一种模型共享激励方法、装置、设备及存储介质与流程

本技术涉及联邦学习，尤其涉及一种模型共享激励方法、装置、设备及存储介质。

背景技术：

1、联邦学习是一种特殊的机器学习技术，其基本思想是在保证数据隐私安全的前提下，实现数据共享和模型更新。

2、现有技术方案大多将区块链和联邦学习系统进行融合，并提出相应的激励方法，通过区块链来对联邦学习节点的信誉进行评分，并根据信用度来对联邦学习节点发放奖励包，以此来解决联邦学习系统中的奖励分配问题，提高联邦学习模型的精确度和泛化能力。

3、但现有的技术方案对客户端数据分析不完善，训练效率低下。

技术实现思路

1、本技术提供一种模型共享激励方法、装置、设备及存储介质，用以解决现有的技术方案对客户端数据分析不完善，训练效率低下问题。

2、第一方面，本技术提供一种模型共享激励方法，包括：

3、确定参与方的参与方模型、参与方模型的损失、以及参与方的参与方模型参数；

4、根据参与方模型的损失，确定发起方模型的目标损失；

5、根据参与方的参与方模型参数、以及发起方的发起方模型输出结果，确定参与方的权重分散代价；

6、根据参与方的权重分散代价、以及发起方模型的目标损失，确定参与方中的初始目标参与方；

7、确定目标信息，目标信息至少包括发起方的边际贡献信息、发起方从参与方获得的利润信息、以及初始目标参与方的效用信息中的一种信息；

8、根据目标信息，从初始目标参与方中确定目标参与方。

9、在本技术中，在确定参与方的参与方模型、参与方模型的损失、以及参与方的参与方模型参数之前，方法还包括：

10、确定参与方的参与方数据、发起方的发起方模型；

11、根据发起方的发起方模型，对参与方的参与方数据进行联邦学习处理，得到联邦训练结果，联邦训练结果包括发起方的发起方模型数据、参与方的参与方模型参数、模型流向信息。

