一种联邦学习的模型训练方法、装置、设备及存储介质与流程

本公开涉及人工智能，尤其涉及机器学习和联邦学习。

背景技术：

1、联邦学习(federated learning)是一种新兴的人工智能基础技术，在2016年由google最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算节点之间开展高效率的机器学习。目前，联邦学习的研究主要集中在横向联邦和纵向联邦，在横向联邦学习场景中，各客户端节点在本地训练数据,将训练的模型参数信息上传到中央服务器,由聚合参数信息以达到共同训练的目的。由于现实环境中,各客户端节点之间数据分布往往不一致,此外，各客户端节点因为网络、软硬件环境导致在计算过程中也会存在一定的差异性。因此，亟需一种准确且有效地基于联邦学习的模型训练方法。

技术实现思路

1、本公开提供了一种联邦学习的模型训练方法、装置、设备及存储介质。

2、根据本公开的一方面，提供了一种基于联邦学习的模型训练方法，应用于中央服务器，该方法包括：

3、获取当前迭代轮次对应的至少两个参与方发送的局部模型参数；

4、根据所述至少两个参与方的局部模型参数，对所述至少两个参与方进行划分，得到正常参与方集合和/或异常参与方集合；

5、根据所述正常参与方集合中正常参与方的局部模型参数，对全局模型进行训练，得到目标全局模型。

6、根据本公开的另一方面，提供了一种基于联邦学习的模型训练方法，应用于参与方，该方法包括：

7、从中央服务器广播的全局模型参数中获取本地局部模型对应的初始局部模型参数；

8、采用本地样本数据，根据所述初始局部模型参数，对本地局部模型进行本地训练，得到中间局部模型参数；

9、对所述中间局部模型参数进行归一化处理，得到局部模型参数，并将所述局部模型参数发送给中央服务器。

10、根据本公开的另一方面，提供了一种基于联邦学习的模型训练装置，配置于中央服务器，该装置包括：

11、局部模型参数获取模块，用于获取当前迭代轮次对应的至少两个参与方发送的局部模型参数；

12、参与方划分模块，用于根据所述至少两个参与方的局部模型参数，对所述至少两个参与方进行划分，得到正常参与方集合和/或异常参与方集合；

13、目标全局模型确定模块，用于根据所述正常参与方集合中正常参与方的局部模型参数，对全局模型进行训练，得到目标全局模型。

14、根据本公开的另一方面，提供了一种基于联邦学习的模型训练装置，配置于参与方，该装置包括：

15、初始局部模型参数确定模块，用于从中央服务器广播的全局模型参数中获取本地局部模型对应的初始局部模型参数；

16、中间局部模型参数确定模块，用于采用本地样本数据，根据所述初始局部模型参数，对本地局部模型进行本地训练，得到中间局部模型参数；

17、局部模型参数发送模块，用于对所述中间局部模型参数进行归一化处理，得到标准化局部模型参数，并将所述标准化局部模型参数发送给中央服务器。

18、根据本公开的另一方面，提供了一种电子设备，该电子设备包括：

19、至少一个处理器；以及

20、与所述至少一个处理器通信连接的存储器；其中，

21、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开任一实施例所述基于联邦学习的模型训练方法。

22、根据本公开的另一方面，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，所述计算机指令用于使计算机执行本公开任一实施例所述的基于联邦学习的模型训练方法。

23、根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开任一实施例所述的基于联邦学习的模型训练方法。

24、根据本公开的技术，能够提升联邦模型的质量和性能。

25、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。

技术特征：

1.一种基于联邦学习的模型训练方法，应用于中央服务器，其中，所述方法包括：

2.根据权利要求1所述的方法，其中，根据所述至少两个参与方的局部模型参数，对所述至少两个参与方进行划分，得到正常参与方集合和/或异常参与方集合，包括：

3.根据权利要求1所述的方法，其中，根据所述至少两个参与方的局部模型参数，对所述至少两个参与方进行划分，得到正常参与方集合和/或异常参与方集合之后，还包括：

4.根据权利要求2所述的方法，其中，所述聚类结果包括至少一个聚类簇和/或至少一个异常点。

5.根据权利要求4所述的方法，其中，所述根据所述聚类结果，将所述至少两个参与方划分为正常参与方集合和/或异常参与方集合，包括：

6.根据权利要求1所述的方法，其中，所述根据所述正常参与方集合中正常参与方的局部模型参数，对全局模型进行训练，得到目标全局模型，包括：

7.根据权利要求1-6中任一项所述的方法，其中，根据所述正常参与方集合中正常参与方的局部模型参数，对全局模型进行训练，得到目标全局模型之后，还包括：

8.根据权利要求7所述的方法，其中，根据所述新增参与方的局部模型参数、所述正常参与方的目标局部模型参数、以及所述正常参与方集合对应的聚类结果，确定所述新增参与方的新增局部模型参数，包括：

9.一种基于联邦学习的模型训练方法，应用于参与方，其中，所述方法包括：

10.一种基于联邦学习的模型训练装置，配置于中央服务器，其中，所述装置包括：

11.根据权利要求10所述的装置，其中，所述参与方划分模块包括：

12.根据权利要求10所述的装置，其中，所述装置还包括：参与方集合更新模块，用于：

13.根据权利要求11所述的装置，其中，所述聚类结果包括至少一个聚类簇和/或至少一个异常点。

14.根据权利要求13所述的装置，其中，所述参与方划分单元具体用于：

15.根据权利要求10所述的装置，其中，所述目标全局模型确定模块，具体用于：

16.根据权利要求10-15中任一项所述的装置，其中，该装置还包括新增模型参数确定模块，用于：

17.根据权利要求16所述的装置，其中，所述新增模型参数确定模块，具体用于：

18.一种基于联邦学习的模型训练装置，配置于参与方，其中，所述装置包括：

19.一种电子设备，包括：

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-9中任一项所述的基于联邦学习的模型训练方法。

21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的基于联邦学习的模型训练方法。

技术总结
本公开提供了一种联邦学习的模型训练方法、装置、设备及存储介，涉及人工智能技术领域，尤其涉及机器学习和联邦学习技术领域。具体实现方案为：获取当前迭代轮次对应的至少两个参与方发送的局部模型参数；根据所述至少两个参与方的局部模型参数，对所述至少两个参与方进行划分，得到正常参与方集合和/或异常参与方集合；根据所述正常参与方集合中正常参与方的局部模型参数，对全局模型进行训练，得到目标全局模型。通过上述技术方案，能够提升联邦模型的质量和性能。

技术研发人员：彭胜波,周吉文
受保护的技术使用者：百度国际科技（深圳）有限公司
技术研发日：
技术公布日：2024/3/31