基于联合学习的模型训练方法及装置制造方法及图纸

本发明专利技术提供了一种基于联合学习的模型训练方法及装置。该方法包括：通过接收来参与方上传的深度学习网络模型的训练参数；对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；其中，中心节点和参与方均基于联合学习架构中执行交互任务。本发明专利技术解决了现有技术中因无法保护数据隐私，而带来的模型训练不准确的问题，同时提高了模型训练精度。同时提高了模型训练精度。同时提高了模型训练精度。

【技术实现步骤摘要】
基于联合学习的模型训练方法及装置


[0001]本公开涉及人工智能
，尤其涉及一种基于联合学习的模型训练方法及装置。

技术介绍

[0002]随着科技的飞速发展，人工智能技术的研究是现在科技术发展趋势的标志。目前在各种场景下都能见到人工智能技术的体现，例如在能源行业、健康生活等领域。那么要在这些领域实现人工智能技术又要保证各个环节的数据隐私不被泄露，往往需要先进行相关的模型训练以及相关实验，而如何在模型训练中实现最小误差的训练成为当前急需要解决的技术问题。

技术实现思路

[0003]有鉴于此，本公开实施例提供了一种基于联合学习的模型训练方法及装置，以解决现有技术中因无法保护数据隐私而带来的模型训练不准确的问题。
[0004]本公开实施例的第一方面，提供了一种基于联合学习的模型训练方法，包括：
[0005]中心节点接收来参与方上传的深度学习网络模型的训练参数；
[0006]对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；
[0007]响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；
[0008]其中，中心节点和参与方均基于联合学习架构中执行交互任务。
[0009]本公开实施例的第二方面，提供了一种基于联合学习的模型训练方法，包括：
[0010]响应中心节点下发的深度学习网络模型训练的通知，并得到适应深度学习网络模型训练的训练参数；通知包含参与方的深度学习网络模型训练轮数和/或参与方的深度学习网络模型的训练标准值；
[0011]将训练参数加载到所述深度学习网络模型中；
[0012]根据深度学习网络模型训练轮数和所述训练参数，对深度学习网络模型进行训练；
[0013]当训练的结果达到深度学习网络模型的训练标准值时，深度学习网络模型模型训练完成。
[0014]本公开实施例的第三方面，提供了一种基于联合学习的模型训练装置，包括：
[0015]接收模块，用于中心节点接收来参与方上传的深度学习网络模型的训练参数；
[0016]通知模块，用于对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；
[0017]优化训练模块，用于响应于参与方上传的深度学习网络模型训练状态，协助参与
方优化深度学习网络模型；
[0018]其中，中心节点和参与方均基于联合学习架构中执行交互任务。
[0019]本公开实施例的第四方面，提供了一种基于联合学习的模型训练装置，包括：
[0020]获取模块，用于响应中心节点下发的深度学习网络模型训练的通知，并得到适应深度学习网络模型训练的训练参数；其中，通知包含参与方的深度学习网络模型训练轮数和/或参与方的深度学习网络模型的训练标准值；
[0021]加载模块，用于将训练参数加载到所述深度学习网络模型中；
[0022]训练模块，用于根据深度学习网络模型训练轮数和训练参数，对深度学习网络模型进行训练；当训练的结果达到深度学习网络模型的训练标准值时，深度学习网络模型模型训练完成。
[0023]本公开实施例的第五方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0024]本公开实施例的第六方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0025]本公开实施例与现有技术相比存在的有益效果是：中心节点通过接收来参与方上传的深度学习网络模型的训练参数；对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；其中，中心节点和参与方均基于联合学习架构中执行交互任务。以解决现有技术中因无法保护数据隐私，而带来的模型训练不准确的问题，同时提高模型训练精度。
附图说明
[0026]为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0027]图1是本公开实施例的一种联合学习的架构示意图；
[0028]图2是本公开实施例提供的一种基于联合学习的模型训练方法的流程图；
[0029]图3是本公开实施例提供的另一种基于联合学习的模型训练方法的流程图；
[0030]图4是本公开实施例提供的一种基于联合学习的模型训练装置的框图；
[0031]图5是本公开实施例提供的另一种基于联合学习的模型训练装置的框图；
[0032]图6是本公开实施例提供的一种计算机设备的示意图。
具体实施方式
[0033]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电
路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0034]联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
[0035](1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
[0036](2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
[0037](3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。
[0038](4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
[0039]基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
[0040]下面将结合附图详细说明根据本公开实施例的一种基于联合学习的模型训练方法和装置。
[0041]图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联合学习的模型训练方法，其特征在于，包括：中心节点接收来参与方上传的深度学习网络模型的训练参数；对所述训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，所述通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；其中，所述中心节点和参与方均基于联合学习架构中执行交互任务。2.根据权利要求1所述的方法，其特征在于，对所述训练参数进行初始化包括：对参与方上传的深度学习网络模型的训练参数进行同态加密；将同态加密的参与方上传的深度学习网络模型的训练参数下发至联合学习中的客户端。3.根据权利要求1所述的方法，其特征在于，对所述训练参数进行初始化后，通知参与方进行深度学习网络模型训练包括：将对所述训练参数的初始化结果下发至所述参与方；响应于参与方的反馈信息，计算深度学习网络模型训练轮数和深度学习网络模型的训练标准值；将深度学习网络模型训练轮数和/或深度学习网络模型的训练标准值下发至参与方。4.根据权利要求1所述的方法，其特征在于，响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型包括：响应于参与方上传的深度学习网络模型训练状态；获取所述深度学习网络模型当前的训练轮数达到目标轮数时，将所述目标轮数对应的深度学习网络模型训练参数进行加密；将加密的深度学习网络模型训练参数发送至所述参与方；响应所述参与方反馈的深度学习网络模型训练的状态信息，协助参与方优化深度学习网络模型。5.一种基于联合学习的深度学习网络模型训练方法，其特征在于，包括：响应中心节点下发的深度学习网络模型训练的通知，并得到适应深度学习网络模型训练的训练参数；所述通知包含参与方的深度学习网络模型训练轮数和/或参与方的深度学习网络模型的训练标准值；将所述训练参数加载到所述深度学习网络模型中；根据深度学习网络模型训练轮数和所述训练参数，对所述深度学习网络模型进行训练；当所述训练的结果达...

【专利技术属性】
技术研发人员：赵蕾，
申请(专利权)人：新智我来网络科技有限公司，
类型：发明
国别省市：