联邦学习方法、装置、电子设备及存储介质与流程

1.本公开涉及人工智能技术领域，尤其涉及分布式数据处理和深度学习技术领域。具体涉及一种联邦学习方法、装置、电子设备、存储介质及计算机程序产品。


背景技术：

2.联邦学习是一种分布式机器学习技术，利用分布式的数据和计算资源在多个分布式边缘设备或服务器之间协作训练。联邦学习不需要共享设备的本地原始数据，可以防止设备的本地原始数据泄露。相关技术中，提供了解决单任务情况下提高联邦学习效率的方式，但如何提高多任务场景下联邦学习的效率是亟待解决的问题。


技术实现要素：

3.基于此，本公开提供了一种联邦学习方法、装置、电子设备、存储介质和计算机程序产品。
4.根据本公开的一个方面，提供了一种联邦学习方法，包括：针对当前学习周期，基于多个备选设备的资源信息，确定上述多个备选设备中针对待执行的至少一个学习任务中每个任务的目标设备；向针对上述每个任务的目标设备发送针对上述每个任务的全局模型，以使针对上述每个任务的目标设备对针对上述每个任务的全局模型进行训练；以及响应于接收到针对上述每个任务的所有目标设备所发送的训练后模型，基于上述训练后模型更新针对上述每个任务的全局模型，完成上述当前学习周期。
5.根据本公开的另一个方面，提供了一种联邦学习装置，包括：第一确定模块，用于针对当前学习周期，基于多个备选设备的资源信息，确定上述多个备选设备中针对待执行的至少一个学习任务中每个任务的目标设备；第一发送模块，用于向针对上述每个任务的目标设备发送针对上述每个任务的全局模型，以使针对上述每个任务的目标设备对针对上述每个任务的全局模型进行训练；以及更新模块，用于响应于接收到针对上述每个任务的所有目标设备所发送的训练后模型，基于上述训练后模型更新针对上述每个任务的全局模型，完成上述当前学习周期。
6.根据本公开的另一个方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的联邦学习方法。
7.根据本公开的另一个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的联邦学习方法。
8.根据本公开的另一个方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现本公开提供的联邦学习方法。
9.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
10.附图用于更好地理解本方案，不构成对本公开的限定。其中：
11.图1是根据本公开实施例的可以应用联邦学习方法和装置的系统架构示意图；
12.图2是根据本公开实施例的联邦学习方法的流程示意图；
13.图3是根据本公开实施例的确定多个备选设备中针对待执行的至少一个学习任务中每个任务的目标设备的流程示意图；
14.图4是根据本公开实施例的联邦学习方法的原理示意图；
15.图5是根据本公开一个实施例的联邦学习装置的结构框图；以及
16.图6是用来实施本公开实施例的联邦学方法的电子设备的框图。
具体实施方式
17.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
18.在多任务情况下，可以通过优化服务器资源的方式提高联邦学习的效率。例如，可以通过优化分配任务的方式来减少网络延迟，进而提高联邦学习的效率。又例如，也可以通过优化服务器的cpu(central processing unit，中央处理器)和通信等资源来减少收敛时间，进而提高联邦学习的效率。又例如，也可以采用多任务协作的方式进行多任务加速，以解决分布式多任务学习的高通信成本和容错性等问题，进而提高联邦学习的效率。
19.相关技术中，仅考虑了如何优化服务器资源，未考虑如何优化设备资源的调度方案。设备的资源是有限的，并不能保证有充足的资源在同一时间运行多个任务。
20.以下将结合图1对本公开提供的方法和装置的系统架构进行描述。
21.图1是根据本公开实施例的联邦学习方法和装置的系统架构示意图。
22.如图1所示，根据该实施例的系统架构100可以包括多个设备101、网络102和服务器103。网络102用以在设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线和/或无线通信链路等等。
23.用户可以使用设备101通过网络102与服务器103进行交互，以接收或发送消息等。设备101可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等等。
