横向联邦模型构建优化方法、电子设备、介质及程序产品技术

本申请公开了一种横向联邦模型构建优化方法、电子设备、介质及程序产品，应用于服务端，包括：将当前全局模型下发至各客户端，以供客户端根据本地数据，对当前全局模型进行本地训练更新，得到本地模型；接收各客户端发送的本地模型，依据各客户端置信度，在各本地模型中采样选取至少一组本地模型进行聚合，得到各聚合模型；将各聚合模型分别反馈至对应的目标客户端，以供各目标客户端利用本地数据评估各聚合模型的模型效果；接收各本地模型效果评分，根据各本地模型效果评分在各聚合模型中选取的候选全局模型，迭代更新当前全局模型和各客户端置信度，直至横向联邦学习训练结束。本申请解决了联邦学习过程中如何防御拜占庭攻击的技术问题。击的技术问题。击的技术问题。

【技术实现步骤摘要】
横向联邦模型构建优化方法、电子设备、介质及程序产品


[0001]本申请涉及金融科技(Fintech)的人工智能
，尤其涉及一种横向联邦模型构建优化方法、电子设备、介质及程序产品。

技术介绍

[0002]随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。
[0003]联邦学习作为一种分布式机器学习方式，可以解决“数据孤岛”问题，在保护数据隐私的前提下，利用多方的本地数据建立共享的联邦模型，而联邦学习常会受到恶意攻击，例如拜占庭攻击，也即恶意客户端通过上传恶意的模型参数信息以达到破坏全局模型性能的目的，因此如何在联邦学习中防御拜占庭攻击是一个丞待解决的重要问题。
[0004]目前，为了在联邦学习过程中防御拜占庭攻击，通常是由服务端对客户端上传的明文模型参数进行检测，以在客户端中检测拜占庭攻击方，但是为了保护客户端的数据隐私，客户端通常会对明文模型参数进行加密保护后再上传至客户端，例如利用同态加密或者差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种横向联邦模型构建优化方法，其特征在于，应用于服务端，所述横向联邦模型构建优化方法包括：将当前全局模型下发至各客户端，以供所述客户端根据本地数据，对所述当前全局模型进行本地训练更新，得到本地模型；接收各所述客户端发送的本地模型，依据各所述客户端对应的客户端置信度，在各所述本地模型中采样选取至少一组本地模型进行聚合，得到各组本地模型分别对应的聚合模型；将各所述聚合模型分别反馈至对应的目标客户端，以供各所述目标客户端利用所述本地数据，对接收到的聚合模型进行模型效果评估，得到本地模型效果评分；接收各所述目标客户端反馈的本地模型效果评分，根据各所述本地模型效果评分，在各所述聚合模型中选取候选全局模型；依据所述候选全局模型，迭代更新所述当前全局模型和各所述客户端置信度，直至横向联邦学习训练结束。2.如权利要求1所述横向联邦模型构建优化方法，其特征在于，所述根据各所述本地模型效果评分，在各所述聚合模型中选取候选全局模型的步骤包括：对各所述聚合模型分别对应的至少一个本地模型效果评分分别进行聚合，得到各所述聚合模型对应的全局模型效果评分；根据各所述全局效果评分，在各所述聚合模型中选取所述候选全局模型。3.如权利要求1所述横向联邦模型构建优化方法，其特征在于，所述依据所述候选全局模型，迭代更新所述当前全局模型和各所述客户端置信度，包括：根据所述候选全局模型对应的全局效果评分，判断是否舍弃所述候选全局模型；若否，则将所述当前全局模型更新为所述候选全局模型，以及增大所述候选全局模型对应的各客户端的客户端置信度，返回执行步骤：将当前全局模型下发至各客户端；若是，则舍弃所述候选全局模型，返回执行步骤：将当前全局模型下发至各客户端。4.如权利要求3所述横向联邦模型构建优化方法，其特征在于，所述根据所述候选全局模型对应的全局效果评分，判断是否舍弃所述候选全局模型的步骤包括：判断所述全局效果评分是否小于预设评分阈值，其中，所述预设评分阈值为本轮迭代之前产生的最大全局效果评分；若小于，则舍弃所述候选全局模型；若不小于，则不舍弃所述候选全局模型。5.如权利要求1所述横向联邦模型构建优化方法，其特征在于，所述依据各所述客户端对应的客户端置信度，在各所述本地模型中采样选取至少一组本地模型进行聚合，得到各组本地模型分别对应的聚合模型的步骤包括：依据各所述客户端置...

【专利技术属性】
技术研发人员：唐兴兴，范力欣，古瀚林，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：