CN110363305B - 联邦学习方法、***、终端设备及存储介质 - Google Patents
联邦学习方法、***、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110363305B CN110363305B CN201910647743.0A CN201910647743A CN110363305B CN 110363305 B CN110363305 B CN 110363305B CN 201910647743 A CN201910647743 A CN 201910647743A CN 110363305 B CN110363305 B CN 110363305B
- Authority
- CN
- China
- Prior art keywords
- federation
- federal learning
- learning
- enterprise
- request
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims description 48
- 238000001514 detection method Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种联邦学习方法、***、终端设备及存储介质,该联邦学习方法包括:获取输入接口所接收到的联邦学习请求;根据所述联邦学习请求组建联邦学习联盟;提取所述联邦学习联盟中各联盟成员的成员信息;基于所述成员信息构建联邦学习模型,并对所述联邦学习模型进行管理。本发明无需提出联邦学习请求的企业实地逐一的向其他企业进行沟通,以说服其他企业作为自己的合作伙伴构建联邦学习模型,节省了希望进行联邦学习的企业构建联邦学习模型过程中的人力、物力和时间资源,降低了联邦学习模型构建的成本。
Description
技术领域
本发明涉及金融科技(Fintech)技术领域,尤其涉及一种联邦学习方法、***、终端设备及存储介质。
背景技术
伴随着金融科技(Fitech),尤其是互联网金融科技的快速发展,已经有越来越多的技术应用于金融领域,其中,联邦学习技术基于对用户隐私和数据的安全保障,正逐渐受到越来越多的重视。
联邦学习(federated learning)是指,通过联合不同的参与者(participant,或者party,也称为数据拥有者(data owner)、或者客户(client))进行机器学习建模的方法。在联邦学习中,参与者不需要向其它参与者和协调者(coordinator,也称为服务器(server),参数服务器(parameter server),或者聚合服务器(aggregation server))暴露自己所拥有的数据,因而联邦学习可以很好的保护用户隐私和保障数据安全,并可以解决数据孤岛问题。
然而,现有的希望参与联邦学习的企业需要进行实地协商,以组建联邦学习合作关系,并由其中某一个企业负责设计模型结构和提供初始模型参数,并且,一个联邦学习联盟总是有发起者和不断加入的参与者。如此,在企业进行实地构建联邦学习的实施过程中,需要消耗大量的人力、物力以及时间资源。
发明内容
本发明的主要目的在于提供一种联邦学习方法、***、终端设备及存储介质,旨在省去希望进行联邦学习的企业,在构建联邦学习模型过程中的人力、物力和时间资源开销,降低联邦学习模型构建的成本。
为实现上述目的,本发明提供一种联邦学习方法,所述联邦学习方法包括以下步骤:
获取输入接口所接收到的联邦学习请求;
根据所述联邦学习请求组建联邦学习联盟;
提取所述联邦学习联盟中各联盟成员的成员信息;
基于所述成员信息构建联邦学习模型,并对所述联邦学习模型进行管理。
可选地,在所述获取输入接口所接收到的联邦学习请求的步骤之后,还包括:
提取所述联邦学习请求中携带的请求事项,并分析所述请求事项是否能够被执行;
所述根据所述联邦学习请求组建联邦学习联盟的步骤包括:
在分析到所述请求事项能够被执行时,检测所述联邦学习请求中携带的企业标签信息;
根据所述企业标签信息从预设企业信息库中匹配目标企业作为联盟成员,以组建联邦学习联盟。
可选地,所述提取所述联邦学习联盟中各联盟成员的成员信息的步骤包括:
检测所述预设企业信息库保存的全部企业参数;
从全部所述企业参数中,索引各所述联盟成员所对应目标企业的所述企业标签信息;
逐一从所述企业标签信息中,提取出组建所述联邦学习联盟所需的各所述联邦成员的成员信息。
可选地,所述基于所述成员信息构建联邦学习模型的步骤包括:
依据提取出的所述成员信息,设计联邦学习模型的模型结构;
在完成所述联邦学习模型的模型结构设计之后,初始化联邦学习模型。
可选地,所述对所述联邦学习模型进行管理的步骤,包括:
管理构建的所述联邦学习模型的模型训练和模型更新;
所述管理构建的所述联邦学习模型的模型训练和模型更新的步骤包括:
当检测到获取的联邦学习请求为管理请求时,依据所述管理请求对所述联邦学习模型进行模型训练和模型更新管理;或者,
按照预设管理策略,周期性的对所述联邦学习模型进行模型训练和模型更新管理。
可选地,所述联邦学习方法,还包括:
根据所述联邦学习请求的请求事项,对所述联邦学习联盟的联盟成员进行服务。
可选地,所述对所述联邦学习联盟的联盟成员进行服务的步骤包括:
分发构建完成的联邦学习模型至所述联邦学习联盟的联盟成员;或者,
向所述联盟成员提供模型训练参数,以供所述联盟成员自主进行模型训练。
此外,本发明还提供一种联邦学习***,所述联邦学习***包括:
获取模块,用于获取输入接口所接收到的联邦学习请求;
联盟组建模块,用于根据所述联邦学习请求组建联邦学习联盟;
检测模块,用于提取所述联邦学习联盟中各联盟成员的成员信息;
模型管理模块,用于基于所述成员信息构建联邦学习模型,并对所述联邦学习模型进行管理。
可选地,所述联邦学习***,还包括:
分析模块,用于提取所述联邦学习请求中携带的请求事项,并分析所述请求事项是否能够被执行。
可选地,所述联邦学习***,还包括:
服务模块,用于根据所述联邦学习请求的请求事项,对所述联邦学习联盟的联盟成员进行服务。
此外,本发明还提供一种终端设备,所述终端设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的联邦学习程序,所述联邦学习程序被所述处理器执行时实现如上所述的联邦学习方法的步骤。
此外,本发明还提供一种存储介质,应用于计算机,所述存储介质上存储有联邦学习程序,所述联邦学习程序被处理器执行时实现如上所述的联邦学习方法的步骤。