24.本公开实施例所提供的联邦学习方法一般可以由服务器103执行。相应地，本公开实施例所提供的联邦学习装置一般可以设置于服务器103中。本公开实施例所提供的联邦学习方法也可以由不同于服务器103且能够与设备101和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的联邦学习装置也可以设置于不同于服务器103且能够与设备101和/或服务器103通信的服务器或服务器集群中。
25.在本公开实施例中，在当前学习周期中，服务器103可以将训练任务分配给不同的设备101，例如通过网络102将训练任务分配给不同的设备101。多个设备101在完成一定的训练次数后将训练后模型通过网络102返回给服务器103。服务器103根据不同设备101返回的训练后模型更新针对该训练任务的全局模型的参数，完成当前学习周期的训练。
26.应该理解，图1中的设备101和服务器103的数目和类型仅仅是示意性的。根据实现
需要，可以具有任意数据和类型的终端、道路、车辆和通信基站。
27.以下将结合图1，通过以下图2～图4对本公开提供的联邦学习方法进行详细描述。
28.图2是根据本公开一个实施例的联邦学习方法的流程图。
29.如图2所示，该方法200可以包括操作s210～操作s230。
30.在操作s210，针对当前学习周期，基于多个备选设备的资源信息，确定多个备选设备中针对待执行的至少一个学习任务中每个任务的目标设备。
31.例如，待执行的至少一个任务可以包括训练至少一个语音识别模型的任务。
32.例如，待执行的至少一个任务可以包括训练语音识别模型的任务、训练图像分类模型的任务、训练文本生成模型的任务等等。
33.在本公开实施例中，可以运行多个学习周期，以执行至少一个学习任务。
34.例如，可以运行100个学习周期，以执行训练语音识别模型的任务。
35.例如，可以运行200个学习周期，以执行训练语音识别模型、训练图像分类模型、训练文本生成模型的任务。执行训练语音识别模型的任务需要100个学习周期，执行训练图像分类模型的任务需要120个学习周期，执行训练文本生成模型的任务需要200个学习周期。在一个示例中，在第101个学习周期，不再执行训练语音识别模型的任务。
36.在本公开实施例中，待执行的至少一个任务的数量可以是固定的。
37.例如，可以只执行训练语音识别模型的任务、训练图像分类模型的任务、训练文本生成模型的任务。
38.在本公开实施例中，待执行的至少一个任务的数量可以是动态的。
39.例如，在开始运行后，可以执行训练语音识别模型的任务、训练图像分类模型的任务、训练文本生成模型的任务。在一个示例中，可以运行200个学习周期，以执行训练语音识别模型的任务、训练图像分类模型的任务、训练文本生成模型的任务。执行训练语音识别模型的任务需要100个学习周期，在第101个学习周期，训练语音识别模型的任务已经结束，可以加入训练图像识别模型的任务和训练语义识别模型的任务。
40.在本公开实施例中，在一个学习周期中，针对一个学习任务，可以使设备对与该学习任务对应的模型进行多次训练。
41.例如，在一个学习周期中，针对训练语音识别模型的任务，可以使设备对该语音识别模型进行5次训练。该学习周期结束后，可以接收最后一次训练得到的语音识别模型作为训练后语音识别模型。
42.在本公开实施例中，备选设备的资源信息可以是设备硬件资源。
43.例如，备选设备的资源信息可以包括设备内cpu的数量和使用率，也可以是gpu(graphics processing unit，图形处理器)的数量和使用率，也可以是内存的容量。可以理解的是，上述资源信息仅作为示例以利于理解本公开，本公开对此不做限定。
44.在操作s220，向针对每个任务的目标设备发送针对每个任务的全局模型，以使针对每个任务的目标设备对针对每个任务的全局模型进行训练。
45.在本公开实施例中，可以利用设备的本地原始数据，使针对每个任务的目标设备对针对每个任务的全局模型进行训练。
46.例如，在一个目标设备接收到一个任务的全局模型后，从本地原始数据选出执行该任务所需的训练数据，将该训练数据输入该任务的全局模型，根据该全局模型的输出与
训练数据的标签，对该全局模型进行训练。
47.在本公开实施例中，可以根据执行每个任务的目标设备的资源信息，确定针对每个任务的目标设备训练针对每个任务的全局模型的目标次数。
48.例如，针对一个任务，一个目标设备的cpu数量较多，可以确定训练针对该任务的全局模型的目标次数为10次；另一个目标设备的cpu数量较少，可以确定训练针对该任务的全局模型的目标次数为5次。该目标次数例如可以与cpu的占用率负相关，或与cpu的数量正相关。
49.在本公开实施例中，在确定目标次数后，可以向针对每个任务的目标设备发送目标次数，以使针对每个任务的目标设备基于该目标次数对针对每个任务的全局模型进行训练。
