【技术实现步骤摘要】
一种区块链辅助的用于人工智能学习的激励方法
[0001]本专利技术属于人工智能领域，涉及一种区块链辅助的用于人工智能学习的激励方法。
技术介绍
[0002]在技术上，允许多个参与者在保护数据隐私的同时共同训练模型。联邦学习是当前使用在多个设备且设备数量计算速度也未知的情况下，保护用户端设备的隐私并高效利用边缘服务器进行模型计算，完成实际应用与用户端应用优化。但是当前联邦学习面临以下几个问题，联邦学习需要大量的网络资源，需要强大的边缘服务器频繁对本地模型进行训练与计算。并且在这个阶段中，存在用户端获得的奖励与自身权重贡献度不符合的情况，导致用户端劳动时间与收获不平衡，并且使用平均技术的机制下，用户端劳动时间与奖励一致，无法更加积极有效的训练模型。
[0003]现有技术方案内容：FedAvg算法使用用户端数据量大小来分配权重，并通过不同用户端的相关性，帮助本地模型上传增强边缘服务器计算模型的精确度，通过这样的方式不断对本地模型进行迭代，这种平均的方式能够让大家的数据都得到训练与考量。
[0004]平均算法的缺点：由于此算法是基于平均数据与模型进行考量，那么在这个过程中没有考虑贡献度大的用户，应该提高这些用户的奖励与权重。此外，这个算法容易轻松被拥有大量重复数据的用户端影响权重，边缘服务器的训练会通过这些权重低或者是贡献率低的用户端轻易影响，造成模型难以收敛及模型数据被恶意攻击等缺陷。因为考虑所有用户训练的模型，所以网络带宽数据交换频繁且中心模型训练次数多，大量，增加了网络运行和模型训练成本与能耗。>
技术实现思路
[0005]有鉴于此，本专利技术的目的在于提供一种区块链辅助的用于人工智能学习的激励方法，使用用户上传模型时训练得到的贡献度和反馈对用户进行分级和定位，将用户主要分为2个层级，每个层级有不同的任务与评判标准。将对不同层级的用户的操作进行奖励或者是收取交易费用。通过对上传模型与使用体验的用户给予不同的奖励。在训练模型时间内，如果用户数量和用户训练贡献发生变化，那么将调整用户的级别与Ⅰ类用户的权重大小。
[0006]在联邦学习中，要求用户本地训练模型并上传，通过高奖励与高支持让有意愿且持积极态度的用户对模型进行共享，并且这种激励措施可以帮助用户之间进行积极的交流，让用户更加活跃，帮助服务器完成更高的模型精确度和更接近实际情况的模型参数。
[0007]为达到上述目的，本专利技术提供如下技术方案：
[0008]一种区块链辅助的用于人工智能学习的激励方法，该方法包括以下步骤：
[0009]S1：向用户端发送边缘模型，请求进行训练；
[0010]S2：边缘服务器聚合得到的模型，筛选出对全局模型精度有提升的用户端设备，并记下贡献程度与设备标号；
[0011]S3：根据调研推送信息反馈，得出设备对待模型态度积极性；定义对待模型态度积极性为Att，设置问题回答，回答完整性的百分比帮助Att进行计算；
[0012]S4：通过表格划分，输入贡献度与对待模型态度积极性为得出用户端对应的等级分类；
[0013]S5：根据对应的用户等级，按照用户端等级义务标准对当前的设备要求模型分享或要求体验感受分数上传，通过权重分配方法修改Ⅰ类用户在联邦学习中的权重大小，并使用边缘服务器进行模型训练；
[0014]S6：根据Ⅰ类用户端上传模型的情况进行奖励，并对发出反馈的Ⅱ类用户给予奖励，并通过DAG的方式进行记录；
[0015]S7：若干次调整权重后，对边缘服务器的模型精确度测试；当达到最低阈值ACC1时停止训练。
[0016]可选的，所述S4中，通过S2得到用户端的相关信息，对贡献程度的判断标准有：上下载的时延Dtrans
u
、本地模型计算的时延DL