本发明通过获取输入接口所接收到的联邦学习请求;根据所述联邦学习请求组建联邦学习联盟;提取所述联邦学习联盟中各联盟成员的成员信息;基于所述成员信息构建联邦学习模型,并对所述联邦学习模型进行管理。实现了,基于接收希望通过联邦学习建模的企业通过输入接口所输入的联邦学习请求,筛选出适合的企业作为该提出联邦学习请求企业的合作伙伴,以组建成联邦学习联盟,根据组建的联邦学习联盟各联盟成员所携带的成员信息,构建成适于各联盟成员进行联邦学习的联邦学习模型,并对构建完成的联邦学习模型进行管理。从而实现了,无需提出联邦学习请求的企业实地逐一的向其他企业进行沟通,以说服其他企业作为自己的合作伙伴构建联邦学习模型,节省了希望进行联邦学习的企业构建联邦学习模型过程中的人力、物力和时间资源,降低了联邦学习模型构建的成本。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的结构示意图;
图2为本发明联邦学习方法第一实施例的流程示意图;
图3为图2中步骤S300的细化步骤示意图;
图4为本发明联邦学习***的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图1即可为联邦学习方法设备的硬件运行环境的结构示意图。本发明实施例联邦学习方法设备可以是PC,便携计算机等终端设备。
如图1所示,该联邦学习方法设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的联邦学习方法设备结构并不构成对联邦学习方法设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及联邦学习程序。其中,操作***是管理和控制样本联邦学习方法设备硬件和软件资源的程序,支持联邦学习程序以及其它软件或程序的运行。
在图1所示的联邦学习方法设备中,用户接口1003主要用于与各个终端进行数据通信;网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;而处理器1001可以用于调用存储器1005中存储的联邦学习程序,并执行以下操作:
获取输入接口所接收到的联邦学习请求;
根据所述联邦学习请求组建联邦学习联盟;
提取所述联邦学习联盟中各联盟成员的成员信息;
基于所述成员信息构建联邦学习模型,并对所述联邦学习模型进行管理。
进一步地,处理器1001还可以用于调用存储器1005中存储的联邦学习程序,在执行所述获取输入接口所接收到的联邦学习请求的步骤之后,执行以下步骤:
提取所述联邦学习请求中携带的请求事项,并分析所述请求事项是否能够被执行。
进一步地,处理器1001还可以用于调用存储器1005中存储的联邦学习程序,并执行以下步骤:
在分析到所述请求事项能够被执行时,检测所述联邦学习请求中携带的企业标签信息;
根据所述企业标签信息从预设企业信息库中匹配目标企业作为联盟成员,以组建联邦学习联盟。
进一步地,处理器1001还可以用于调用存储器1005中存储的联邦学习程序,并执行以下步骤:
检测所述预设企业信息库保存的全部企业参数;
从全部所述企业参数中,索引各所述联盟成员所对应目标企业的所述企业标签信息;
逐一从所述企业标签信息中,提取出组建所述联邦学习联盟所需的各所述联邦成员的成员信息。
进一步地,处理器1001还可以用于调用存储器1005中存储的联邦学习程序,并执行以下步骤:
依据提取出的所述成员信息,设计联邦学习模型的模型结构;
在完成所述联邦学习模型的模型结构设计之后,初始化联邦学习模型。
进一步地,处理器1001还可以用于调用存储器1005中存储的联邦学习程序,并执行以下步骤:
管理构建的所述联邦学习模型的模型训练和模型更新。
进一步地,处理器1001还可以用于调用存储器1005中存储的联邦学习程序,并执行以下步骤:
当检测到获取的联邦学习请求为管理请求时,依据所述管理请求对所述联邦学习模型进行模型训练和模型更新管理;或者,
按照预设管理策略,周期性的对所述联邦学习模型进行模型训练和模型更新管理。
进一步地,处理器1001还可以用于调用存储器1005中存储的联邦学习程序,并执行以下步骤:
根据所述联邦学习请求的请求事项,对所述联邦学习联盟的联盟成员进行服务。
进一步地,处理器1001还可以用于调用存储器1005中存储的联邦学习程序,并执行以下步骤:
分发构建完成的联邦学习模型至所述联邦学习联盟的联盟成员;或者,
向所述联盟成员提供模型训练参数,以供所述联盟成员自主进行模型训练。
基于上述的结构,提出本发明联邦学习方法的各个实施例。
请参照图2,图2为本发明联邦学习方法第一实施例的流程示意图。
本发明实施例提供了联邦学习方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例联邦学习方法应用于联邦学习方法设备,本发明实施例联邦学习方法设备可以是PC,便携计算机等终端设备,在此不做具体限制。
本实施例联邦学习方法包括:
步骤S100,获取输入接口所接收到的联邦学习请求。
当检测到企业用户基于上述联邦学习方法设备输入联邦学习请求时,从该联邦学习方法设备设置的输入接口上,获取该企业用户所输入的联邦学习请求。
本实施例中,希望参与联邦学习的企业用户,可基于PC、便携计算机或者其他联邦学习方法设备上所设置的输入接口,输入该企业用户希望参与联邦学习的服务请求。
例如,当希望参与联邦学习的企业用户基于PC终端(联邦学习方法设备之一)上所设置的供企业用户输入服务请求的输入接口(具体可为服务请求的输入窗口),输入希望参与联邦学习的服务请求时,获取当前服务请求的输入窗口中,企业用户所输入的联邦学习服务请求。
进一步地,在步骤S100,获取输入接口所接收到的联邦学习请求之后,本发明联邦学习方法,还包括:
步骤S500,提取所述联邦学习请求中携带的请求事项,并分析所述请求事项是否能够被执行。
在从联邦学习方法设备设置的输入接口上,获取该企业用户所输入的联邦学习请求之后,从获取的联邦学习请求中,提取出该联邦学习请求中所包含的企业用户所请求参与的联邦学习模型的各请求事项,并进一步分析该各请求事项能否被构建出的联邦学习模型所执行。
在本实施例中,企业用户所输入的联邦学习服务请求中,可以包括该企业用户自身所拥有数据的信息(例如,企业用户所用户数据量和数据特征等信息),以及包括当前企业用户对所请求参与的联邦学习模型的请求事项(例如,需要通过联邦学习所解决的问题、所请求联邦学习模型的性能指标等服务要求)。
例如,在获取到企业用户基于PC终端上所设置的供企业用户输入服务请求的输入窗口中,获取到希望参与联邦学习的企业用户所输入的联邦学习服务请求之后,提取出联邦学习服务请求中所包含的企业用户自身所拥有数据的信息,以及企业用户对所请求参与的联邦学习模型,所需要解决的问题、所请求联邦学习模型的性能指标等服务要求,并进一步分析企业用户所需要通过联邦学习解决的问题,是否能够通过构建联邦学习模型进行解决、以及构建出的联邦学习模型是否能够满足企业用户所请求学习模型的性能指标等等。
步骤S200,根据所述联邦学习请求组建联邦学习联盟。
根据获取到的企业用户所输入联邦学习请求中所包含的,企业用户自身所拥有数据的信息,查找确定当前发起联邦学习请求的企业用户的合作企业,从而组建联邦学习联盟。
进一步地,步骤S200,包括:
步骤S201,在分析到所述请求事项能够被执行时,检测所述联邦学习请求中携带的企业标签信息。
