联邦学习方法、装置、设备、计算机存储介质及程序产品制造方法及图纸

本申请公开了一种联邦学习方法、装置、设备、计算机存储介质及程序产品，涉及大数据技术领域。该方法包括：在N个联邦参与节点中的目标联邦参与节点出现故障的情况下，从M个参考特征向量中确定与所述目标联邦参与节点的历史特征向量相关性大于预设阈值的目标特征向量；基于所述目标特征向量，生成所述目标联邦参与节点对应的模拟梯度数据；基于所述模拟梯度数据以及所述N个联邦参与节点中除所述目标联邦参与节点之外的联邦参与节点的N‑1个梯度数据，确定联邦学习计算结果。根据本申请实施例，在当某些数据所有者出现故障后，仍然能够充分保障联邦学习的安全计算以及高效执行，从而有效达到提升联邦学习效率和算力资源利用率的目的。

【技术实现步骤摘要】

本申请属于大数据，尤其涉及一种联邦学习方法、装置、设备、计算机存储介质及程序产品。

技术介绍

1、目前在传统联邦学习过程中，如果某一计算机构故障没有恢复，模型汇总节点没有收到该计算机构的梯度，在等待一段时间后，会向所有计算机构发出time out(暂停)，宣布本次计算无效，所有节点重新计算，如果该计算机构故障一直无法恢复，则本次纵向联邦学习无法正常进行。也即，传统联邦学习方法缺少一种当某些计算机构(数据所有者)出现故障后，保证安全计算可以继续高效执行的故障容错机制。

2、基于此，业界仍然亟待一种新型的纵向联邦学习方案，以在当某些计算机构出现故障后，依然可以进行联邦学习地高效安全计算，从而有效达到提升联邦学习效率和算力资源利用率的目的。

技术实现思路

1、本申请实施例提供一种联邦学习方法、装置、设备、计算机存储介质及程序产品，在当某些数据所有者出现故障后，仍然能够充分保障联邦学习的安全计算以及高效执行，从而有效达到提升联邦学习效率和算力资源利用率的目的。

2、第一方面，本申请实施例提供一本文档来自技高网...

【技术保护点】

1.一种联邦学习方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述从M个参考特征向量中确定与所述目标联邦参与节点的历史特征向量相关性大于预设阈值的目标特征向量，包括：

3.根据权利要求1所述的方法，其特征在于，在所述基于所述目标特征向量，生成所述目标联邦参与节点对应的模拟梯度数据之后，所述方法还包括：

4.根据权利要求1所述的方法，其特征在于，所述正则化线性回归方程中包括正则化参数，所述正则化参数的值基于方差扩大因子法估计得到。

5.根据权利要求3所述的方法，其特征在于，在所述将所述模拟梯度数据代入所述正则化线...

【技术特征摘要】

1.一种联邦学习方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述从m个参考特征向量中确定与所述目标联邦参与节点的历史特征向量相关性大于预设阈值的目标特征向量，包括：

3.根据权利要求1所述的方法，其特征在于，在所述基于所述目标特征向量，生成所述目标联邦参与节点对应的模拟梯度数据之后，所述方法还包括：

4.根据权利要求1所述的方法，其特征在于，所述正则化线性回归方程中包括正则化参数，所述正则化参数的值基于方差扩大因子法估计得到。

5.根据权利要求3所述的方法，其特征在于，在所述将所述模拟梯度数据代入所述正则化线性回归方程，计算得到所述模拟梯度数据对应的评价结果之后，所述方法还包括：

6.根据权利要求1所述的方法，其特征在于，在所述从m个参考特征向量中确定与所述目标联邦参与节点的历史特征向量相关性大于预设阈值的目标特征向量之前，所述方法还包括...

【专利技术属性】
技术研发人员：杨猛，
申请(专利权)人：中国移动通信集团辽宁有限公司，
类型：发明
国别省市：