【技术实现步骤摘要】
联邦学习方法、装置、计算机可读介质及电子设备
[0001]本申请涉及计算机及通信
，具体而言，涉及一种联邦学习方法、装置、计算机可读介质及电子设备。
技术介绍
[0002]联邦学习是一种分布式的机器学习框架，在联邦学习中参与节点传递交流的不是各自的原始数据，而是不会透露数据隐私的模型参数。联邦学习的这种特性可以帮助多个参与节点在保护数据隐私、数据安全的前提下利用各自的数据信息进行机器学习模型建立。但是，现今联邦学习系统并不能很好的解决参与节点上的联邦学习任务，因此，亟需针对这一问题的解决方案。
技术实现思路
[0003]本申请的实施例提供了一种联邦学习方法、装置、计算机可读介质及电子设备，进而至少在一定程度上能够提高联邦学习的效率和安全性。
[0004]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0005]根据本申请实施例的一个方面，提供了一种联邦学习方法，由参与联邦学习模型联合训练的多个节点中的指定节点执行，包括：从交易池中获取未被消费的目标...
【技术保护点】
【技术特征摘要】
1.一种联邦学习方法，其特征在于，所述方法由参与联邦学习模型联合训练的多个节点中的指定节点执行，所述方法包括：从交易池中获取未被消费的目标交易信息，所述交易池中包含有各个节点发布的交易信息，所述交易信息中包含有局部模型参数，所述目标交易信息是模型预测准确率超过第一阈值的交易信息，所述模型预测准确率是所述交易信息中包含的局部模型参数对应的局部模型的预测准确率；对获取到的目标交易信息中包含的局部模型参数进行聚合处理，以生成全局模型，并根据样本数据集对所述全局模型进行训练，以生成新的局部模型；生成所述目标交易信息的消费标识信息，并根据所述新的局部模型的局部模型参数以及所述消费标识信息，生成新的交易信息；将所述新的交易信息发布至所述交易池中，以对所述交易池进行更新，基于更新后的交易池中所包含的交易信息继续进行全局模型的生成与训练，直至满足结束条件。2.根据权利要求1所述的方法，其特征在于，从交易池中获取未被消费的目标交易信息，包括：从所述交易池中获取未被消费的第一交易信息；对所述第一交易信息中包含的签名信息进行验证；从签名验证通过的第一交易信息中选择出所述模型预测准确率超过所述第一阈值的交易信息，得到所述目标交易信息。3.根据权利要求2所述的方法，其特征在于，从所述交易池中获取未被消费的第一交易信息，包括：计算所述交易池中交易信息的发布时间与当前时间之间的时间间隔，得到各个交易信息对应的时间间隔；从对应的时间间隔不超过第二阈值的交易信息中选择出预定数量个未被消费的交易信息，并将选择出的交易信息作为所述第一交易信息。4.根据权利要求2所述的方法，其特征在于，所述签名信息是发布所述第一交易信息的节点采用对应的私钥对所述第一交易信息进行签名生成的；对所述第一交易信息中包含的签名信息进行验证，包括：获取发布所述第一交易信息的节点对应的公钥，并采用所述公钥对所述签名信息进行解密；若对所述签名信息解密成功，则确定对所述签名信息验证通过。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所述样本数据集中包含的各个数据输入所述交易信息中包含的局部模型参数对应的局部模型，得到所述局部模型输出的针对所述各个数据的预测结果；根据所述各个数据的标注标签以及针对所述各个数据的预测结果，确定所述模型预测准确率。6.根据权利要求1所述的方法，其特征在于，对获取到的目标交易信息中包含的局部模型参数进行聚合处理，以生成全局模型，包括：计算所述目标交易信息中包含的局部模型参数的平均值，并将计算得到的平均值作为所述全局模型的模型参数；
根据所述全局模型的模型参数，生成所述全局模型。7.根据权利要求1所述的方法，其特征在于，对获取到的目标交易信息中包含的局部模型参数进行聚合处理，以生成全局模型，包括：对所述目标交易信息中包含的局部模型参数分配不同的权重；根据所述权重，对所述局部模型参数进行加权平均，得到所述全局模型的模型参数；根据所述全局模型的模型参数，生成所述全局模型。8.根据权利要求1所述的方法，其特征在于，所述交易池为有向无环图，所述消费标识信息包括赞成投票信息，所述方法还包括：若根据所述有向无环图能够获取交易信息的赞成投票信息，则确定所述交易信息已被消费；若根据所述有向无环图不能获取所述交易信息的赞成投票信息，则确定所述交易信息未被消费。9.一种联邦学习方法，其特征在于，所述方法包括：根据期望生成的联邦学习模型，发布联邦学习任务，所述联邦学习任务用于指示进行所述联邦学习模型的联合训练；...
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。