基于目标化的联合学习方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种基于目标化的联合学习方法、装置、电子设备及存储介质。该方法包括：对联合学习框架中的参与方设备进行分组得到相似设备组；为每个相似设备组配置边缘设备，利用边缘设备对相似设备组内的参与方设备的第一本地模型及数据样本进行处理，得到第二本地模型；将第二本地模型上传至联合学习框架的服务端，利用服务端对第二本地模型进行聚合得到全局模型；基于相似设备组的全局模型以及本地模型训练算法，对边缘设备中的基于目标化的模型进行训练，并将训练后的基于目标化的模型发送至各个参与方设备，使参与方设备利用基于目标化的模型对第一本地模型进行更新。本公开能够体现各参与方的基于目标化的信息，使各参与方能够训练基于目标化的本地模型，适应不同的目标任务。的目标任务。的目标任务。

【技术实现步骤摘要】
基于目标化的联合学习方法、装置、电子设备及存储介质


[0001]本公开涉及联合学习
，尤其涉及一种基于目标化的联合学习方法、装置、电子设备及存储介质。

技术介绍

[0002]随着计算机技术的不断发展，人工智能的应用也越来越广泛，通过联合不同参与方进行机器学习的联合学习方法成为一种训练人工智能模型的主流趋势。联合学习作为一种新型的分布式机器学习框架，满足了多个客户端在数据安全的要求下进行模型训练的需求。
[0003]传统的联合学习框架中，包含中心节点和不同的本地参与方，通过各参与方对模型参数上传、下发、更新等操作来训练联合学习模型，这种联合学习框架需要各参与方在训练中保持一致性。但是实际应用中，由于参与方数量较多，各参与方的设备及数据情况都不一样，不同的参与方会存在要保留基于目标化的模型的需求。然而基于传统联合学习框架的联合学习方法，无法体现各参与方的基于目标化的信息，导致各参与方训练得到的本地模型比较单一，无法适应不同的目标任务，且存在数据异构性的问题。
[0004]鉴于上述现有技术中的问题，需要提供一种能够体现各参与方的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标化的联合学习方法，其特征在于，包括：根据预定的联合学习框架确定多个参与方设备，对所述参与方设备执行分组操作，得到多个由所述参与方设备组成的相似设备组；为每个所述相似设备组配置边缘设备，利用所述边缘设备对所述相似设备组内的所述参与方设备对应的第一本地模型及数据样本进行处理，得到与所述相似设备组对应的第二本地模型；将所述第二本地模型上传至所述联合学习框架的服务端，以利用所述服务端对所述第二本地模型执行聚合操作，得到与所述相似设备组对应的全局模型，并将所述全局模型发送至所述边缘设备中；基于所述相似设备组的全局模型以及本地模型训练算法，对所述边缘设备中的基于目标化的模型进行训练，并将训练后的基于目标化的模型发送至所述相似设备组内的各个参与方设备中，以使所述参与方设备利用所述基于目标化的模型对所述第一本地模型进行更新。2.根据权利要求1所述的方法，其特征在于，所述对所述参与方设备执行分组操作，得到多个由所述参与方设备组成的相似设备组，包括：获取所述联合学习框架中的每个所述参与方设备的属性信息，将所述参与方设备的属性信息作为聚类算法的输入，利用所述聚类算法对所述参与方设备进行分组，以便基于具有相似属性的参与方设备生成所述相似设备组。3.根据权利要求1所述的方法，其特征在于，在所述利用所述边缘设备对所述相似设备组内的所述参与方设备对应的第一本地模型及数据样本进行处理之前，所述方法还包括：为每个所述相似设备组配置一个边缘设备，将同一所述相似设备组内的各个所述参与方设备对应的第一本地模型及数据样本加载至所述边缘设备中，其中，所述数据样本中包含所述参与方设备对应的本地训练数据，所述边缘设备为所述联合学习框架中的虚拟化设备。4.根据权利要求3所述的方法，其特征在于，所述利用所述边缘设备对所述相似设备组内的所述参与方设备对应的第一本地模型及数据样本进行处理，得到与所述相似设备组对应的第二本地模型，包括：在所述边缘设备中，利用同一所述相似设备组内的各个所述参与方设备对应的第一本地模型及本地训练数据进行协同计算，得到与所述相似设备组对应的第二本地模型。5.根据权利要求1所述的方法，其特征在于，所述利用所述服务端对所述第二本地模型执行聚合操作，得到与所述相似设备组对应的全局模型，并将所述全局模型发送至所述边缘设备中，包括：在所述联合学习框架的服务端中，将各个所述边缘设备上传的所述第二本地模型执行聚合操作，得到聚合后的所述第二本地模型对应的模型参数，根据所述模型参数生成所述全局模型，并将所述全局模型发送给各个所述边...

【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：