一种联合学习的资源分配方法及装置与流程

本公开涉及机器学习，尤其涉及一种联合学习的资源分配方法及装置。

背景技术：

1、在隐私和数据保护问题日益受到重视的大环境下，联合学习已经成为人工智能领域中的一个非常热门的研究方向。联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种ai(artificial intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。

2、对于联合学习而言，参与方持续地参与到联合学习进程(例如，通过共享加密的模型参数)是其长期成功的关键所在。然而，在现有技术中，联合学习的评估奖励机制大多是采用平均分配的方式，难免会存在分配不合理、不公平等问题，这就容易因激励分配不公平等原因而流失掉部分拥有充分且有效数据的参与方，这无疑将会不利于联合学习的长期良好可持续发展。

技术实现思路

1、有鉴于此，本公开实施例提供了一种联合学习的资源分配方法及装置，以解决现有技术中联合学习的评估奖励机制大多是采用平均分配的方式，难免会存在分配不合理、不公平等问题，容易导致因激励分配不公平等原因而流失掉部分拥有充分且有效数据的参与方，不利于联合学习的长期良好可持续发展的问题。

2、本公开实施例的第一方面，提供了一种联合学习的资源分配方法，包括：

3、读取预设的资源分配配置信息，资源分配配置信息包括属性配置信息、贡献度配置信息及监控配置信息；

4、获取多个模型需求方提供的模型需求信息，根据属性配置信息和模型需求信息，确定目标需求方；

5、确定与模型需求信息匹配的多个目标资源贡献方，获取每个目标资源贡献方的模型资源，模型资源包括模型参数及有效训练数据量；

6、根据属性配置信息、贡献度配置信息、监控配置信息及模型资源，确定每个目标资源贡献方对应的分配值，并将分配值反馈至各个目标资源贡献方。

7、本公开实施例的第二方面，提供了一种联合学习的资源分配装置，包括：

8、读取模块，被配置为读取预设的资源分配配置信息，资源分配配置信息包括属性配置信息、贡献度配置信息及监控配置信息；

9、需求方确定模块，被配置为获取多个模型需求方提供的模型需求信息，根据属性配置信息和模型需求信息，确定目标需求方；

10、资源获取模块，被配置为确定与模型需求信息匹配的多个目标资源贡献方，获取每个目标资源贡献方的模型资源，模型资源包括模型参数及有效训练数据量；

11、分配模块，被配置为根据属性配置信息、贡献度配置信息、监控配置信息及模型资源，确定每个目标资源贡献方对应的分配值，并将分配值反馈至各个目标资源贡献方。

12、本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

13、本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

14、本公开实施例与现有技术相比，有益效果至少包括：本公开实施例通过读取预设的资源分配配置信息，资源分配配置信息包括属性配置信息、贡献度配置信息及监控配置信息；获取多个模型需求方提供的模型需求信息，根据属性配置信息和模型需求信息，确定目标需求方；确定与模型需求信息匹配的多个目标资源贡献方，获取每个目标资源贡献方的模型资源，模型资源包括模型参数及有效训练数据量；根据属性配置信息、贡献度配置信息、监控配置信息及模型资源，确定每个目标资源贡献方对应的分配值，并将分配值反馈至各个目标资源贡献方，充分考虑到各个目标资源贡献方的对模型需求方所需要的模型的效用的贡献度等方面因素，使得各个目标资源贡献方能够得到与其所提供的模型资源相匹配的分配值，不仅可激发资源贡献方提供模型资源的积极性，还可以进一步约束资源贡献方提供真实、有效的模型参数，以利于联合学习的长期良好可持续发展。

技术特征：

1.一种联合学习的资源分配方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述模型需求信息包括需求模型；

3.根据权利要求2所述的方法，其特征在于，所述根据所述属性配置信息，从所述模型需求方集合中筛选出目标需求方，包括：

4.根据权利要求2所述的方法，其特征在于，所述确定与所述模型需求信息匹配的多个目标资源贡献方，包括：

5.根据权利要求4所述的方法，其特征在于，所述获取所述多个资源贡献方上报的待拍卖模型的模型信息之前，还包括：

6.根据权利要求1所述的方法，其特征在于，所述根据所述属性配置信息、贡献度配置信息、监控配置信息及所述模型资源，确定每个所述目标资源贡献方对应的分配值，包括：

7.根据权利要求6所述的方法，其特征在于，所述根据所述监控配置信息和预设的第三权重，计算每个所述目标资源贡献方的惩罚值，包括：

8.一种联合学习的资源分配装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。

技术总结
本公开涉及机器学习技术领域，提供了一种联合学习的资源分配方法及装置。该方法包括：读取预设的资源分配配置信息；获取多个模型需求方提供的模型需求信息，资源分配配置信息包括属性配置信息、贡献度配置信息及监控配置信息，根据属性配置信息和模型需求信息，确定目标需求方；确定与模型需求信息匹配的多个目标资源贡献方，获取每个目标资源贡献方的模型资源；根据属性配置信息、贡献度配置信息、监控配置信息及模型资源，确定每个目标资源贡献方对应的分配值。本公开能够使得各个目标资源贡献方得到与其所提供的模型资源相匹配的分配值，激发了资源贡献方提供模型资源的积极性，有利于联合学习的长期良好可持续发展。

技术研发人员：刘嘉,李增祥
受保护的技术使用者：新智我来网络科技有限公司
技术研发日：
技术公布日：2024/1/13