评估贡献度的方法、设备和存储介质技术

公开了评估贡献度的方法、设备和存储介质。该方法包括：每当参与联邦学习的多个参与方中有一个参与方完成针对模型的本地训练时，该参与方将经训练模型发送给与其连接的区块链网络节点设备，该节点设备对区块链网络中当前存在的模型进行聚合以生成聚合模型，并且将接收的经训练模型和聚合模型添加到树结构中；当所有参与方已经向区块链网络发送了模型时，每个节点设备计算树结构中的每个经训练模型和每个聚合模型的准确度，并且用准确度更新树结构；每个节点设备在更新后的树结构中添加与聚合模型相对应的等同模型的准确度；每个节点设备根据执行添加之后的树结构针对多个参与方分别计算夏普利值，作为多个参与方各自在联邦学习中的贡献度。邦学习中的贡献度。邦学习中的贡献度。

【技术实现步骤摘要】
评估贡献度的方法、设备和存储介质


[0001]本公开内容总体上涉及区块链技术，更具体地，涉及利用区块链网络对参与联邦学习(Federated Learning)的多个参与方的贡献度进行评估的方法和设备，以及存储相关程序的存储介质。

技术介绍

[0002]随着移动网络、物联网、社交网络等技术的发展，目前已经进入大数据时代。然而，现有的数据通常分布在不同的机构，例如，社交网络数据大部分集中在社交网站，网购信息集中在电子商务网站，通信、位置和移动路径等数据主要由移动网络运营商掌握。出于隐私保护和数据安全的考虑，这些机构形成彼此相对隔绝的“数据孤岛”，难以在它们之间实现数据的共享。
[0003]针对数据孤岛的问题，已经提出了联邦学习技术。在联邦学习中，模型需求方将初始模型存储在服务器上，参与共同建模的多个参与方各自从服务器下载初始模型。然后每个参与方利用本地数据来训练模型，并将训练后的模型上传至服务器。服务器对各个模型进行聚合，更新模型参数，并将更新后的模型发送给各个参与方。每个参与方基于本地数据对接收到的更新的模型再次进行训练。通过若干轮次的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用区块链网络来评估参与联邦学习的多个参与方的贡献度的方法，所述区块链网络至少包括分别与所述多个参与方通信连接的多个节点设备，并且已经针对所述区块链网络配置智能合约，所述方法包括由所述区块链网络中的一个节点设备执行以下操作：如果在所述多个参与方当中与所述一个节点设备连接的参与方第一个完成针对模型的本地训练，则由所述一个节点设备从相应的参与方接收经训练的模型，并且根据所述智能合约将所述经训练的模型添加到树结构中；如果与所述一个节点设备连接的参与方不是第一个完成针对所述模型的本地训练，则相应的参与方一旦完成本地训练就将经训练的模型传送给所述一个节点设备，所述一个节点设备根据所述智能合约对所述区块链网络中当前存在的模型中的任何两个或更多个模型进行聚合，以生成一个或多个聚合模型，并且所述一个节点设备将接收到的经训练的模型以及生成的聚合模型添加到所述树结构中；在所有参与方的经训练的模型已经被传送到所述区块链网络中的情况下，由所述一个节点设备根据所述智能合约计算所述树结构中的每个经训练的模型以及每个聚合模型的准确度，并且利用所计算的准确度更新所述树结构；由所述一个节点设备根据所述智能合约在更新后的树结构中添加与每个聚合模型相对应的一个或多个等同模型的准确度，其中，彼此对应的聚合模型和等同模型是以不同的聚合顺序对相同的模型进行聚合而生成的；以及由所述一个节点设备根据所述智能合约基于添加了准确度之后的树结构针对所述多个参与方分别计算夏普利值，作为所述多个参与方各自在联邦学习中的贡献度。2.根据权利要求1所述的方法，其中，所述多个参与方响应于从模型需求方接收到初始模型而开始本地训练。3.根据权利要求2所述的方法，其中，所述一个节点设备根据由所述模型需求方提供的数据样本来确定每个参与方所提供的模型的准确度以及每个聚合模型的准确度。4.根据权利要求1所述的方法，其中，所述一个节点设备将聚合模型的准确度确定为与其相对应的等同模型的准确度。5.根据权利要求2所述的方法，其中，从每个参与方接收的模型被以所述模型需求方的公共密钥进行加密，并且所述加密是支持加法的同态加密，其中，通过对各个参与方提供的模型进行聚合而生成的聚合模型也被以所述公共密钥加密。6.根据权利要求5所述的方法，其中，由所述模型需求方在链下执行用于计算夏普利值的操作，所述操作包括：利用所述模型需求方的私密密钥对从所述区块链网络获取的被加密的各个参与方的模型以及被加密的聚合模型进行解密；基于所述模型需求方的数据样本来确定解密后的各个参与方的模型以及解密后的聚合模型的准确度；确定与每个解密后的聚合模型相对应的...

【专利技术属性】
技术研发人员：皮冰锋，孙昊立，华松，孙俊，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：