本公开提供了一种基于联合学习建立模型需求方的调控方法、装置及设备。该方法包括：在联合学习架构中，接收模型需求方上传的数据，并确定模型需求方的数量区间；根据模型需求方的数量区间生成数据调控任务，以便根据数据调控任务创建多个模型需求方，并为每个模型需求方匹配生成相应的配置信息；根据模型需求方的任务请求，为每个模型需求方设置对应的行为策略；当执行数据调控任务时，建立模型需求方与其他参与方之间的通信通道，并根据配置信息以及行为策略，生成与每个模型需求方相对应的需求方对象，基于需求方对象执行数据调控任务。本公开能够简化模型需求方的创建过程，降低人力成本，提升仿真平台中模型需求方的创建效率。率。率。
【技术实现步骤摘要】
基于联合学习建立模型需求方的调控方法、装置及设备
[0001]本公开涉及联合学习
，尤其涉及一种基于联合学习建立模型需求方的调控方法、装置及设备。
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]在联合学习生态尚未真正形成之前，需要验证分配激励机制设计的合理性、有效性，比较不同激励机制方案选择带来的效果差异，发现分配激励机制设计的不足或漏洞，因此需要设计联合学习分配激励机制仿真验证平台。现有的分配激励机制的仿真验证平台，在基于联合学习以及仿真任务建立模型需求方时，需要耗费大量的人力，并且建立模型需求方的过程较为复杂，且人为创建模型需求方时容易产生错误，降低了创建模型需求方的效率。
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建立模型需求方的调控方法、装置及设备，以解决现有技术存在的建立模型需求方的过程复杂，需要耗费较高的人力成本，模型需求方的创建容易产生错误，降低创建效率的问题。
[0005]本公开实施例的第一方面，提供了一种基于联合学习建立模型需求方的调控方法，包括：在联合学习架构中，接收模型需求方上传的数据，并确定模型需求方的数量区间；根据模型需求方的数量区间生成数据调控任务，以便根据数据调控任务创建多个模型需求方，并为每个模型需求方匹配生成相应的配置信息，其中配置信息中包含多种类型的属性信息；根据模型需求方的任务请求，为每个模型需求方设置对应的行为策略，行为策略中包含对模型验证集的设定策略；当执行数据调控任务时，建立模型需求方与其他参与方之间的通信通道，并根据配置信息以及行为策略，生成与每个模型需求方相对应的需求方对象，基于需求方对象执行数据调控任务。
[0006]本公开实施例的第二方面，提供了一种基于联合学习建立模型需求方的调控装置，包括：确定模块，被配置为在联合学习架构中，接收模型需求方上传的数据，并确定模型需求方的数量区间；创建模块，被配置为根据模型需求方的数量区间生成数据调控任务，以便根据数据调控任务创建多个模型需求方，并为每个模型需求方匹配生成相应的配置信息，其中配置信息中包含多种类型的属性信息；设置模块，被配置为根据模型需求方的任务请求，为每个模型需求方设置对应的行为策略，行为策略中包含对模型验证集的设定策略；调控模块，被配置为当执行数据调控任务时，建立模型需求方与其他参与方之间的通信通道，并根据配置信息以及行为策略，生成与每个模型需求方相对应的需求方对象，基于需求
方对象执行数据调控任务。
[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，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行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]本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0010]通过在联合学习架构中，接收模型需求方上传的数据，并确定模型需求方的数量区间；根据模型需求方的数量区间生成数据调控任务，以便根据数据调控任务创建多个模型需求方，并为每个模型需求方匹配生成相应的配置信息，其中配置信息中包含多种类型的属性信息；根据模型需求方的任务请求，为每个模型需求方设置对应的行为策略，行为策略中包含对模型验证集的设定策略；当执行数据调控任务时，建立模型需求方与其他参与方之间的通信通道，并根据配置信息以及行为策略，生成与每个模型需求方相对应的需求方对象，基于需求方对象执行数据调控任务。本公开能够在仿真平台中自动为仿真任务创建需求方，人工参与度的要求较低，简化了需求方的创建过程，降低需求方创建的错误率，提升创建需求方的效率。
附图说明
[0011]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。
[0012]图1是本公开实施例提供的一种联合学习的架构示意图；
[0013]图2是本公开实施例提供的基于联合学习建立模型需求方的调控方法的流程示意图；
[0014]图3是本公开实施例提供的基于联合学习建立模型需求方的调控装置的结构示意图；
[0015]图4是本公开实施例提供的电子设备的结构示意图。
具体实施方式
[0016]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。
[0017]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：
[0018](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。
[0019](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。
[0020](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。
[0021](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。
[0022]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。
[0023]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训练方法及装置。
[0024]图1是本公开实施例提供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。
[0025]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建立模型需求方的调控方法，其特征在于，包括：在联合学习架构中，接收模型需求方上传的数据，并确定所述模型需求方的数量区间；根据所述模型需求方的数量区间生成数据调控任务，以便根据所述数据调控任务创建多个所述模型需求方，并为每个所述模型需求方匹配生成相应的配置信息，其中所述配置信息中包含多种类型的属性信息；根据所述模型需求方的任务请求，为每个所述模型需求方设置对应的行为策略，所述行为策略中包含对模型验证集的设定策略；当执行所述数据调控任务时，建立所述模型需求方与其他参与方之间的通信通道，并根据所述配置信息以及所述行为策略，生成与每个所述模型需求方相对应的需求方对象，基于所述需求方对象执行所述数据调控任务。2.根据权利要求1所述的方法，其特征在于，所述数据调控任务包括数据仿真任务，在所述接收模型需求方上传的数据，并确定所述模型需求方的数量区间之前，所述方法还包括：调取预设的基于联合学习的分配激励机制算法，根据所述分配激励机制算法，创建与所述分配激励机制算法相对应的数据仿真任务，并在所述数据仿真平台中生成与所述数据仿真任务相对应的仿真环境对象，其中，所述数据仿真任务用于对所述基于联合学习的分配激励机制算法进行仿真验证。3.根据权利要求2所述的方法，其特征在于，所述接收模型需求方上传的数据，并确定所述模型需求方的数量区间，包括：在创建的所述数据仿真任务中，接收所述模型需求方上传的数据，根据所述数据中的标识信息，确定所述模型需求方的数量区间，以便在所述数量区间内随机生成若干个模型需求方。4.根据权利要求1所述的方法，其特征在于，所述为每个所述模型需求方匹配生成相应的配置信息，包括：基于所述模型需求方的标识信息，从预先设定的属性信息库中随机抽取不同类型的属性信息，并将抽取的所述不同类型的属性信息与所述模型需求方的标识信息进行绑定，对所述不同类型的属性信息进行组合得到所述配置信息；其中，所述配置信息中包含以下信息：模型类型、交易数据、模型精度要求和仿真时间步。5.根据权利要求2所述的方法，其特征在于，所述根据所述模型需求方的任务请求，为每个所述模型需求方设置对应的行为策略，包括：根据所述模型需求方的任务请求，确定所述模型需求方的模型需求信息，根据所述模型需求信息以及所述数据仿真任务，为每个所述模型需求方设置相应的行为策略，其中，所述行为策略包括是否设定模型验证集，所述模型验证...
【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：
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。