【技术实现步骤摘要】
本申请涉及计算机，具体地涉及一种联邦机器学习方法、装置、存储介质、处理器及计算机设备。
技术介绍
1、目前，随着人工智能技术的飞速发展，人工智能技术的应用越来越广泛，已经被应用于图像分析、语音识别、文字处理、智能推荐、安全检测等多个领域，以联邦机器学习为代表的隐私计算技术已经成为新的前沿技术热点领域。联邦机器学习能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下进行数据使用和机器学习建模。
2、然而，在保护用户隐私的条件下，传统的联邦机器学习根据各个客户端节点开展联邦机器学习的训练，但对于某些客户端节点而言，其可能对提升联邦机器学习的性能不占有一定的优势，若盲目地选取某些客户端节点或采用全部的客户端节点进行联邦机器学习，则会降低联邦机器学习的训练效果，从而导致模型性能低下。
技术实现思路
1、本申请实施例的目的是提供一种联邦机器学习方法、装置、存储介质、处理器及计算机设备，用以解决现有技术中联邦机器学习性能低下的问题。
2、为了实现上述目的，本申请第一...
【技术保护点】
1.一种联邦机器学习方法，其特征在于，应用于服务器节点，所述方法包括：
2.根据权利要求1所述的联邦机器学习方法，其特征在于，所述根据每个客户端节点的当前累积贡献度确定参与所述当前训练轮次的客户端节点数量，以及每个客户端节点的当前随机被选中的概率包括：
3.根据权利要求1所述的联邦机器学习方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的联邦机器学习方法，其特征在于，所述根据每个参与本轮训练的客户端节点的本地更新梯度确定每个参与本轮训练的客户端节点相对于所述目标客户端节点的当前单次贡献度包括：
5.根据权利要求...
【技术特征摘要】
1.一种联邦机器学习方法，其特征在于，应用于服务器节点，所述方法包括：
2.根据权利要求1所述的联邦机器学习方法，其特征在于，所述根据每个客户端节点的当前累积贡献度确定参与所述当前训练轮次的客户端节点数量，以及每个客户端节点的当前随机被选中的概率包括：
3.根据权利要求1所述的联邦机器学习方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的联邦机器学习方法，其特征在于，所述根据每个参与本轮训练的客户端节点的本地更新梯度确定每个参与本轮训练的客户端节点相对于所述目标客户端节点的当前单次贡献度包括：
5.根据权利要求4所述的联邦机器学习方法，其特征在于，所述根据每个参与本轮训练的客户端节点的第一预测损失和所述第二预测损失确定每个参与本轮训练的客户端节点相对于所述目标客户端节点的当前单次贡献度包括：
6.根据权利要求4所述的联邦机器学习方法，其特征在于，所述第一测试参数由公式(1)确定：
7.根据权...
【专利技术属性】
技术研发人员：江军，王炜，
申请(专利权)人：北京天融信网络安全技术有限公司，
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。