50.在操作s230，响应于接收到针对每个任务的所有目标设备所发送的训练后模型，基于训练后模型更新针对每个任务的全局模型，完成当前学习周期。
51.例如，在当前学习周期，根据训练后语音识别模型更新全局语音识别模型，根据训练后图像分类模型更新全局图像分类模型，根据训练后文本生成模型更新全局文本生成模型。
52.通过本公开实施例，根据该联邦学习方法，多个任务可以并行执行，而不互相等待，在模型达到预期性能或者最终停止条件到来之前，除了初始化以外所有步骤都可重复多个周期。本公开实施例的联邦学习方法充分考虑了当前调度方案对其他任务的影响，可以为每个任务更合理地调度设备资源以最大程度地减少收敛时间。
53.图3是根据本公开实施例的确定多个备选设备中针对待执行的至少一个学习任务中每个任务的目标设备的流程示意图。
54.如图3所示，该方法可以针对当前学习周期，基于多个备选设备的资源信息，确定多个备选设备中针对待执行的至少一个学习任务中每个任务的目标设备。下面将通过下述操作s311～操作s315进行详细说明。
55.在操作s311，基于多个备选设备的资源信息，确定使当前学习周期的时间成本最小的目标设备集，作为候选调度信息。
56.例如，目标设备集包括分别针对至少一个学习任务的至少一个目标设备组。
57.在本公开实施例中，共有k个备选设备，该k个备选设备构成备选设备集κ，表示为{1，2，...，k}，这些备选设备共同参与m个不同任务的模型训练，其中该m个不同任务构成任务集，表示为{1，2，...，m}。
58.在本公开实施例中，可以基于多个备选设备的资源信息，确定多个备选设备中的每个备选设备执行每个任务的时长信息。
59.例如，可以基于每个备选设备的资源信息，确定每个备选设备的计算指标，计算指标指示每个备选设备的计算能力。
60.在一些示例中，第k个备选设备的计算指标包括a
k
和μ
k
，其中，通过以下等式获取一个计算指标a
k
：
61.a
k
＝mac/f
ꢀꢀꢀꢀ
(1)
62.其中，mac为与模型的权重个数相关的超参，该mac例如可以与权重个数正相关，f为cpu的频率。计算指标a
k
的单位为ms/sample。
63.计算指标μ
k
与计算指标a
k
互为倒数。
64.例如，基于计算指标和每个备选设备中存储的针对每个任务的训练数据的数据量，采用预定位移指数分布确定每个备选设备执行每个任务的时长信息。
65.在一些示例中，通过采用预定位移指数分布确定一个备选设备执行一个任务的时长信息，其中，预定位移指数分布可以采用以下等式表示：
[0066][0067]
其中，为预定位移指数分布函数，为第k个备选设备的本地数据库中针对第m个任务的训练数据的数据量，t为时长信息，τ
m
设备的迭代次数，该τ
m
例如可以为超参，m≤m，第k个备选设备为上述k个备选设备中的一个设备。
[0068]
在确定了第k个备选设备的计算指标a
k
和μ
k
、针对第m个任务的训练数据的数据量以及设备的迭代次数τ
m
后，可以通过预定位移指数分布函数确定时长信息t。可以采用类似的手段，确定每个备选设备执行每个任务的时长信息。
[0069]
在本公开实施例中，可以基于时长信息，确定使当前学习周期的时间成本最小的目标设备集。
[0070]
例如，该实施例还可以基于每个备选设备在当前学习周期之前的学习周期中执行每个任务的次数，确定多个备选设备针对每个任务的调度平衡方差。
[0071]
在一些示例中，可以通过以下等式确定一个备选设备针对一个任务的调度平衡方差：
[0072][0073]
其中，g(s
m
)为调度平衡方差，q
m
[n]是一个大小为n的集合。q
m
[n]包括k个数据，每个数据表示一个设备被第m个任务的前(r
m
‑
1)个学习周期选中的次数。在第r
m
个学习周期，执行第m个任务的设备组例如可以表示为s
m
。可以采用类似的手段，确定多个备选设备针对每个任务的调度平衡方差。
[0074]
例如，可以基于调度平衡方差和时长信息，确定使当前学习周期的时间成本最小的目标设备集。
[0075]
在一些示例中，针对当前周期的一个任务，通过以下等式确定使当前学习周期的时间成本最小的目标设备组s
t
：
[0076][0077]
其中，s∈{s1，s2，...，s
m
}，为第k个备选设备在一个训练周期中执行第m个任务所需的通信时间，为第k个备选设备在一个训练周期中执行第m个任务所需的计算周期，λ
m
为超参。采用相同方式，可以针对当前周期中其他任务，通过例如公式(4)所示等式确定使当前学习周期的时间成本最小的多个目标设备组。多个目标设备组形成目标设备集。其中，在一个训练周期中，一个设备仅被分配
为执行一个学习任务。
[0078]