当分析确定联邦学习请求中所包含的企业用户所请求参与的联邦学习模型的各请求事项,能够被构建出的联邦学习模型所执行时,检测联邦学习请求中所携带的输入该联邦学习请求的企业用户的企业标签信息。
在本实施例中,企业用户所输入的联邦学习服务请求中,还可以包括输入联邦学习服务请求的企业用户的企业标签信息(例如,用于标识企业用户的企业类型、数据类型等企业属性参数)。
例如,当分析确定企业用户所需要通过联邦学习解决的问题,能够通过构建联邦学习模型进行解决、以及构建出的联邦学习模型也能够满足企业用户所请求学习模型的性能指标之后,开始检测企业用户所输入的联邦学习服务请求中的企业标签信息,诸如企业用户的企业类型、数据类型等企业属性参数。
步骤S202,根据所述企业标签信息从预设企业信息库中匹配目标企业作为联盟成员,以组建联邦学习联盟。
根据检测到的联邦学习请求中所携带的企业用户的企业标签信息,从预设企业信息库中所保存的全部企业用户中,查找确定适于建立合作关系的目标企业,以作为联盟成员与当前输入联邦学习请求的企业用户组建联邦学习联盟。
在本实施例中,预设企业信息库为用于存储预先收集的愿意(在有报酬的情况下愿意)参与联邦学习的企业用户各属性参数的数据库,其中,该预设企业信息库中保存各希望参与联邦学习企业用户的一个或者多个属性参数,例如:企业类型、企业所拥有数据类型和企业业务类型,以及企业用户拥有的数据量,拥有的数据的数据特征,数据的标签,企业数据能够完成的机器学习任务(例如,检测、预测或者分类);各企业用户所期望的联邦学习模型性能指标,能够承担的联邦学习开销(例如,通信开销,时间开销,计算资源,电量开销),希望获得的联邦学习收益(例如,模型性能提升幅度,或者是报酬)。
例如,根据检测到的当前企业用户所输入联邦学习请求中携带的,当前希望参与联邦学习的企业用户的企业用户的企业类型、数据类型等企业属性参数,从保存各希望参与联邦学习企业用户的一个或者多个属性参数的预设企业信息库中,逐一查找确定出与当前输入联邦学习的企业用户的企业类型、数据类型等企业属性参数相同或者互补的目标企业以作为联盟成员,与当前输入联邦学习的企业用户共同组建成联邦学习联盟。
步骤S300,提取所述联邦学习联盟中各联盟成员的成员信息。
检测并提取出依据联邦学习请求中所携带的企业用户的企业标签信息组建成的联邦学习联盟中,各联盟成员的成员信息。
在本实施例中,检测的联邦学习联盟中各联盟成员的成员信息包括但不限于:数据信息(例如:企业拥有的数据量,拥有的数据的数据特征,数据的标签),以及,各企业用户所希望基于联邦学习完成的任务信息(例如:人脸识别,贷款风控,商品推荐等)。
进一步地,请参照图3,图3为本发明联邦学习方法一实施例中步骤S300的细化流程示意图,步骤S300,提取所述联邦学习联盟中各联盟成员的成员信息,包括:
步骤S301,检测所述预设企业信息库保存的全部企业参数。
例如,在存储有预先收集的希望参与联邦学习的企业用户各属性参数的预设企业信息库中,检测该预设企业信息库中保存的各希望参与联邦学习企业用户的全部企业参数,包括:企业用户的属性参数,例如:企业类型、企业所拥有数据类型和企业业务类型,以及企业用户拥有的数据量,拥有的数据的数据特征,数据的标签,企业数据能够完成的机器学习任务(例如,检测、预测或者分类);各企业用户所期望的联邦学习模型性能指标,能够承担的联邦学习开销(例如,通信开销,时间开销,计算资源,电量开销),希望获得的联邦学习收益(例如,模型性能提升幅度,或者是现金报酬)。
步骤S302,从全部所述企业参数中,索引各所述联盟成员所对应目标企业的所述企业标签信息。
在检测到当前组建的联邦学习联盟各联盟成员的成员信息中,当前联盟成员保存有标签信息时,从检测到的预设企业信息库中保存的各企业用户全部企业参数中,遍历各联盟成员所对应企业用户的企业参数,从而索引出当前联邦学习联盟中,各联盟成员的企业标签信息。
例如,在检测到当前依据联邦学习请求中所携带的企业用户的企业标签信息(企业类型、数据类型等企业属性参数)组建成的联邦学习联盟中,各联盟成员同样保存有企业标签信息时,从检测到的预设企业信息库中保存的各企业用户全部企业参数(各希望参与联邦学习企业用户的一个或者多个属性参数,例如:企业类型、企业所拥有数据类型和企业业务类型,以及企业用户拥有的数据量,拥有的数据的数据特征,数据的标签,企业数据能够完成的机器学习任务,例如,预测或者分类;各企业用户所期望的联邦学习模型性能指标,能够承担的联邦学习开销,例如,通信开销,时间开销,计算资源,电量开销,希望获得的联邦学习收益,例如,模型性能提升幅度)中,遍历各联盟成员所对应企业用户的企业参数,从而索引出当前联邦学习联盟中,各联盟成员的企业标签信息(即,各希望参与联邦学习企业用户的一个或者多个属性参数;数据信息,例如:企业拥有的数据量,拥有的数据的数据特征,数据的标签;和,各企业用户所希望基于联邦学习完成的任务信息,例如:人脸识别,贷款风控,商品推荐等)。
步骤S303,逐一从所述企业标签信息中,提取出组建所述联邦学习联盟所需的各所述联邦成员的成员信息。
例如,在预设企业信息库所保存的各联盟成员所对应全部企业参数中,逐一从检测到的各联盟成员的标签信息,即,各联盟成员的一个或者多个属性参数,以及数据信息,例如:企业拥有的数据量,拥有的数据的数据特征,数据的标签;和,各企业用户所希望基于联邦学习完成的任务信息,例如:人脸识别,贷款风控,商品推荐等,提取出数据信息(企业拥有的数据量,拥有的数据的数据特征,数据的标签)以及各企业用户所希望基于联邦学习完成的任务信息(人脸识别,贷款风控,商品推荐等),作为当前各联邦学习联盟中各联盟成员的成员信息。
步骤S400,基于所述成员信息构建联邦学习模型,并对所述联邦学习模型进行管理。
根据检测到的当前组建成的联邦学习联盟中,各联盟成员的成员信息中,各联盟成员的数据信息和任务信息,构建出适于当前联邦学习联盟中各联盟成员进行联邦学习的联邦学习模型,并在联邦学习模型构建完成后,对构建的联邦学习模型进行管理。
例如,基于从预设企业信息库中检测到的当前联邦学习联盟中,各联盟成员的数据信息--企业用户拥有的数据量、拥有的数据的数据特征、数据的标签,各企业用户所希望基于联邦学习完成的任务信息--人脸识别、贷款风控、商品推荐等成员信息,以及各联盟成员所能够承担的开销--通信、时间、计算资源开销和希望基于当前联邦学习获取到的收益--模型性能要求、模型性能提升幅度等,确定当前联邦学习联盟中的联盟成员(联邦学习参与者)的开销和利益分配(例如,根据每个参与者的数据量和对联邦学习模型的贡献来确定奖励分配,基于回归模型、神经网络预测模型、神经网络分类模型等,确定各联盟成员的开销和收益的分配策略),从而构建出适用于当前联邦学习联盟中的各联盟成员进行联邦学习的联邦学习模型,在完成联邦学习模型的构建之后,对联邦学习模型的模型训练以及模型更新等进行管理,其中,对联邦学习模型的模型训练进行管理至少包括:管理联邦学习模型的重新训练、继续训练,或者,管理联邦学习模型的重新设计和训练。
