联邦学习回归模型损失函数评估方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种联邦学习回归模型损失函数评估方法、装置及电子设备，涉及模型训练技术领域，包括：获取第一原始数据；利用第一子模型对第一原始数据进行处理得到第一预测值，采用第一预测值确定第一中间数据，根据第一中间数据确定第一预测值秘密分享数据；根据从第二参与方获取的第二中间数据确定第二预测值秘密分享数据，根据从第三参与方获取的第三中间数据确定第三预测值秘密分享数据；根据第一、二、三预测值秘密分享数据，确定第一盲化数据；根据第一盲化数据、获取的第二盲化数据和获取的第三盲化数据，确定目标用户的联邦预测值；根据标签值和联邦预测值判断是否终止预设模型训练。提高了数据隐私安全性和模型训练效率。

【技术实现步骤摘要】

本专利技术涉及模型训练，尤其涉及一种联邦学习回归模型损失函数评估方法、装置及电子设备。

技术介绍

1、作为一种分布式机器学习技术，联邦学习的核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，在不需要交换本地个体或样本数据前提下，仅通过交换模型参数或中间结果的方式，构建基于虚拟融合数据下的全局模型，实现数据隐私保护和数据共享计算的平衡。联邦学习可被分为横向联邦学习、纵向联邦学习、迁移联邦学习。

2、对于纵向联邦学习的模型训练场景，如何恰当地结束模型训练阶段，是一个重要挑战。相关技术中，对于具有多个参与方的联邦学习场景，通常在各参与方本地最新相邻两个迭代模型的梯度向量的范数均小于某个预设阈值时结束训练。

3、但是，上述方式迭代次数较多，模型训练速度慢。

技术实现思路

1、本专利技术提供了一种联邦学习回归模型损失函数评估方法、装置及电子设备，以解决相关技术中基于多个参与方的联邦学习的模型训练迭代次数较多，模型训练速度慢的问题。

2、根据本专利技术的一方面，提供了一种本文档来自技高网...

【技术保护点】

1.一种联邦学习回归模型损失函数评估方法，其特征在于，应用于第一参与方，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述采用第一预测值确定第一中间数据，并根据第一中间数据确定第一预测值秘密分享数据，包括：

3.根据权利要求2所述的方法，其特征在于，所述根据从第二参与方获取的第二中间数据确定第二预测值秘密分享数据，包括：

4.根据权利要求2所述的方法，其特征在于，所述根据从第三参与方获取的第三中间数据确定第三预测值秘密分享数据，包括：

5.根据权利要求1所述的方法，其特征在于，所述第一盲化数据包括第一盲化因子和第三盲化值；第二盲...

【技术特征摘要】

1.一种联邦学习回归模型损失函数评估方法，其特征在于，应用于第一参与方，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述采用第一预测值确定第一中间数据，并根据第一中间数据确定第一预测值秘密分享数据，包括：

3.根据权利要求2所述的方法，其特征在于，所述根据从第二参与方获取的第二中间数据确定第二预测值秘密分享数据，包括：

4.根据权利要求2所述的方法，其特征在于，所述根据从第三参与方获取的第三中间数据确定第三预测值秘密分享数据，包括：

5.根据权利要求1所述的方法，其特征在于，所述第一盲化数据包括第一盲化因子和第三盲化值；第二盲化数据包括第二盲化因子和第一盲化值；第三盲化数据包括第三盲化因子和第二盲化值；所述根据第一盲化数据、从第二参与方获取的...

【专利技术属性】
技术研发人员：马平，兰春嘉，
申请(专利权)人：上海零数众合信息科技有限公司，
类型：发明
国别省市：