该实施例可以借鉴贪婪算法的思想，在当前学习周期，得到使得所有任务所需训练时间最短的近似解(比如目标设备集)。
[0079]
在本公开实施例中，以候选调度信息和多个预定调度信息作为初始调度信息集，以执行下述操作s312。
[0080]
例如，将目标设备集作为候选调度信息p
t
，将候选调度信息p
t
与n
‑
1个随机生成的调度信息组合，得到n个调度信息，并构成初始调度信息集。其中，n为正整数。
[0081]
在操作s312，调整当前调度信息集中的目标调度信息，得到n个调整后调度信息。
[0082]
在本公开实施例中，在首次调整当前调度信息集中的目标调度信息时，当前调度信息为上述初始调度信息。
[0083]
在本公开实施例中，基于当前调度信息集中各调度信息针对当前学习周期的时间成本，确定当前调度信息集中的至少两个调度信息为目标调度信息。
[0084]
例如，可以确定当前调度信息集中的两个调度信息为目标调度信息。在一些示例中，可以确定调度信息p1＝{k1，k2，k3，k4，k5}和p2＝{k1，k2，k6，k7，k8}为目标调度信息。k1，k2，k3，k4，k5，k6，k7，k8均为设备集κ中的一个备选设备。
[0085]
例如，可以确定当前调度信息集中三个调度信息为目标调度信息。在一些示例中，可以确定调度信息p1＝{k1，k2，k3，k4，k5}、p2＝{k1，k2，k6，k7，k8}和p3＝{k1，k3，k6，k7，k9}为目标调度信息。
[0086]
例如，可以通过以下等式计算调度信息的适应值fitness：
[0087][0088]
进而根据各调度信息的适应值的大小，采用轮盘选择算子(roulette wheel selection)选择两个调度信息。比如，采用轮盘选择算子选择了调度信息p1和p2作为目标调度信息。
[0089]
在本公开实施例中，采用交叉操作调整目标调度信息中的任意两个调度信息，得到调整后调度信息。
[0090]
例如，在确定了任意两个调度信息中备选设备的差集，得到多个目标设备。
[0091]
在一些示例中，可以计算调度信息p1＝{k1，k2，k3，k4，k5}和调度信息p2＝{k1，k2，k6，k7，k8}的差，得到6个目标设备：k3，k4，k5，k6，k7，k8。
[0092]
例如，基于多个目标设备，采用交叉操作调整目标调度信息中的任意两个调度信息。
[0093]
在一些示例中，基于k3，k4，k5，k6，k7，k8，采用交叉操作调整调度信息p1＝{k1，k2，k3，k4，k5}和调度信息p2＝{k1，k2，k6，k7，k8}，得到调整后调度信息。该调整后调度信息可以是p'1＝{k1，k2，k3，k4，k6}和p
′2＝{k1，k2，k5，k7，k8}。
[0094]
在操作s313，从n个调整后调度信息和当前调度信息集中剔除使当前学习周期的时间成本较高的n个调度信息，得到更新后调度信息集。
[0095]
例如，可以从2个调整后调度信息p'1和p'2，以及n个当前调度信息中剔除2个调度信息，得到更新后调度信息集，更新后调度信息集中包含n个调度信息。
[0096]
在一些示例中，可以根据适应值的大小，剔除调度信息。比如，剔除适应值最小的
两个调度信息。
[0097]
在操作s314，确定是否满足预定循环停止条件。若确定不满足预定循环停止条件，返回至上述操作s312；若确定满足预定循环停止条件，则执行操作s315。
[0098]
在本公开实施例中，预定循环停止条件可以为更新后调度信息集中某个调度信息的适应值达到预设值。
[0099]
在操作s315，输出针对待执行的至少一个学习任务中每个任务的目标设备。
[0100]
例如，循环执行上述操作s312～操作s313多次后，当前调度信息中某个调度信息的适应值达到预设值，可以停止循环，输出当前调度信息中适应值最大的调度信息，该适应值最大的调度信息包含针对待执行的至少一个学习任务中每个任务的目标设备。
[0101]
借鉴遗传算法的思想，该实施例的技术方案能够搜索大而复杂的调度信息集，能够提供多个满意的调度信息集。该实施例通过有限次循环，可以促进当前调度信息集进化至满足条件的调度信息集。
[0102]
在一些实施例中，可以通过以下等式确定使得联邦学习方法的学习周期：
[0103][0104]
其中，及为表示任务m的收敛曲线的超参，l
m
为预设的损失值，r
m
为实现预设的损失值l
m
所需的学习周期的数量。在确定及l
m
的情况下，可以确定r
m
。根据该r
m
，可以确定每个学习任务的学习周期。如此，该实施例可以在联邦学习中，确定多个学习任务中每个学习任务所需的学习周期。
[0105]
根据本公开的实施例，在某个学习任务的学习周期达到所需的学习周期，则在下一次学习周期中，待执行的学习任务则不再包括该某个学习任务。