进一步地,步骤S400,包括:
步骤S401,依据提取出的所述成员信息,设计联邦学习模型的模型结构。
例如,根据各联盟成员的数据信息--企业用户拥有的数据量、拥有的数据的数据特征、数据的标签,各企业用户所希望基于联邦学习完成的任务信息--人脸识别、贷款风控、商品推荐等成员信息来设计模型结构,或者在另一个实施例中,本发明联邦学习方法还可以根据现有的、经过实践证明的深度学习模型来设计联邦学习模型的模型结构。
步骤S402,在完成所述联邦学习模型的模型结构设计之后,初始化联邦学习模型。
例如,在根据各联盟成员的数据信息以及任务信息设计完成当前联邦学习模型的模型结构之后,通过随机初始化来初始化已经设计完成的当前联邦学习模型的模型参数,从而确保当前构建的联邦学习模型能够适用于当前联邦学习联盟的各联盟成员进行联邦学习。
本发明通过当检测到企业用户基于上述联邦学习方法设备输入联邦学习请求时,从该联邦学习方法设备设置的输入接口上,获取该企业用户所输入的联邦学习请求;在从联邦学习方法设备设置的输入接口上,获取该企业用户所输入的联邦学习请求之后,从获取的联邦学习请求中,提取出该联邦学习请求中所包含的企业用户所请求参与的联邦学习模型的各请求事项,并进一步分析该各请求事项能否被构建出的联邦学习模型所执行;当分析确定联邦学习请求中所包含的企业用户所请求参与的联邦学习模型的各请求事项,能够被构建出的联邦学习模型所执行时,检测联邦学习请求中所携带的输入该联邦学习请求的企业用户的企业标签信息,根据检测到的联邦学习请求中所携带的企业用户的企业标签信息,从预设企业信息库中所保存的全部企业用户中,查找确定适于建立合作关系的目标企业,以作为联盟成员与当前输入联邦学习请求的企业用户组建联邦学习联盟;检测依据联邦学习请求中所携带的企业用户的企业标签信息组建成的联邦学习联盟中,各联盟成员的成员信息;根据检测到的当前组建成的联邦学习联盟中,各联盟成员的成员信息中,各联盟成员的数据信息和任务信息,构建出适于当前联邦学习联盟中各联盟成员进行联邦学习的联邦学习模型,并在联邦学习模型构建完成后,对构建的联邦学习模型进行管理。
实现了,基于接收希望通过联邦学习建模的企业通过输入接口所输入的联邦学习请求,筛选出适合的企业作为该提出联邦学习请求企业的合作伙伴,以而组建成联邦学习联盟,根据组建的联邦学习联盟各联盟成员所携带的成员信息,构建成适于各联盟成员进行联邦学习的联邦学习模型。从而,无需提出联邦学习请求的企业实地逐一的向其他企业进行沟通,以说服其他企业作为自己的合作伙伴构建联邦学习模型,节省了希望进行联邦学习的企业构建联邦学习模型过程中的人力、物力和时间资源,降低了联邦学习模型构建的成本。
进一步地,提出本发明联邦学习方法的第二实施例。
基于上述联邦学习方法第一实施例,本实施例中,在上述步骤S400中,对所述联邦学习模型进行管理,包括:
步骤S403,管理构建的所述联邦学习模型的模型训练和模型更新。
在构建完成适用于当前联邦学习联盟中,各联盟成员进行联邦学习的联邦学习模型之后,依据各联盟成员基于联邦学习方法设备所提出的管理请求,对构建完成的联邦学习模型的模型训练和模型更新进行管理,或者,基于预设管理策略,对当前构建完成的联邦学习模型的模型训练和模型更新更新管理。
进一步地,步骤S403,包括:
步骤S4031,当检测到获取的联邦学习请求为管理请求时,依据所述管理请求对所述联邦学习模型进行模型训练和模型更新管理。
当检测到从该联邦学习方法设备设置的输入接口上,获取到的该企业用户所输入的联邦学习请求为对服务当前企业用户的联邦学习模型进行管理的请求时,根据该企业用户所输入更新请求的内容,对服务当前企业用户的联邦学习模型进行模型训练和模型更新。
例如,当检测到获取到的企业用户基于联邦学习方法设备--PC终端,所设置服务请求的输入窗口中输入的联邦学习服务请求,具体为对已经构建完成以服务于当前企业用户的联邦学习模型进行更新处理的管理请求时,根据该企业用户所输入管理请求的内容,例如,用户所输入管理请求的内容为:对当前联邦学习模型的进行模型训练,则根据该管理请求,管理联邦学习模型进行重新训练、继续训练,或者,管理联邦学习模型重新进行模型设计以及模型训练,或者,用户所输入管理请求的内容为:对当前联邦学习联盟中的联盟成员(联邦学习参与者)进行更新,则根据当前更新请求,从预设企业信息库中,重新查找确定目标企业作为新的联盟成员,即重新选择联邦学习参与者。
步骤S4032,按照预设模型管理策略,周期性的对所述联邦学习模型进行模型训练和模型更新管理。
本实施例中,预设模型管理策略为,预先基于构建的联邦学习模型的稳定性等特征,设置的对当前联邦学习模型进行定期更新处理的模型管理策略。
例如,从联邦学习模型构建完成之时起,按照预定时间周期(例如,一星期)自动对联邦学习模型进行模型训练以及进行更新处理,其中,对联邦学习模型的模型训练进行管理至少包括:管理联邦学习模型的重新训练、继续训练,或者,管理联邦学习模型的重新设计和训练;对联邦学习模型的更新处理包括:模型参数的更新,即对于当前联邦学习模型进行再次训练,例如,对同一个神经网络结构再次训练神经网络的参数,从而获得当前联邦学习模型新的模型参数;模型结构的更新,即更新当前联邦学习模型的模型结构,并重新训练,例如,改变神经网络的结构,重新训练神经网络的参数,从而获得新的联邦学习模型。
本发明在构建完成适用于当前联邦学习联盟中,各联盟成员进行联邦学习的联邦学习模型之后,依据各联盟成员基于联邦学习方法设备所提出的管理请求,对构建完成的联邦学习模型进行模型训练和模型更新管理,或者,基于预设模型管理策略,对当前构建完成的联邦学习模型模型训练和模型进行更新管理。当检测到从该联邦学习方法设备设置的输入接口上,获取到的该企业用户所输入的联邦学习请求为对服务当前企业用户的联邦学习模型进行管理的请求时,根据该企业用户所输入管理请求的内容,对服务当前企业用户的联邦学习模型的模型训练以及模型更新进行管理;以及,从联邦学习模型构建完成之时起,按照预定时间周期自动对联邦学习模型进行模型训练以及模型更新处理,其中,对联邦学习模型的模型训练进行管理包括:管理联邦学习模型的重新训练、继续训练,或者,管理联邦学习模型的重新设计和训练;对联邦学习模型的更新处理包括:模型参数的更新和模型结构的更新。
实现了,在构建完成适用提出联邦学习请求的企业用户的联邦学习模型之后,根据企业用户输入的联邦学习请求中对当前联邦学习模型进行管理处理的管理请求,对联邦学习模型的模型训练以及模型更行进行管理,或者,依据预先制定的模型管理策略自动周期性的对构建完成的联邦学习模型的模型训练以及模型更行进行管理,从而,保证了构建的联邦学习模型在服务企业用户过程中的高效性,节省了参与联邦学习的请求者自主对模型进行更新处理的成本,进一步提高了联邦学习模型的创建效率。
进一步地,提出本发明联邦学习方法的第三实施例。
基于上述联邦学习方法第一实施例和第二实施例,在本实施例中,本发明联邦学习方法,还包括:
步骤A,根据所述联邦学习请求的请求事项,对所述联邦学习联盟的联盟成员进行服务。
