一种联合学习的资源分配方法及装置制造方法及图纸

本公开涉及机器学习技术领域，提供了一种联合学习的资源分配方法及装置。该方法包括：读取预设的资源分配配置信息；获取多个模型需求方提供的模型需求信息，资源分配配置信息包括属性配置信息、贡献度配置信息及监控配置信息，根据属性配置信息和模型需求信息，确定目标需求方；确定与模型需求信息匹配的多个目标资源贡献方，获取每个目标资源贡献方的模型资源；根据属性配置信息、贡献度配置信息、监控配置信息及模型资源，确定每个目标资源贡献方对应的分配值。本公开能够使得各个目标资源贡献方得到与其所提供的模型资源相匹配的分配值，激发了资源贡献方提供模型资源的积极性，有利于联合学习的长期良好可持续发展。于联合学习的长期良好可持续发展。于联合学习的长期良好可持续发展。

【技术实现步骤摘要】
一种联合学习的资源分配方法及装置


[0001]本公开涉及机器学习
，尤其涉及一种联合学习的资源分配方法及装置。

技术介绍

[0002]在隐私和数据保护问题日益受到重视的大环境下，联合学习已经成为人工智能领域中的一个非常热门的研究方向。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。
[0003]对于联合学习而言，参与方持续地参与到联合学习进程(例如，通过共享加密的模型参数)是其长期成功的关键所在。然而，在现有技术中，联合学习的评估奖励机制大多是采用平均分配的方式，难免会存在分配不合理、不公平等问题，这就容易因激励分配不公平等原因而流失掉部分拥有充分且有效数据的参与方，这无疑将会不利于联合学习的长期良好可持续发展。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种联合学习的资源分配方法及装置，以解决现有技术中联合学习的评估奖励机制大多是采用平均分配的方式，难免会存在分配不合理、不公平等问题，容易导致因激励分配不公平等原因而流失掉部分拥有充分且有效数据的参与方，不利于联合学习的长期良好可持续发展的问题。
[0005]本公开实施例的第一方面，提供了一种联合学习的资源分配方法，包括：
[0006]读取预设的资源分配配置信息，资源分配配置信息包括属性配置信息、贡献度配置信息及监控配置信息；
[0007]获取多个模型需求方提供的模型需求信息，根据属性配置信息和模型需求信息，确定目标需求方；
[0008]确定与模型需求信息匹配的多个目标资源贡献方，获取每个目标资源贡献方的模型资源，模型资源包括模型参数及有效训练数据量；
[0009]根据属性配置信息、贡献度配置信息、监控配置信息及模型资源，确定每个目标资源贡献方对应的分配值，并将分配值反馈至各个目标资源贡献方。
[0010]本公开实施例的第二方面，提供了一种联合学习的资源分配装置，包括：
[0011]读取模块，被配置为读取预设的资源分配配置信息，资源分配配置信息包括属性配置信息、贡献度配置信息及监控配置信息；
[0012]需求方确定模块，被配置为获取多个模型需求方提供的模型需求信息，根据属性配置信息和模型需求信息，确定目标需求方；
[0013]资源获取模块，被配置为确定与模型需求信息匹配的多个目标资源贡献方，获取每个目标资源贡献方的模型资源，模型资源包括模型参数及有效训练数据量；
[0014]分配模块，被配置为根据属性配置信息、贡献度配置信息、监控配置信息及模型资
源，确定每个目标资源贡献方对应的分配值，并将分配值反馈至各个目标资源贡献方。
[0015]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。
[0016]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。
[0017]本公开实施例与现有技术相比，有益效果至少包括：本公开实施例通过读取预设的资源分配配置信息，资源分配配置信息包括属性配置信息、贡献度配置信息及监控配置信息；获取多个模型需求方提供的模型需求信息，根据属性配置信息和模型需求信息，确定目标需求方；确定与模型需求信息匹配的多个目标资源贡献方，获取每个目标资源贡献方的模型资源，模型资源包括模型参数及有效训练数据量；根据属性配置信息、贡献度配置信息、监控配置信息及模型资源，确定每个目标资源贡献方对应的分配值，并将分配值反馈至各个目标资源贡献方，充分考虑到各个目标资源贡献方的对模型需求方所需要的模型的效用的贡献度等方面因素，使得各个目标资源贡献方能够得到与其所提供的模型资源相匹配的分配值，不仅可激发资源贡献方提供模型资源的积极性，还可以进一步约束资源贡献方提供真实、有效的模型参数，以利于联合学习的长期良好可持续发展。
