【技术实现步骤摘要】
一种面向流媒体基于邻居信任聚合的去中心化联邦学习方法
[0001]本专利技术涉及分布式计算的联邦学习领域,更具体地说是一种应用在流媒体数据中,基于邻居信任聚合的去中心化联邦学习方法。
技术介绍
[0002]在机器学习领域,一些传统的机器学习模型如支持向量机、逻辑回归等应用在具体的场景中如房价预测等。因为机器学习模型训练的数据来自于不同客户端或者不同机构,不同客户端和不同机构之间因为《数据安全法》的存在,限制了彼此之间的数据共享。联邦学习被设计出来,用于在不触及数据的前提下,分析数据。联邦学习不仅是一种机器学习方法,更像是一种商业模式。目前在医疗、金融等领域,联邦学习已经运用到实际生活中,如可穿戴设备的健康检测、金融产品营销推荐等。对于用户隐私需要加强保护的领域,常通过联邦学习的方法对上述应用场景下的模型进行训练。对等网络(Peer
‑
to
‑
Peer,P2P)技术不同于传统的集中服务器概念,通过合理的网络优化及网络协调,将参与组网的计算机转变成不依赖一个集中的服务器计算,而是每一个计算机在作为客户机的同时,也是一个小型但是完善的网络服务器。每一个节点的计算机与其他点位的计算机都是对等的关系,并不存在上下级的关系。
[0003]在联邦学习的一些应用中,主要基于一些流媒体平台,利用区块链技术进行联邦学习进行训练推荐模型,如专利号202111638487.2提出了一种基于联邦学习的个性化行为推荐方法,根据不同地区的用户特征行为进行个性化推荐,数据存储在各个本地模型中进行中心化联邦 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种面向流媒体基于邻居信任聚合的去中心化联邦学习方法,其特征在于,包括如下步骤:步骤1,客户端收集的流媒体数据进行归一化处理,形成用户的特征向量;步骤2,构建基于CNN和Transformer网络的本地模型;从特征向量中选取与时序无关的特征向量,输入到CNN网络中;从特征向量中选与时序有关的特征向量,输入到Transformer网络中;将卷积提取的特征信息与Transformer输出的结果进行Concat操作;步骤3,基于信任机制的随机游走模型,去中心化的联邦学习训练出全局模型。2.根据权利要求1所述一种面向流媒体基于邻居信任聚合的去中心化联邦学习方法,其特征在于,步骤3,基于信任机制的随机游走模型,去中心化的联邦学习训练出全局模型,具体包括如下步骤:步骤3.1,定义去中心化联邦学习信任网络,给定客户端U0源节点的信任网络;令U0为联邦学习中的一个客户端源节点,其连接的客户端以及连接的客户端连接的客户端共同构成的一个以客户端U0为源节点的信任网络;定义U为客户端U0的直接关联客户端,包括客户端U1,
…
,U
n
,其后的所有客户端均为客户端U0的间接关联客户端v,包括客户端v1,
…
,v
m
;步骤3.2,基于信任的随机游走模型,完成TopN推荐,从而得到n个与源客户端U0的用户直接相关的客户端,进行共同模型的训练;步骤3.3,判断是否存在客户端U0的潜在关联客户端V
i
;如果存在V
i
,进行k+1次随机游走模型,再进行共同模型的训练。3.根据权利要求2所述一种面向流媒体基于邻居信任聚合的去中心化联邦学习方法,其特征在于,步骤3.3具体为:根据用户v与U0的模型相似度ISim(u0,v),预测潜在的相关客户端,并加入目标关联客户端u0的预测可能相关联的集合直到满足随机游走的终止条件,完成一次潜在客户端的推荐;为保证算法的精度和覆盖率,重复进行这种随机游走;最后,将得到的用户按与目标用户的兴趣相似性排序,以完成TopN推荐。4.根据权利要求2所述一种面向流媒体基于邻居信任聚合的去中心化联邦学习方法,其特征在于,当随机游走算法第k
‑
1步在用户u上,而第k步在其关联客户端用户v上时,终止游走概率为每个客户端的迭代模型为w
locals
,初始的每个客户端的本地模型w
local
,根据客户端的标号不同记作w
i,local
,进行迭代T次,达到全局最佳即停止训练。5.根据权利要求2所述一种面向流媒体基于邻居信任聚合的去中心化联邦学习方法,其特征在于,采用Precision、Coverage和F
‑
Measure指标进行推荐准确率和覆盖率的评价;其中:式中:N
tp
为推荐源客户端U0所关联的推荐客户端数量;L为推荐关联客户端数量;
式中,B
u
为测试集中源客户端U0所关联的推荐对象数量,它表示源客户端U0所关联的推荐关联客户端能被推荐的概率;即可将F1‑
measure定义为:6.根据权利要求2所述一种面向流媒体基于邻居信任聚合的去中心化联邦学习方法,其特征在于,定义X
u
为选择用户v为潜在粉丝的随机变量,则:因此,随机游走算法在用户u上以概率1
‑
φ
u,v,k
继续游走时,其客户端v∈fol
U
被算法选择作为源用户U0的潜在粉丝的概率为P(Y
u0,u
=v)=(1
‑
φ
u,v,k
)P(X
u
=v)
ꢀꢀꢀꢀ
技术研发人员:袁博,沈玉龙,陈森霖,胡凯,
申请(专利权)人:南京栢拓视觉科技有限公司,
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。