[0106]
图4是根据本公开实施例的迁移学习方法的原理示意图。
[0107]
如图4所示，可以基于每个备选设备的计算指标401和每个备选设备中存储的针对每个任务的训练数据的数据量402，采用例如公式(2)确定每个备选设备执行每个任务的时长信息404。
[0108]
同时，可以根据每个备选设备在当前学习周期之前的学习周期中执行每个任务的次数403，根据例如公式(3)确定多个备选设备针对每个任务的调度平衡方差405。
[0109]
接下来，可以基于每个备选设备执行每个任务的时长信息404和多个备选设备针对每个任务的调度平衡方差405，根据例如公式(4)确定针对每个任务的多个目标设备组，多个目标设备组组成的集合为目标设备集406。目标设备集406可以使得当前学习周期的时间成本最小。
[0110]
可以将目标设备集406作为候选调度信息407。再根据候选调度信息407和预定调度信息408得到初始调度信息集409。
[0111]
接下来，进行循环操作，直至满足预定循环停止条件。在首次循环的过程中，以初始调度信息集409为当前调度信息集410。
[0112]
在一次循环操作过程中，从当前调度信息集410中选择至少两个调度信息作为目标调度信息，至少两个调度信息例如包括图4中的目标调度信息ta 411和目标调度信息tb 412。可以先确定目标调度信息ta 411和目标调度信息tb 412的差集，得到多个目标设备。
再进行交叉操作，调整两个目标调度信息，比如将属于目标调度信息ta 411的一个目标设备与属于目标调度信息tb 412中的另一个目标设备互换，得到调整后调度信息ma 413和调整后调度信息mb 414。
[0113]
从调整后调度信息ma 413、调整后调度信息mb 414和当前调度信息集410中，根据例如公式(5)确定每个调度信息的适应值，剔除适应值最小的两个调度信息，得到更新后调度信息集415。调度信息的适应值越小，当前学习周期的时间成本越高。
[0114]
该实施例确定更新后调度信息集415中适应值最大的调度信息416是否满足预定循环停止条件，若满足预定循环停止条件，则将该适应值最大的调度信息416作为输出结果；若不满足预定循环停止条件，则将更新后调度信息集415作为当前调度信息集410，重复上述操作，直至满足循环静止条件。
[0115]
基于本公开提供的联邦学习方法，本公开还提供了一种联邦学习装置。以下将结合图5对该装置进行详细描述。
[0116]
图5是根据本公开实施例的联邦学习装置的结构框图。
[0117]
如图5所示，该装置500包括第一确定模块510、第一发送模块520以及更新模块530。
[0118]
第一确定模块510，用于针对当前学习周期，基于多个备选设备的资源信息，确定上述多个备选设备中针对待执行的至少一个学习任务中每个任务的目标设备。在一些实施例中，第一确定模块510可以用于执行前文描述的操作s210，在此不再赘述。
[0119]
第一发送模块520，用于向针对上述每个任务的目标设备发送针对上述每个任务的全局模型，以使针对上述每个任务的目标设备对针对上述每个任务的全局模型进行训练。在一些实施例中，第一发送模块520可以用于执行前文描述的操作s220，在此不再赘述。
[0120]
更新模块530，用于响应于接收到针对上述每个任务的所有目标设备所发送的训练后模型，基于上述训练后模型更新针对上述每个任务的全局模型，完成上述当前学习周期。在一些实施例中，更新模块530可以用于执行前文描述的操作s230，在此不再赘述。
[0121]
在一些实施例中，上述第一确定模块包括：第一确定子模块，用于基于上述多个备选设备的资源信息，确定使当前学习周期的时间成本最小的目标设备集，作为候选调度信息；上述目标设备集包括分别针对至少一个学习任务的多个目标设备组；循环子模块，用于以上述候选调度信息和多个预定调度信息作为初始调度信息集，通过以下单元循环地执行操作，直至满足预定循环停止条件：调整单元，用于调整当前调度信息集中的目标调度信息，得到n个调整后调度信息，其中n为正整数；以及剔除单元，用于从上述n个调整后调度信息和上述当前调度信息集中剔除使上述当前学习周期的时间成本较高的n个调度信息，得到更新后调度信息集。
[0122]
在一些实施例中，上述第二确定子模块包括：第一确定单元，用于基于上述多个备选设备的资源信息，确定上述多个备选设备中的每个备选设备执行上述每个任务的时长信息；以及第二确定单元，用于基于上述时长信息，确定使当前学习周期的时间成本最小的目标设备集。
[0123]
在一些实施例中，上述第二确定单元包括：第一确定子单元，用于基于上述每个备选设备在上述当前学习周期之前的学习周期中执行上述每个任务的次数，确定上述多个备选设备针对上述每个任务的调度平衡方差；以及第二确定子单元，用于基于上述调度平衡
