。4.根据权利要求1所述的方法，其中每个非参数ML模型实例在与所述其余数据处理节点共享之前被混淆。5.根据权利要求4所述的方法，其中使用开放神经网络交换ONNX模型来混淆每个非参数ML模型实例。6.一种用于以协作方式训练非参数机器学习ML模型实例的区块链系统，包括：多个数据处理节点，存储编程指令，以执行：在所述多个数据处理节点中的每个数据处理节点处的相应本地数据集上训练非参数机器学习ML模型实例，以获得多个非参数ML模型实例；与所述多个数据处理节点中的其余数据处理节点中的每一个共享在每个数据处理节点处开发的每个非参数ML模型实例；通过可训练的参数组合器处理所述...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：慧与发展有限责任合伙企业，
类型：发明
国别省市：