【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献度评估方法，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：
3、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，其中，所述模型更新信息包括模型参数梯度值、模型参数值和模型损失值中的至少一项；
4、对于所述发起方设备和所述提供方设备中参与贡献度计算的各个贡献
5、分别将所述各个贡献度参与设备的所述单轮贡献值进行累计，得到所述各个贡献度参与设备分别对应的联邦总贡献值；
6、计算第一目标设备对应的所述联邦总贡献值占所述各个贡献度参与设备的所述联邦总贡献值之和的比值，得到所述第一目标设备对所述联邦学习的贡献度，其中，所述第一目标设备为所述各个贡献度参与设备中的任意一个参与设备。
7、可选地，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：
8、对于各轮联邦训练中的一第一目标轮次，以及对于所述各个贡献度参与设备中的一第二目标设备，计算所述第二目标设备在所述第一目标轮次的联邦训练中上传的所述模型更新信息相对于联邦学习结束后所得到的模型信息的第一差距；
9、计算所述仲裁方设备在所述第一目标轮次的联邦训练中上传的所述模型更新信息相对于联邦学习结束后所得到的模型信息的第二差距；
10、根据所述第一差距和所述第二差距之间的差值得到所述第二目标设备在所述第一目标轮次的联邦训练中的单轮贡献值。
11、可选地，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：
12、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；
13、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包括：
14、在所述联邦学习结束后，从所述可信设备中获取所述各方参与设备在各轮联邦训练中上传的所述模型更新信息。
15、可选地，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：
16、获取预先上传至所述可信设备的信息上传策略；
17、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包括：
18、将在根据所述信息上传策略所确定的联邦训练轮次中本地所产生的模型更新信息上传至可信设备。
19、可选地，所述贡献度评估方法还包括：
20、从所述可信设备中获取所述各方参与设备在第二目标轮次的联邦训练中上传的所述模型更新信息；
21、将获取到的所述发起方设备和所述提供方设备在所述第二目标轮次的联邦训练中上传的所述模型更新信息进行联邦聚合，得到验证信息；
22、将所述验证信息与获取到的所述仲裁方设备在所述第二目标轮次的联邦训练中上传的所述模型更新信息进行比对；
23、在比对不一致的情况下，确定所述发起方设备和所述提供方设备在所述第二目标轮次的联邦训练中上传的所述模型更新信息中存在伪造信息。
24、可选地，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包括：
25、按照预设采样频率对所述联邦学习的联邦训练轮次进行采样，将在所采样的联邦训练轮次中本地所产生的模型更新信息上传至可信设备；或，
26、对所述联邦学习的各轮联邦训练中本地所产生的模型更新信息进行每第一预设轮数计算一次平均，将计算得到的平均模型更新信息上传至可信设备；或，
27、在所述联邦学习的每一轮联邦训练结束后，将在最近的第二预设轮数的联邦训练中本地所产生的模型更新参数计算平均，将计算得到的平均模型更新信息上传至可信设备。
28、为实现上述目的，本专利技术还提供一种贡献度评估装置，所述贡献度评估装置部署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，所述贡献度评估装置包括：
29、获取模块，用于在联邦学习结束后，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，其中，所述模型更新信息包括模型参数梯度值、模型参数值和模型损失值中的至少一项；
30、第一计算模块，用于对于所述发起方设备和所述提供方设备中参与贡献度计算的各个贡献度参与设备，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；
31、第二计算模块，用于分别将所述各个贡献度参与设备的所述单轮贡献值进行累计，得到所述各个贡献度参与设备分别对应的联邦总贡献值；
32、第三计算模块，用于计算第一目标设备对应的所述联邦总贡献值占所述各个贡献度参与设备的所述联邦总贡献值之和的比值，得到所述第一目标设备对所述联邦学习的贡献度，其中，所述第一目标设备为所述各个贡献度参与设备中的任意一个参与设备。
33、可选地，所述第一计算模块还用于：
34、对于各轮联邦训练中的一第一目标轮次，以及对于所述各个贡献度参与设备中的一第二目标设备，计算所述第二目标设备在所述第一目标轮次的联邦训练中上传的所述模型更新信息相对于联邦学习结束后所得到的模型信息的第一差距；
35、计算所述仲裁方设备在所述第一目标轮次的联邦训练中上传的所述模型更新信息相对于联邦学习结束后所得到的模型信息的第二差距；
36、根据所述第一差距和所述第二差距之间的差值得到所述第二目标设备在所述第一目标轮次的联邦训练中的单轮贡献值；
37、和/或，
38、所述贡献度评估装置还包括本文档来自技高网...
【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包括：
7.一种贡献度评估装置，其特征在于，所述贡献度评估装置部署于参与联邦学习的各方
8.如权利要求7所述的贡献度评估装置，其特征在于，所述第一计算模块还用于：
9.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的贡献度评估程序，所述贡献度评估程序被所述处理器执行时实现如权利要求1至6中任一项所述的贡献度评估方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有贡献度评估程序，所述贡献度评估程序被处理器执行时实现如权利要求1至6中任一项所述的贡献度评估方法的步骤。
...【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。