基于联合学习的数据激励处理方法及装置制造方法及图纸

本公开涉及均衡分配技术领域，提供了一种基于联合学习的数据激励处理方法及装置。该方法包括：基于联合学习架构，根据参与方提供的任务需求，训练联合学习激励模型，其中，参与方带有数据激励系数；调取数据贡献度算法，计算联合学习激励模型的精度；根据联合学习激励模型的精度和数据激励系数，计算出每个参与方对模型的贡献比例；基于贡献比例，确定每个参与方对应数据资源分配。采用上述技术手段，解决现有技术中，缺少一种对联合学习激励模型所获得的资源进行公平合理分配的方案的问题。得的资源进行公平合理分配的方案的问题。得的资源进行公平合理分配的方案的问题。

【技术实现步骤摘要】
基于联合学习的数据激励处理方法及装置


[0001]本公开涉及均衡分配
，尤其涉及一种基于联合学习的数据激励处理方法及装置。

技术介绍

[0002]随着机器学习技术的发展，神经网络模型被广泛应用于各行各业。因为大规模的模型训练对硬件的要求高，同时为了确保模型的精度，需要大量的数据进行模型训练，因此仅仅通过一方去训练模型，受限因素很多。为了解决上述问题，联合学习被引入到多方训练的场景中。因为联合学习是多个参与方分别训练模型，发起方或者中心只需要聚合多个参与方的模型参数，就可以得到相当于使用多个参与方的数据训练的模型，因此可以很好的应用于多方训练的场景中。但是联合学习模型所获得的资源，现有技术没有一种公平公正的分配方案。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：缺少一种对联合学习模型所获得的资源进行公平合理分配的方案的问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种基于联合学习的数据激励处理方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，缺少一种对联合学习激励模型所获得的资源进行公平合理分配的方案的问题。
[0005]本公开实施例的第一方面，提供了一种基于联合学习的数据激励处理方法，包括：基于联合学习架构，根据参与方提供的任务需求，训练联合学习激励模型，其中，参与方带有数据激励系数；调取数据贡献度算法，计算联合学习激励模型的精度；根据联合学习激励模型的精度和数据激励系数，计算出每个参与方对模型的贡献比例；基于贡献比例，确定每个参与方对应数据资源分配。
[0006]本公开实施例的第二方面，提供了一种基于联合学习的数据激励处理装置，包括：训练模块，被配置为基于联合学习架构，根据参与方提供的任务需求，训练联合学习激励模型，其中，参与方带有数据激励系数；第一计算模块，被配置为调取数据贡献度算法，计算联合学习激励模型的精度；第二计算模块，被配置为根据联合学习激励模型的精度和数据激励系数，计算出每个参与方对模型的贡献比例；确定模块，被配置为基于贡献比例，确定每个参与方对应数据资源分配。
[0007]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可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。
[0008]本公开实施例的第四方面，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。
[0009]本公开实施例与现有技术相比存在的有益效果是：基于联合学习架构，根据参与
方提供的任务需求，训练联合学习激励模型，其中，参与方带有数据激励系数；调取数据贡献度算法，计算联合学习激励模型的精度；根据联合学习激励模型的精度和数据激励系数，计算出每个参与方对模型的贡献比例；基于贡献比例，确定每个参与方对应数据资源分配。采用上述技术手段，可以解决现有技术中，缺少一种对联合学习激励模型所获得的资源进行公平合理分配的方案的问题，进而提供一种分配联合学习激励模型所获得的资源的方案。
附图说明
[0010]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。
[0011]图1是本公开实施例的应用场景的场景示意图；
[0012]图2是本公开实施例提供的一种基于联合学习的数据激励处理方法的流程示意图；
[0013]图3是本公开实施例提供的一种基于联合学习的数据激励处理装置的结构示意图；
[0014]图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0015]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。
[0016]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：
[0017](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。
[0018](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。
[0019](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。
[0020](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。
[0021]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。
[0022]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数据激励处
理方法和装置。
[0023]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)101以及参与方102、参与方103和参与方104。
[0024]在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，参与方的数量不限于如上的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。
[0025]图2是本公开实施例提供的一种基于联合学习的数据激励处理方法的流程示意图。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数据激励处理方法，其特征在于，包括：基于联合学习架构，根据参与方提供的任务需求，训练联合学习激励模型，其中，所述参与方带有数据激励系数；调取数据贡献度算法，计算所述联合学习激励模型的精度；根据所述联合学习激励模型的精度和数据激励系数，计算出每个参与方对模型的贡献比例；基于所述贡献比例，确定每个参与方对应数据资源分配。2.根据权利要求1所述的方法，其特征在于，所述基于联合学习架构，根据参与方提供的任务需求，训练联合学习激励模型，包括：通过每个所述参与方的训练数据训练待训练模型，得到每个所述参与方对应的网络模型；获取每个所述参与方对应的网络模型的模型参数；聚合多个所述参与方对应的网络模型的模型参数，得到全局参数；基于所述全局参数更新所述待训练模型的模型参数，得到所述联合学习激励模型。3.根据权利要求2所述的方法，其特征在于，所述基于所述全局参数更新所述待训练模型的模型参数，得到所述联合学习激励模型之后，所述方法还包括：获取每个所述参与方开始训练所述待训练模型的时刻；根据每个所述参与方开始训练所述待训练模型的时刻为每个所述参与方分配数据激励系数。4.根据权利要求3所述的方法，其特征在于，所述根据每个所述参与方开始训练所述待训练模型的时刻为每个所述参与方分配数据激励系数，包括：当所述参与方开始训练所述待训练模型的时刻小于第一预设阈值时，为所述参与方分配第一数据激励系数，其中，所述第一数据激励系数为大于一的有理数；当所述参与方开始训练所述待训练模型的时刻大于等于所述第一预设阈值，并且小于第二预设阈值时，为所述参与方分配第二数据激励系数，其中，所述第二数据激励系数为一；当所述参与方开始训练所述待训练模型的时刻大于等于所述第二预设阈值时，为所述参与方分配第三数据激励系数，其中，所述第三数据激励系数为小于一的正小数；其中，所述数据激励系数，包括：所述第一数据激励系数、所述第二数据激励系数和所述第...

【专利技术属性】
技术研发人员：孙浩，李增祥，
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：