【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种贡献度评估方法、装置、设备及计算机可读存储介质。
技术介绍
1、联邦学习是解决数据孤岛的一种技术，使得各方的数据相互可用而不可见，在保证数据安全的前提下，为联合建模，提升了ai模型准确度。横向联邦学习主要由发起方、提供方和仲裁方进行联合建模。其中仲裁方主要负责协调各方训练轮次，聚合联邦模型，模型一般由发起方提供，此外，发起方和提供方各自本地训练模型，并将本地训练得到的梯度添加扰动后上报给仲裁方。目前，可以通过评估各方对联邦学习的贡献度，根据贡献度给予奖励的方式来提高联邦学习的建模效果，但是，目前的贡献度评估方式是通过各方本地所训练出的模型的性能进行评估，通过模型性能来反映各方的贡献度，而对模型性能进行评估用到大量的数据集，计算效率低，导致贡献度评估效率低。
技术实现思路
1、本专利技术的主要目的在于提供一种贡献度评估方法、装置、设备及计算机可读存储介质，旨在提供一种贡献度评估方案，提高贡献度评估效率。
2、为实现上述目的，本专利技术提供一种贡...
【技术保护点】
1.一种贡献度评估方法，其特征在于，所述贡献度评估方法应用于参与联邦学习的各方参与设备，所述各方参与设备包括发起方设备、提供方设备和仲裁方设备，所述贡献度评估方法包括：
2.如权利要求1所述的贡献度评估方法，其特征在于，所述根据所述模型更新信息计算所述各个贡献度参与设备分别在各轮联邦训练中的单轮贡献值的步骤包括：
3.如权利要求1或2所述的贡献度评估方法，其特征在于，所述在联邦学习结束后，获取所述各方参与设备在各轮联邦训练中本地所产生的模型更新信息的步骤之前，还包括：
4.如权利要求3所述的贡献度评估方法，其特征在于，所述将在所述联...
【技术特征摘要】
1.一种贡献度评估方法，其特征在于，所述贡献度评估方法应用于参与联邦学习的各方参与设备，所述各方参与设备包括发起方设备、提供方设备和仲裁方设备，所述贡献度评估方法包括：
2.如权利要求1所述的贡献度评估方法，其特征在于，所述根据所述模型更新信息计算所述各个贡献度参与设备分别在各轮联邦训练中的单轮贡献值的步骤包括：
3.如权利要求1或2所述的贡献度评估方法，其特征在于，所述在联邦学习结束后，获取所述各方参与设备在各轮联邦训练中本地所产生的模型更新信息的步骤之前，还包括：
4.如权利要求3所述的贡献度评估方法，其特征在于，所述将在所述联邦学习的各轮联邦训练中本地所产生的所述模型更新信息上传至可信设备的步骤之前，还包括：
5.如权利要求3所述的贡献度评估方法，其特征在于，所述贡献度评估方法还包括：
6.如权利要求3所述的贡献度评估方...
【专利技术属性】
技术研发人员：祝训军，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
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。