附图说明
[0018]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。
[0019]图1是本公开实施例的合学习的架构(仿真平台)示意图；
[0020]图2是本公开实施例提供的一种联合学习的资源分配方法的流程示意图；
[0021]图3是本公开实施例提供的一种联合学习的资源分配装置的结构示意图；
[0022]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
[0023]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。
[0024]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：
[0025](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。
[0026](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。
[0027](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。
[0028](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。
[0029]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。
[0030]下面将结合附图详细说明根据本公开实施例的一种联合学习的资源分配方法和装置。
[0031]图1是本公开实施例的一种联合学习的架构(仿真平台)示意图。如图1所示，联合学习的架构(仿真平台)可以包括服务器(资源分配中心)101、多个目标资源贡献方102以及多个模型需求方103。
[0032]在联合学习过程中，可以预先通过人工配置该资源分配中心101在后续的仿真拍卖场景中可能会使用到的资源分配配置信息，该资源分配配置信息包括属性配置信息、贡献度配置信息及监控配置信息；在启动仿真拍卖程序时，资源分配中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联合学习的资源分配方法，其特征在于，包括：读取预设的资源分配配置信息，所述资源分配配置信息包括属性配置信息、贡献度配置信息及监控配置信息；获取多个模型需求方提供的模型需求信息，根据所述属性配置信息和所述模型需求信息，确定目标需求方；确定与所述模型需求信息匹配的多个目标资源贡献方，获取每个所述目标资源贡献方的模型资源，所述模型资源包括模型参数及有效训练数据量；根据所述属性配置信息、贡献度配置信息、监控配置信息及所述模型资源，确定每个所述目标资源贡献方对应的分配值，并将所述分配值反馈至各个所述目标资源贡献方。2.根据权利要求1所述的方法，其特征在于，所述模型需求信息包括需求模型；所述根据所述属性配置信息和所述模型需求信息，确定目标需求方，包括：根据所述需求模型对所述多个模型需求方进行分类，得到与每个所述需求模型对应的模型需求方集合；根据所述属性配置信息，从所述模型需求方集合中筛选出目标需求方。3.根据权利要求2所述的方法，其特征在于，所述根据所述属性配置信息，从所述模型需求方集合中筛选出目标需求方，包括：获取所述模型需求方集合中的每个模型需求方的预算资源；将所述预算资源最多的模型需求方确定为目标需求方。4.根据权利要求2所述的方法，其特征在于，所述确定与所述模型需求信息匹配的多个目标资源贡献方，包括：获取多个资源贡献方上报的待拍卖模型的模型信息，所述待拍卖模型的模型信息包括待拍卖模型的模型类型；计算所述待拍卖模型的模型类型与所述需求模型的模型类型之间的相似度，根据所述相似度确定与所述需求模型的模型类型相匹配的多个目标资源贡献方。5.根据权利要求4所述的方法，其特征在于，所述获取所述多个资源贡献方上报的待拍卖模型的模型信息之前，还包括：通过预设的通信通道广播模型招标信息，以使各个资源贡献方接收所述模型招标信息，所述模型招标信息包括需求模型、所需训练样本、所需样本数量和激励系数；接收多个资源贡献方基于所述模型招标信息反馈的待拍卖模型的模型信息。6.根据权利要求1所述...

【专利技术属性】
技术研发人员：刘嘉，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：