根据从输入接口获取到的企业用户所输入联邦学习请求中,该企业用户所希望的请求事项,向当前企业用户或者当前企业用户所处联邦学习联盟的其他各联盟成员提供服务。
例如,当检测到获取到的企业用户基于联邦学习方法设备--PC终端,所设置服务请求的输入窗口中输入的联邦学习服务请求,具体为对已经构建完成以服务于当前企业用户的联邦学习模型进行更新处理的更新请求时,对当前构建完成的联邦学习模型进行更新处理;进一步地,基于当前企业用户所输入的希望进行联邦学习训练以完成贷款风控预测操作的服务请求时,向当前企业用户提供进行联邦学习模型训练得出的预测结果;更进一步的,当希望参与联邦学习的企业用户自身携带有本地训练模型时,基于企业用户所输入联邦学习模型参数请求,向当前企业用户提供当前构建完成的联邦学习模型的模型参数以及联邦学习代码,以供当前企业用户自己基于自身所拥有的数据进行本地的机器学习。
进一步地,在另一个实施例中,当分析检测到获取到的企业用户基于基于PC终端上所设置的供企业用户输入服务请求的输入窗口中,所输入的联邦学习服务请求中,企业用户所需要通过联邦学习解决的问题,不能通过构建联邦学习模型进行解决,和/或者,构建出的联邦学习模型不能够满足企业用户所请求学习模型的性能指标等请求项时,通过当前联邦学习方法设备上,所设置的输出接口(具体可以为企业用户输入服务请求的反馈窗口)向当前企业用户输出“联邦学习服务请求”被拒绝的提示信息。
本发明根据从输入接口获取到的企业用户所输入联邦学习请求中,该企业用户所希望的请求事项,向当前企业用户或者当前企业用户所处联邦学习联盟的其他各联盟成员提供服务,即检测到获取到的企业用户输入的联邦学习服务请求,具体为对已经构建完成以服务于当前企业用户的联邦学习模型进行更新处理的更新请求时,对当前构建完成的联邦学习模型进行更新处理;基于企业用户所输入联邦学习模型参数请求,向当前企业用户提供当前构建完成的联邦学习模型的模型参数以及联邦学习代码,以供当前企业用户自己基于自身所拥有的数据进行本地的机器学习等。
实现了,企业用户仅需要将该企业自身所拥有的数据的情况、希望通过机器学习处理的任务、自身能承担的开销以及期望的收益等,通过联邦学习方法设备进行输入以生成希望进行联邦学习的服务请求,联邦学习方法设备即可自动根据该服务请求所包含的各请求事项,为当前企业用户寻找联邦学习合作伙伴、设计模型结构并初始化联邦学习模型,进而将初始联邦学习模型发送给该企业用户、以及进行构建完成的联邦学习模型的训练和管理等,无需希望参与联邦学习的企业用户自主进行联邦学习方法、训练运行、管理以及维护等,节省了联邦学习参与者的人力、物力和时间成本,提高了联邦学习方法效率。
此外,请参照图4,本发明实施例还提出一种联邦学习***,所述联邦学习***包括:
获取模块,用于获取输入接口所接收到的联邦学习请求;
联盟组建模块,用于根据所述联邦学习请求组建联邦学习联盟;
检测模块,用于检测所述联邦学习联盟中,各联盟成员的成员信息;
模型管理模块,用于基于所述成员信息构建联邦学习模型,并对所述联邦学习模型进行管理。
优选地,所述联邦学习***,还包括:
分析模块,用于提取所述联邦学习请求中携带的请求事项,并分析所述请求事项是否能够被执行。
优选地,联盟组建模块,包括:
第二检测单元,用于在分析到所述请求事项能够被执行时,检测所述联邦学习请求中携带的企业标签信息;
联盟组建子单元,用于根据所述企业标签信息从预设企业信息库中匹配目标企业作为联盟成员,以组建联邦学习联盟。
优选地,检测模块,包括:
第一检测单元,用于检测所述预设企业信息库保存的全部企业参数;
索引单元,用于从全部所述企业参数中,索引各所述联盟成员所对应目标企业的所述企业标签信息;
提取单元,用于逐一从所述企业标签信息中,提取出组建所述联邦学习联盟所需的各所述联邦成员的成员信息。
优选地,模型构建模块,包括:
设计单元,用于依据提取出的所述成员信息,设计联邦学习模型的模型结构;
初始化单元,用于在完成所述联邦学习模型的模型结构设计之后,初始化联邦学习模型。
优选地,模型管理模块,包括:
管理单元,用于管理构建的所述联邦学习模型的模型训练和模型更新。
优选地,管理单元,包括:
第一管理子单元,用于当检测到获取的联邦学习请求为管理请求时,依据所述管理请求对所述联邦学习模型进行模型训练和模型更新管理;
第二管理子单元,用于按照预设管理策略,周期性的对所述联邦学习模型进行模型训练和模型更新管理。
优选地,所述联邦学习***,还包括:
服务模块,用于根据所述联邦学习请求的请求事项,对所述联邦学习联盟的联盟成员进行服务。
优选地,服务模块,包括:
模型分发单元,用于分发构建完成的联邦学习模型至所述联邦学习联盟的联盟成员;或者,
参数供给单元,用于向所述联盟成员提供模型训练参数,以供所述联盟成员自主进行模型训练。
本实施例提出的联邦学习***各个模块运行时实现如上所述的联邦学习方法的步骤,在此不再赘述。
此外,本发明实施例还提出一种存储介质,应用于计算机,即所述存储介质为计算机可读存储介质,所述介质上存储有联邦学习程序,所述联邦学习程序被处理器执行时实现如上所述的联邦学习方法的步骤。
其中,在所述处理器上运行的联邦学习程序被执行时所实现的方法可参照本发明基于联邦学习方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种联邦学习方法,其特征在于,所述联邦学习方法包括以下步骤:
获取输入接口所接收到的联邦学习请求,所述联邦学习请求,包括当前企业用户,自身所拥有数据的信息,以及包括当前企业用户,对所请求参与的联邦学习模型的请求事项;
根据所述联邦学习请求组建联邦学习联盟;
提取所述联邦学习联盟中各联盟成员的成员信息;
基于所述成员信息构建联邦学习模型,并对所述联邦学习模型进行管理;
其中,所述根据所述联邦学习请求组建联邦学习联盟的步骤包括:
提取所述联邦学习请求中携带的请求事项,并分析所述请求事项是否能够被执行;
在分析到请求事项能够被执行时,检测所述联邦学习请求中携带的企业标签信息,其中,所述企业标签信息为输入所述联邦学习请求的企业用户的企业标签信息;
根据所述企业标签信息从预设企业信息库中匹配目标企业作为联盟成员,以组建联邦学习联盟,所述预设企业信息库为用于存储预先收集的愿意参与联邦学习的企业用户各属性参数的数据库;
其中,所述提取所述联邦学习联盟中各联盟成员的成员信息的步骤包括:
检测所述预设企业信息库保存的全部企业参数;
从所述全部企业参数中,索引各所述联盟成员所对应目标企业的所述企业标签信息;
逐一从所述企业标签信息中,提取出组建所述联邦学习联盟所需的各所述联盟成员的成员信息。
2.如权利要求1所述的联邦学习方法,其特征在于,所述基于所述成员信息构建联邦学习模型的步骤包括:
依据提取出的所述成员信息,设计联邦学习模型的模型结构;
在完成所述联邦学习模型的模型结构设计之后,初始化联邦学习模型。
3.如权利要求1所述的联邦学习方法,其特征在于,所述对所述联邦学习模型进行管理的步骤,包括:
管理构建的所述联邦学习模型的模型训练和模型更新;
所述管理构建的所述联邦学习模型的模型训练和模型更新的步骤包括:
当检测到获取的联邦学习请求为管理请求时,依据所述管理请求对所述联邦学习模型进行模型训练和模型更新管理;或者,
按照预设管理策略,周期性的对所述联邦学习模型进行模型训练和模型更新管理。
4.如权利要求1至3任意一所述的联邦学习方法,其特征在于,所述联邦学习方法,还包括:
根据所述联邦学习请求的请求事项,对所述联邦学习联盟的联盟成员进行服务。
5.如权利要求4所述的联邦学习方法,其特征在于,所述对所述联邦学习联盟的联盟成员进行服务的步骤包括:
分发构建完成的联邦学习模型至所述联邦学习联盟的联盟成员;或者,
向所述联盟成员提供模型训练参数,以供所述联盟成员自主进行模型训练。
6.一种联邦学习***,其特征在于,所述联邦学习***包括:
获取模块,用于获取输入接口所接收到的联邦学习请求,所述联邦学习请求,包括当前企业用户,自身所拥有数据的信息,以及包括当前企业用户,对所请求参与的联邦学习模型的请求事项;
联盟组建模块,用于根据所述联邦学习请求组建联邦学习联盟;
检测模块,用于提取所述联邦学习联盟中各联盟成员的成员信息;
模型管理模块,用于基于所述成员信息构建联邦学习模型,并对所述联邦学习模型进行管理;
所述联邦学习***,还包括:
分析模块,用于提取所述联邦学习请求中携带的请求事项,并分析所述请求事项是否能够被执行;
联盟组建模块,包括:
第二检测单元,用于在分析到所述请求事项能够被执行时,检测所述联邦学习请求中携带的企业标签信息,其中,所述企业标签信息为输入所述联邦学习请求的企业用户的企业标签信息;
联盟组建子单元,用于根据所述企业标签信息从预设企业信息库中匹配目标企业作为联盟成员,以组建联邦学习联盟,所述预设企业信息库为用于存储预先收集的愿意参与联邦学习的企业用户各属性参数的数据库;
检测模块,包括:
第一检测单元,用于检测所述预设企业信息库保存的全部企业参数;
索引单元,用于从所述全部企业参数中,索引各所述联盟成员所对应目标企业的所述企业标签信息;
提取单元,用于逐一从所述企业标签信息中,提取出组建所述联邦学习联盟所需的各所述联盟成员的成员信息。
7.如权利要求6所述的联邦学习***,其特征在于,所述联邦学习***,还包括:
服务模块,用于根据所述联邦学习请求的请求事项,对所述联邦学习联盟的联盟成员进行服务。
8.一种终端设备,其特征在于,所述终端设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的联邦学习程序,所述联邦学习程序被所述处理器执行时实现如权利要求1至5中任一项所述的联邦学习方法的步骤。
9.一种存储介质,其特征在于,应用于计算机,所述存储介质上存储有联邦学习程序,所述联邦学习程序被处理器执行时实现如权利要求1至5中任一项所述的联邦学习方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910647743.0A CN110363305B (zh) | 2019-07-17 | 2019-07-17 | 联邦学习方法、***、终端设备及存储介质 |
PCT/CN2019/116464 WO2021008017A1 (zh) | 2019-07-17 | 2019-11-08 | 联邦学习方法、***、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910647743.0A CN110363305B (zh) | 2019-07-17 | 2019-07-17 | 联邦学习方法、***、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363305A CN110363305A (zh) | 2019-10-22 |
CN110363305B true CN110363305B (zh) | 2023-09-26 |
Family
ID=68221208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910647743.0A Active CN110363305B (zh) | 2019-07-17 | 2019-07-17 | 联邦学习方法、***、终端设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110363305B (zh) |
WO (1) | WO2021008017A1 (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363305B (zh) * | 2019-07-17 | 2023-09-26 | 深圳前海微众银行股份有限公司 | 联邦学习方法、***、终端设备及存储介质 |
CN110851482B (zh) * | 2019-11-07 | 2022-02-18 | 支付宝(杭州)信息技术有限公司 | 为多个数据方提供数据模型的方法及装置 |
CN110990870A (zh) * | 2019-11-29 | 2020-04-10 | 上海能塔智能科技有限公司 | 运维、使用模型库的处理方法、装置、设备与介质 |
CN111222646B (zh) * | 2019-12-11 | 2021-07-30 | 深圳逻辑汇科技有限公司 | 联邦学习机制的设计方法、装置和存储介质 |
CN110991552B (zh) * | 2019-12-12 | 2021-03-12 | 支付宝(杭州)信息技术有限公司 | 基于联邦学习的孤立森林模型构建和预测方法和装置 |
CN111062493B (zh) * | 2019-12-20 | 2021-06-15 | 深圳前海微众银行股份有限公司 | 基于公共数据的纵向联邦方法、装置、设备及介质 |
CN111340558B (zh) * | 2020-02-28 | 2021-07-27 | 深圳前海微众银行股份有限公司 | 基于联邦学习的线上信息处理方法、装置、设备及介质 |
CN111428620A (zh) * | 2020-03-20 | 2020-07-17 | 深圳前海微众银行股份有限公司 | 基于联邦活体检测模型的身份识别方法、装置、设备和介质 |
CN111723942B (zh) * | 2020-06-29 | 2024-02-02 | 南方电网科学研究院有限责任公司 | 一种企业用电负荷预测方法、电网业务子***及预测*** |
CN111935157B (zh) * | 2020-08-12 | 2022-05-06 | 科技谷(厦门)信息技术有限公司 | 一种基于安全防御的联盟学习*** |
CN112329947A (zh) * | 2020-10-28 | 2021-02-05 | 广州中国科学院软件应用技术研究所 | 一种基于差分进化的联邦学习激励方法和*** |