u
、模型的平均L，公式如下：
[0017][0018]C
n
表示第n个用户的贡献度，u是总共进行贡献度计算的轮数，A
nu
表示第m个用户第u轮训练时准确度的提升程度，a是相应网络条件下的平均网络时延，b是本地计算的平均延迟时间；Dtrans
u
是上下载的实时时延、DL
u
是本地模型计算的实时时延、L是模型的平均Loss数值；A
nu
是一个高权重的决策因素，使用贡献度平均值参数αM平衡公式中的计算值；
[0019]对调研反馈的积极性做出以下要求与公式评定：
[0020]第n个用户端对待模型积极性参数为：
[0021][0022]其中X
n
％表示第n个用户完成题目数量的百分比，D
L
表示本地延迟，D
T
是设备训练的总延迟，m％表示一般的用户端调研愿意接受度；完成调研题目的百分比作为参考数之一；
[0023]对优化模型的积极态度的用户有以下要求：
[0024]Att>Att3,Att3是一个参数当比较积极的设备测量出的积极参数的平均值，认为用户对待模型的态度是积极的。
[0025]可选的，所述输入贡献度与对待模型态度积极性为得出用户端对应的等级分类具体为：
[0026]首先，发起方对经S1中评判得出的高贡献用户进行数据/模型共享意愿调查；
[0027]通过对用户端的贡献度，将高贡献度且具有模型分享意愿高的用户端认为是Ⅰ类用户，即Ⅰ类用户是在联邦学习中计算能力强贡献度高且愿意上传模型的用户端；如果Ⅱ类用户需要边缘服务器的全局模型，并在本地训练之后对边缘服务器进行反馈，这类用户为Ⅱ类用户；
[0028]确定书面标准之后，通过线性方法对用户的等级进行分类；使用一种线性方式根据用户的贡献度与数据上传积极性进行定量的统计与划分，具体划分方式如下所示：
[0029]根据用户端对待模型态度的积极性Att和用户端的贡献度C，将用户端划分为两种等级；
[0030]如果Att在Att1与Att2的范围内，认为这是一个Ⅱ类用户，这类用户的贡献度高且对于Ⅰ类用户的数据训练即模型权重分配有着比较高的贡献价值；
[0031]如果Att在Att2以上且贡献度C在c2以上，其中c2是在历史贡献度中排名靠前的用户贡献度的平均值，认为这是一个Ⅰ类用户；
[0032]Att1是历史信息统计中，消极设备的Att统计平均值；Att2是历史信息统计中对模型态度较为积极的设备的Att统计平均值。
[0033]可选的，通过所述线性分类方法对现有的用户端进行分类之后，不同等级的用户端将会在边缘服务器训练中有着不同的权重；
[0034]每轮训练前除第一轮，Ⅰ类用户的权重将通过下面的方式改变：
[0035]对于Ⅰ类用户端上传的模型，采用以下方法分配权重并进行联邦学习：
[0036]S41：初始权重设置为
[0037]定义一个权重分数为αs
n
，并使用权重分数的大小对权重进行计算：
[0038]αs
n
＝I本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种区块链辅助的用于人工智能学习的激励方法，其特征在于：该方法包括以下步骤：S1：向用户端发送边缘模型，请求进行训练；S2：边缘服务器聚合得到的模型，筛选出对全局模型精度有提升的用户端设备，并记下贡献程度与设备标号；S3：根据调研推送信息反馈，得出设备对待模型态度积极性；定义对待模型态度积极性为Att，设置问题回答，回答完整性的百分比帮助Att进行计算；S4：通过表格划分，输入贡献度与对待模型态度积极性为得出用户端对应的等级分类；S5：根据对应的用户等级，按照用户端等级义务标准对当前的设备要求模型分享或要求体验感受分数上传，通过权重分配方法修改Ⅰ类用户在联邦学习中的权重大小，并使用边缘服务器进行模型训练；S6：根据Ⅰ类用户端上传模型的情况进行奖励，并对发出反馈的Ⅱ类用户给予奖励，并通过DAG的方式进行记录；S7：若干次调整权重后，对边缘服务器的模型精确度测试；当达到最低阈值ACC1时停止训练。2.根据权利要求1所述的一种区块链辅助的用于人工智能学习的激励方法，其特征在于：所述S4中，通过S2得到用户端的相关信息，对贡献程度的判断标准有：上下载的时延Dtrans
