技术特征：
1.协作式的模型训练方法，其特征在于，包括：从多个客户端对应的客户端集中选取出共享数据集；根据所述共享数据集和预设分数参与联邦学习训练，得到分类模型参数；将所述分类模型参数广播至所述多个客户端；获取所述多个客户端返回的更新模型参数；根据所述更新模型参数进行聚合，得到多个全局二元分类模型；将所述多个全局二元分类模型集成为全局多分类模型。2.根据权利要求1所述的方法，其特征在于，所述从多个客户端对应的客户端集中选取出共享数据集，包括：获取所述多个客户端对应的客户标签；根据所述客户标签从多个所述客户端集中选取出所述共享数据集。3.根据权利要求1所述的方法，其特征在于，所述根据所述更新模型参数进行聚合，得到多个全局二元分类模型，包括：获取所述更新模型参数对应的更新二元分类模型；根据所述更新二元分类模型对所述更新模型参数进行分组，得到多个待聚合分类组；分别提取每个所述待聚合分类组的待聚合参数；根据所述待聚合参数和所述更新二元分类模型进行聚合，得到所述多个全局二元分类模型。4.协作式的模型训练方法，其特征在于，包括：获取服务器广播的分类模型参数；获取多个本地二元分类模型对应的本地数据标签；根据所述本地数据标签初始化多个所述本地二元分类模型；根据本地数据集优化初始化后的多个所述本地二元分类模型，得到多个更新模型参数和多个更新二元分类模型；将所述更新模型参数发回至所述服务器。5.根据权利要求4所述的方法，其特征在于，所述根据本地数据集优化初始化后的多个所述本地二元分类模型，得到多个更新模型参数，包括：获取所述本地二元分类模型对应的目标函数；根据所述本地数据集、所述目标函数执行随机梯度下降，优化所述本地二元分类模型，得到所述更新模型参数。6.协作式的模型训练方法，用于服务器和客户端，所述服务器与所述客户端通信连接，其特征在于，所述方法包括：所述服务器执行如权利要求1至3任一项所述的协作式的模型训练方法，所述客户端执行如权利要求4至5任一项所述的协作式的模型训练方法。7.协作式的模型训练装置，其特征在于，包括：选取模块，用于从多个客户端对应的客户端集中选取出共享数据集；训练模块，用于根据所述共享数据集和预设分数参与联邦学习训练，得到分类模型参数；广播模块，用于将所述分类模型参数广播至所述多个客户端；
第一获取模块，用于获取所述多个客户端返回的更新模型参数；聚合模块，用于根据所述更新模型参数进行聚合，得到多个全局二元分类模型；集成模块，用于将所述多个全局二元分类模型集成为全局多分类模型。8.协作式的模型训练装置，其特征在于，包括：第二获取模块，用于获取服务器广播的分类模型参数；第三获取模块，用于获取多个本地二元分类模型对应的本地数据标签；初始化模块，用于根据所述本地数据标签初始化多个所述本地二元分类模型；优化模块，用于根据本地数据集优化初始化后的多个所述本地二元分类模型，得到多个更新模型参数和多个更新二元分类模型；返回模块，用于将所述更新模型参数发回至所述服务器。
技术总结
本发明公开了一种协作式的模型训练方法及装置，涉及深度学习技术领域，其中协作式的模型训练方法包括：从多个客户端对应的客户端集中选取出共享数据集；根据共享数据集和预设分数参与联邦学习训练，得到分类模型参数；将分类模型参数广播至多个客户端；获取多个客户端返回的更新模型参数；根据更新模型参数进行聚合，得到多个全局二元分类模型；将多个全局二元分类模型集成为全局多分类模型。上述协作式的模型训练方法，能够提高联邦学习框架的性能、准确性和收敛速度，不需要共享任何数据、不需要基于特定模型，并提供完整的隐私保护，精度波动更小，从而减少了数据对模型收敛的负面影响，适用于大规模用户场景。适用于大规模用户场景。适用于大规模用户场景。
技术研发人员：余剑峤 朱元绍 刘毅
受保护的技术使用者：南方科技大学
技术研发日：2021.06.28
技术公布日：2021/10/23