【技术实现步骤摘要】
本公开涉及计算机，尤其涉及人工智能领域，具体涉及一种用于联邦学习的任务处理方法及装置、联邦学习推理系统、电子设备、计算机可读存储介质和计算机程序产品。
技术介绍
1、联邦学习(federated learning)是一种分布式机器学习技术，其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的前提下，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，从而实现数据隐私保护和数据共享计算的平衡，即“数据可用不可见”、“数据不动模型动”的应用新范式。
2、联邦学习一般涉及多个参与方，即，多个拥有本地数据的数据源，在训练完成后，每个参与方均具有各自训练好的模型。在使用训练好的联邦学习推理系统进行推理服务(例如：对目标对象进行标签预测)时，每个参与方均利用各自的模型执行各自的推理功能。可以理解，在进行推理服务时，需要多个参与方协调合作以得到推理结果。因此，目前急需一种能够优化多个参与方之间的协调合作，同时系统资源利用率高的联邦学习推理系统。
3、在此部分中描述...
【技术保护点】
1.一种用于联邦学习的任务处理方法，其中，所述方法用于联邦学习的协调方，包括：
2.根据权利要求1所述的方法，其中，所述至少一个推理请求至少包括多个推理请求，其中，将所述至少一个推理请求发送到消息队列包括：
3.根据权利要求1所述的方法，其中，所述协调方包括用于将所述多个推理请求发送到所述消息队列的消息处理线程，其中，在等待针对所述至少部分推理请求的推理结果期间，将所述多个推理请求中的另一部分推理请求发送到所述消息队列包括：
4.根据权利要求1所述的方法，其中，从所述消息队列获取所述多个参与方的推理结果并反馈至用户包括：
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。