方差和上述时长信息，确定使当前学习周期的时间成本最小的目标设备集。
[0124]
在一些实施例中，上述第一确定单元包括：第三确定子单元，用于基于上述每个备选设备的资源信息，确定上述每个备选设备的计算指标，上述计算指标指示上述每个备选设备的计算能力；以及执行子单元，用于基于上述计算指标和上述每个备选设备中存储的针对上述每个任务的训练数据的数据量，采用预定位移指数分布确定上述每个备选设备执行上述每个任务的时长信息。
[0125]
在一些实施例中，上述调整单元包括：第四确定子单元，用于基于上述当前调度信息集中各调度信息针对上述当前学习周期的时间成本，确定上述当前调度信息集中的至少两个调度信息为目标调度信息；以及第一调整子单元，用于采用交叉操作调整上述目标调度信息中的任意两个调度信息，得到调整后调度信息。
[0126]
在一些实施例中，上述第一调整子单元包括：第五确定子单元，用于确定上述任意两个调度信息中备选设备的差集，得到多个目标设备；以及第二调整子单元，用于基于上述多个目标设备，采用上述交叉操作调整上述目标调度信息中的任意两个调度信息。
[0127]
在一些实施例中，该装置500还包括：第二确定模块，用于根据执行上述每个任务的目标设备的资源信息，确定针对上述每个任务的目标设备训练针对上述每个任务的全局模型的目标次数；以及第二发送模块，用于向针对上述每个任务的目标设备发送上述目标次数，以使针对上述每个任务的目标设备基于上述目标次数对针对上述每个任务的全局模型进行训练。
[0128]
需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取、收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0129]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0130]
图6示出了可以用来实施本公开实施例的联邦学习方法的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0131]
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0132]
设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0133]
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工
智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如联邦学习方法。例如，在一些实施例中，联邦学习方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的联邦学习方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行联邦学习方法。
[0134]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0135]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0136]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0137]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0138]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部
件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0139]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。其中，服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务(
″
virtual private server
″
，或简称
″
vps
″
)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0140]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0141]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。