CN113158223A (zh) * | 2021-01-27 | 2021-07-23 | 深圳前海微众银行股份有限公司 | 基于状态转移核优化的数据处理方法、装置、设备及介质 |
CN113157434B (zh) * | 2021-02-26 | 2024-05-07 | 西安电子科技大学 | 一种横向联邦学习***用户节点的激励方法及*** |
US11755954B2 (en) | 2021-03-11 | 2023-09-12 | International Business Machines Corporation | Scheduled federated learning for enhanced search |
CN113160021B (zh) * | 2021-03-18 | 2022-04-12 | 天津中科物联科技有限公司 | 一种基于多源异构数据联邦学习的安全生产预警*** |
CN113268920B (zh) * | 2021-05-11 | 2022-12-09 | 西安交通大学 | 一种基于联邦学习的无人机群感知数据安全共享方法 |
CN113505520A (zh) * | 2021-05-17 | 2021-10-15 | 京东科技控股股份有限公司 | 用于支持异构联邦学习的方法、装置和*** |
CN113409134A (zh) * | 2021-06-30 | 2021-09-17 | 中国工商银行股份有限公司 | 基于联邦学习的企业融资授信方法及装置 |
CN113469371B (zh) * | 2021-07-01 | 2023-05-02 | 建信金融科技有限责任公司 | 联邦学习方法和装置 |
CN113569151B (zh) * | 2021-09-18 | 2021-12-17 | 平安科技(深圳)有限公司 | 基于人工智能的数据推荐方法、装置、设备及介质 |
CN115842851A (zh) * | 2021-09-18 | 2023-03-24 | 大唐移动通信设备有限公司 | 一种联邦学习组处理方法、装置及功能实体 |
CN113836809B (zh) * | 2021-09-26 | 2023-12-01 | 上海万向区块链股份公司 | 基于区块链和联邦学习的跨行业数据联合建模方法及*** |
CN114021891B (zh) * | 2021-09-30 | 2022-10-14 | 医渡云(北京)技术有限公司 | 基于联邦学习的生存分析方法、装置及电子设备 |
CN114416854B (zh) * | 2022-03-29 | 2022-06-28 | 北京安华金和科技有限公司 | 一种数据转换处理方法和*** |
CN114936892B (zh) * | 2022-04-24 | 2024-06-18 | 福州大学 | 基于联邦迁移学习标签传播的线下商品推荐***及方法 |
CN115618969B (zh) * | 2022-12-19 | 2023-04-07 | 湖南工商大学 | 基于聚类与环形拓扑的数据选择方法 |
CN116055150B (zh) * | 2022-12-22 | 2023-10-27 | 深圳信息职业技术学院 | 车联网入侵检测平台、方法及相关设备 |
CN116307138A (zh) * | 2023-03-01 | 2023-06-23 | 中国科学院上海微***与信息技术研究所 | 基于联邦学习的电气火灾预警方法、装置、终端及介质 |
CN116245172B (zh) * | 2023-03-14 | 2023-10-17 | 南京航空航天大学 | 跨孤岛联邦学习中优化个体模型性能的联盟组建方法 |
CN116050548B (zh) * | 2023-03-27 | 2023-07-04 | 深圳前海环融联易信息科技服务有限公司 | 一种联邦学习方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101106449A (zh) * | 2006-07-13 | 2008-01-16 | 华为技术有限公司 | 实现多方通信安全的***和方法 |
WO2008060320A2 (en) * | 2006-03-30 | 2008-05-22 | Major Gadget Software, Inc. | Method and system for enterprise network access control and management for government and corporate entities |
CN102663202A (zh) * | 2012-04-25 | 2012-09-12 | 清华大学 | 基于联邦模式的动态产品协同开发平台及方法 |
CN103514321A (zh) * | 2013-08-12 | 2014-01-15 | 北京理工大学 | 一种应用于hla分布式仿真方法的通用联邦成员 |
CN109167695A (zh) * | 2018-10-26 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦学习的联盟网络构建方法、设备及可读存储介质 |
CN109840686A (zh) * | 2018-12-24 | 2019-06-04 | 万翼科技有限公司 | 一种合伙人联盟平台及事件创建管理方法和*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299728B (zh) * | 2018-08-10 | 2023-06-27 | 深圳前海微众银行股份有限公司 | 基于构建梯度树模型的样本联合预测方法、***及介质 |
CN109165515A (zh) * | 2018-08-10 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数获取方法、***及可读存储介质 |
CN109492420B (zh) * | 2018-12-28 | 2021-07-20 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、终端、***及介质 |
CN110363305B (zh) * | 2019-07-17 | 2023-09-26 | 深圳前海微众银行股份有限公司 | 联邦学习方法、***、终端设备及存储介质 |
-
2019
- 2019-07-17 CN CN201910647743.0A patent/CN110363305B/zh active Active