u
、本地模型计算的时延DL
u
、模型的平均L，公式如下：C
n
表示第n个用户的贡献度，u是总共进行贡献度计算的轮数，A
nu
表示第m个用户第u轮训练时准确度的提升程度，a是相应网络条件下的平均网络时延，b是本地计算的平均延迟时间；Dtrans
u
是上下载的实时时延、DL
u
是本地模型计算的实时时延、L是模型的平均Loss数值；A
nu
是一个高权重的决策因素，使用贡献度平均值参数αM平衡公式中的计算值；对调研反馈的积极性做出以下要求与公式评定：第n个用户端对待模型积极性参数为：其中X
n
％表示第n个用户完成题目数量的百分比，D
L
表示本地延迟，D
T
是设备训练的总延迟，m％表示一般的用户端调研愿意接受度；完成调研题目的百分比作为参考数之一；对优化模型的积极态度的用户有以下要求：Att>Att3,Att3是一个参数当比较积极的设备测量出的积极参数的平均值，认为用户对待模型的态度是积极的。3.根据权利要求2所述的一种区块链辅助的用于人工智能学习的激励方法，其特征在于：所述输入贡献度与对待模型态度积极性为得出用户端对应的等级分类具体为：首先，发起方对经S1中评判得出的高贡献用户进行数据/模型共享意愿调查；通过对用户端的贡献度，将高贡献度且具有模型分享意愿高的用户端认为是Ⅰ类用户，即Ⅰ类用户是在联邦学习中计算能力强贡献度高且愿意上传模型的用户端；如果Ⅱ类用户
需要边缘服务器的全局模型，并在本地训练之后对边缘服务器进行反馈，这类用户为Ⅱ类用户；确定书面标准之后，通过线性方法对用户的等级进行分类；使用一种线性方式根据用户的贡献度与数据上传积极性进行定量的统计与划分，具体划分方式如下所示：根据用户端对待模型态度的积极性Att和用户端的贡献度C，将用户端划分为两种等级；如果Att在Att1与Att2的范围内，认为这是一个Ⅱ类用户，这类用户的贡献度高且对于Ⅰ类用户的数据训练即模型权重分配有着比较高的贡献价值；如果Att在Att2以上且贡献度C在C2以上，其中C2是在历史贡献度中排名靠前的用户贡献度的平均值，认为这是一个Ⅰ类用户；Att1是历史信息统计中，消极设备的Att统计平均值；Att2是历史信息统计中对模型态度较为积极的设备的Att统计平均值。4.根据权利要求3所述的一种区块链辅助的用于人工智能学习的激励方法，其特征在于：通过所述线性分类方法对现有的用户端进行分类之后，不同等级的用户端将会在边缘服务器训练中有着不同的权重；每轮训练前除第一轮，Ⅰ类用户的权重将通过下面的方式改变：对于Ⅰ类用户端上传的模型，采用以下方法分配权重并进行联邦学习：S41：初始权重设置为定义一个权重分数为αs
n
，并使用权重分数的大小对权重进行计算：αs
n
＝I*C
n
+Att
n
+K*SC
n
+H*Ah
n
假设α
n
是K1中第n个用户端的权重，那么K1中第n个用户端的权重分别是：是K1中第n个用户端的权重，那么K1中第n个用户端的权重分别...
【专利技术属性】
技术研发人员：曹宗昊，田俊彦，崔太平，周致彤，余征涛，曾俊华，聂佳，
申请(专利权)人：重庆邮电大学，
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。