12、在本技术中，在根据发起方的发起方模型，对参与方的参与方数据进行联邦学习处理，得到联邦训练结果后，方法还包括：

13、将联邦训练结果发送至区块链进行模型交易记录。

14、在本技术中，根据参与方的参与方模型参数、以及发起方的发起方模型输出结果，确定参与方的权重分散代价，包括：

15、确定联邦训练结果；

16、根据联邦训练结果，确定参与方的参与方模型参数、以及发起方的发起方模型输出结果；

17、根据参与方的参与方模型参数，确定参与方模型数据的概率分布；

18、根据发起方的发起方模型输出结果，确定发起方模型数据的概率分布；

19、根据参与方模型数据的概率分布、以及发起方模型数据的概率分布，确定参与方的权重分散代价。

20、在本技术中，当目标信息为发起方的边际贡献信息时，确定目标信息，包括：

21、确定初始目标参与方对发起方的联邦服务贡献、以及发起方模型的协作成本；

22、根据初始目标参与方对发起方的联邦服务贡献、以及发起方模型的协作成本，确定联盟利润，其中，联盟利润表征为发起方的利润和；

23、根据联盟利润，确定发起方未加入联盟时的联盟初始利润；

24、根据联盟利润、以及发起方未加入联盟时的联盟初始利润，确定表征初始目标参与方的边际贡献的目标信息。

25、在本技术中，确定初始目标参与方对发起方的联邦服务贡献，包括：

26、确定初始目标参与方的参与方资格值、样本容量、以及权重分散代价；

27、根据初始目标参与方的参与方资格值、样本容量、以及权重分散代价，确定初始目标参与方对发起方的联邦服务贡献。

28、在本技术中，当目标信息为发起方从参与方获得的利润信息时，确定目标信息，包括：

29、确定发起方对初始目标参与方的奖励成本和满意度；

30、根据发起方对初始目标参与方的奖励成本和满意度，确定表征发起方从参与方获得的利润的目标信息。

31、在本技术中，当目标信息为初始目标参与方的效用信息时，确定目标信息，包括：

32、确定初始目标参与方收益、以及初始目标参与方的总能耗；

33、根据初始目标参与方收益、以及初始目标参与方的总能耗，确定表征初始目标参与方的效用的目标信息。

34、在本技术中，确定初始目标参与方的总能耗，包括：

35、确定初始目标参与方的传输功率、以及初始目标参与方与服务器的通信时间；

36、根据初始目标参与方的传输功率、以及初始目标参与方与服务器的通信时间，确定初始目标参与方的传输能耗；

37、确定初始目标参与方的cpu周期频率、初始目标参与方的参与方模型的cpu周期数、以及初始目标参与方的样本容量；

38、根据初始目标参与方的cpu周期频率、初始目标参与方的参与方模型的cpu周期数、以及初始目标参与方的样本容量，确定训练能耗；

39、根据初始目标参与方的传输能耗、以及训练能耗，确定初始目标参与方的总能耗。

40、在本技术中，在根据目标信息，从初始目标参与方中确定目标参与方之后，方法还包括：

41、确定目标参与方的参与方模型参数；

42、根据目标参与方的参与方模型参数，得到聚合结果；

43、根据聚合结果，将聚合结果发送到目标参与方，以使目标参与方更新目标参与方的参与方模型。

44、在本技术中，在根据目标参与方的参与方模型参数，得到聚合结果之后，方法还包括：

45、确定用户的获取请求和聚合结果；

46、将用户的获取请求发送到支付系统，以使支付系统将用户的获取请求发送到运营机构；

47、根据用户的获取请求，将聚合结果发送至目标参与方，并在聚合结果中，确定目标数据，以使运营机构将目标数据发送至虚拟机与用户进行交互。

48、第二方面，本技术提供一种模型共享激励装置，包括：

49、确定模块，用于确定参与方的参与方模型、参与方模型的损失、以及参与方的参与方模型参数；

50、第一计算模块，用于根据参与方模型的损失，确定发起方模型的目标损失；

51、第二计算模块，用于根据参与方的参与方模型参数、以及发起方的发起方模型输出结果，确定参与方的权重分散代价；

52、筛选模块，用于根据参与方的权重分散代价、以及发起方模型的目标损失，确定参与方中的初始目标参与方；

53、第三计算模块，用于确定目标信息，目标信息至少包括发起方的边际贡献信息、发起方从参与方获得的利润信息、以及初始目标参与方的效用信息中的一种信息；

54、得到模块，用于根据目标信息，从初始目标参与方中确定目标参与方。

55、第三方面，本技术提供一种电子设备，包括：处理器、以及与处理器通信连接的存储器；

56、存储器存储计算机执行指令；

57、处理器执行存储器存储的计算机执行指令，以实现本技术的方法。

58、第四方面，本技术提供一种计算机可读存储介质，包括：计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现本技术的方法。

59、本技术提供的一种模型共享激励方法、装置、设备及存储介质，通过确定参与方的参与方模型、参与方模型的损失、以及参与方的参与方模型参数；根据参与方模型的损失，确定发起方模型的目标损失；根据参与方的参与方模型参数、以及发起方的发起方模型输出结果，确定参与方的权重分散代价；根据参与方的权重分散代价、以及发起方模型的目标损失，确定参与方中的初始目标参与方；确定目标信息，目标信息至少包括发起方的边际贡献信息、发起方从参与方获得的利润信息、以及初始目标参与方的效用信息中的一种信息；根据目标信息，从初始目标参与方中确定目标参与方的手段，通过确定参与方的权重分散代价，从数据质量方面筛选客户端，通过计算发起方的边际贡献、参与方效用、发起方从参与方获得的利润，提供公平的激励机制，量化客户端对联邦任务的贡献，以联邦学习系统的利润最大化为目标，从数据处理能力方面筛选出目标客户端，解决了参与方之间数据资源和算力不平衡的问题，通过使用区块链记录模型交易信息，消除客户端与参数服务器之间的信息不对称，解决了模型共享过程中模型交易不可信问题，通过引入虚拟机打通联邦学习系统与支付系统，提高了联邦学习任务的训练效率与反馈效率。