- 2019-11-08 WO PCT/CN2019/116464 patent/WO2021008017A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008060320A2 (en) * | 2006-03-30 | 2008-05-22 | Major Gadget Software, Inc. | Method and system for enterprise network access control and management for government and corporate entities |
CN101106449A (zh) * | 2006-07-13 | 2008-01-16 | 华为技术有限公司 | 实现多方通信安全的***和方法 |
CN102663202A (zh) * | 2012-04-25 | 2012-09-12 | 清华大学 | 基于联邦模式的动态产品协同开发平台及方法 |
CN103514321A (zh) * | 2013-08-12 | 2014-01-15 | 北京理工大学 | 一种应用于hla分布式仿真方法的通用联邦成员 |
CN109167695A (zh) * | 2018-10-26 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦学习的联盟网络构建方法、设备及可读存储介质 |
CN109840686A (zh) * | 2018-12-24 | 2019-06-04 | 万翼科技有限公司 | 一种合伙人联盟平台及事件创建管理方法和*** |
Also Published As
Publication number | Publication date |
---|---|
WO2021008017A1 (zh) | 2021-01-21 |
CN110363305A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363305B (zh) | 联邦学习方法、***、终端设备及存储介质 | |
US11238409B2 (en) | Techniques for extraction and valuation of proficiencies for gap detection and remediation | |
CN105493045A (zh) | 虚拟计算实例迁移 | |
Olszak | Multi-agent framework for social customer relationship management systems | |
Smirnov et al. | Agent-based support of mass customization for corporate knowledge management | |
CN110309142B (zh) | 规则管理的方法和装置 | |
CN103514207A (zh) | 一种业务对象推送的方法以及装置 | |
US11481674B2 (en) | Digital content communications system for account management and predictive analytics | |
CN109684364A (zh) | 基于用户画像的问题处理方法、装置、设备和存储介质 | |
Gong | Estimating participants for knowledge-intensive tasks in a network of crowdsourcing marketplaces | |
KR102457359B1 (ko) | 뉴럴 네트워크를 이용하는 마케팅 비용 효율 산정 방법 및 상기 마케팅 비용 효율 산정 방법을 수행하는 전자 시스템 | |
Wang et al. | Genetic algorithm for collaboration cost optimization-oriented partner selection in virtual enterprises | |
US11620604B2 (en) | System and method for management of a talent network | |
CN112381236A (zh) | 联邦迁移学习的数据处理方法、装置、设备及存储介质 | |
CN112418442A (zh) | 联邦迁移学习的数据处理方法、装置、设备及存储介质 | |
Rudiarto et al. | Design of Bajaj Transportation Rental Application System With First Come First Served Algorithm | |
Huiqi et al. | MCDM approach for assigning task to the workers by selected features based on multiple criteria in crowdsourcing | |
Vijayalakshmi et al. | Reputation-based reinforcement algorithm for motivation in crowdsourcing platform | |
CN112085566A (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
Reffad et al. | Cloud-based Semantic Platform for Dynamic Management of Context-aware mobile ERP applications | |
Prashanth et al. | Simultaneous perturbation methods for adaptive labor staffing in service systems | |
US20230101734A1 (en) | Machine learning model to fill gaps in adaptive rate shifting | |
US11797891B1 (en) | Contextual bandits-based ecosystem recommender system for synchronized personalization | |
Liu | An agent-based architecture for supply chain finance cooperative context-aware distributed data mining systems | |
Sirkkala et al. | Opening industrial software: planting an onion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |