CN113435534A - 一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质 - Google Patents
一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113435534A CN113435534A CN202110777789.1A CN202110777789A CN113435534A CN 113435534 A CN113435534 A CN 113435534A CN 202110777789 A CN202110777789 A CN 202110777789A CN 113435534 A CN113435534 A CN 113435534A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- server
- training
- data
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000005259 measurement Methods 0.000 title claims abstract description 15
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000004931 aggregating effect Effects 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000005304 joining Methods 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质。该方法包括：参与方通过获取服务器模型；根据服务器模型训练目标模型；在进行梯度更新时，对目标模型进行双目标优化训练；根据双目标优化训练的结果对目标模型进行目标模型收敛。服务器端通过接收来自加入联合学***均聚合，以得到服务器模型。以解决现有技术中数据异构带来的模型参数不停振荡所导致的模型不收敛的问题。
Description
技术领域
本公开涉及计算机应用技术领域，尤其涉及一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质。
背景技术
联合学习是可以用于支持多用户进行多方合作，并通过AI技术联合多方合作挖掘数据价值，建立智能联合建模。是可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
在联合学***均算法来构建下一轮各参与方模型更新的起点，无法有效处理联合学习中的数据异构问题，因此，如何高效地处理这种数据异构带来的模型参数不停振荡所导致的模型不收敛的问题成为急需解决的问题。
发明内容
有鉴于此，本公开实施例提供了一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质，以解决现有技术中数据异构带来的模型参数不停振荡所导致的模型不收敛的问题。
本公开实施例的第一方面，提供了一种基于相似度度量的数据异构处理方法，包括：
参与方获取服务器模型；
根据服务器模型训练目标模型；
在进行梯度更新时，对目标模型进行双目标优化训练；
根据双目标优化训练的结果对目标模型进行目标模型收敛。
本公开实施例的第二方面，提供了一种基于相似度度量的数据异构处理方法，包括：
服务器端接收来自加入联合学习的参与方上传的多个参与联合学习的模型；
初始化多个模型；
将模型采用基于数据量的加权平均聚合，以得到服务器模型。
本公开实施例的第三方面，提供了一种基于相似度度量的数据异构处理装置，包括：
获取模块，参与方用于获取服务器模型；
第一训练模块，用于根据服务器模型训练目标模型；
第二训练模块，用于在进行梯度更新时，对目标模型进行双目标优化训练；
调节模块，用于根据双目标优化训练的结果对目标模型进行目标模型收敛。
本公开实施例的第四方面，提供了一种基于相似度度量的数据异构处理装置，包括：
接收模块，服务器端用于接收来加入联合学习的自参与方上传的多个参与联合学习的模型；
初始化模块，用于初始化多个模型；
聚合模块，用于将模型采用基于数据量的加权平均聚合，以得到服务器模型。
本公开实施例的第五方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以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。
本公开实施例的第六方面，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。
本公开实施例与现有技术相比存在的有益效果是：参与方通过获取服务器模型；根据服务器模型训练目标模型；在进行梯度更新时，对目标模型进行双目标优化训练；根据双目标优化训练的结果对目标模型进行目标模型收敛。服务器端通过接收来自加入联合学***均聚合，以得到服务器模型。以解决现有技术中数据异构带来的模型参数不停振荡所导致的模型不收敛的问题。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本公开实施例的应用场景的场景示意图；
图2本公开实施例提供的一种基于相似度度量的数据异构处理方法的流程图；
图3是本公开实施例提供的另一种基于相似度度量的数据异构处理方法的流程图；
图4是本公开实施例提供的一种基于相似度度量的数据异构处理装置的框图；
图5是本公开实施例提供的另一种基于相似度度量的数据异构处理装置的框图；
图6是本公开实施例提供的一种计算机设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
下面将结合附图详细说明根据本公开实施例的一种基于相似度度量的数据异构处理方法和装置。
图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。
终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备 1、2和3为软件时，其可以安装在如上所述的电子设备中。终端设备1、2和3 可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4 为软件时，其可以实现为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以实现为终端设备1、2和3提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near FieldCommunication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。
用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。具体地，在用户将收集到的兴趣点的数据导入到服务器4 之后，服务器4获取待处理兴趣点的第一数据，该第一数据包括待处理兴趣点的第一经纬度和第一分类，并根据第一经纬度和第一分类，对待处理兴趣点进行冲突校验；进一步地，在确定冲突的情况下，服务器4对待处理兴趣点进行冲突处理，以避免数据库中存在大量的重复数据和不可用数据。
需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。
图2是本公开实施例提供的一种基于相似度度量的数据异构处理方法的流程图。图2中的执行主体可以是图中的终端或服务器；其中，本发明所指的参与方可以是用户的终端设备也可以是服务器端；本发明所指的服务器可以包含多个终端设备节点，如图2所示，该基于相似度度量的数据异构处理方法包括：
S201，参与方获取服务器模型；
具体地，当参与方接到加入联合学***均聚合方式。参与方可以由服务器随机选择，服务器维护一个所有本地客户端的列表，每次选择一批参与方加入联合学习。
S202，根据服务器模型训练目标模型；
具体地，参与方可以通过对服务器模型进学习，以训练得到本地模型和全局模型；选择本地模型的参数和全局模型的参数，建立目标函数；采用反向传播算法最小化目标函数；其中目标函数还可以进一步从本地模型的参数和全局模型的参数筛选出双目标损失函数为目标，采用反向传播算法进行梯度(一阶或者二阶)进行递归式更新，最小化目标函数。
S203，在进行梯度更新时，对目标模型进行双目标优化训练；
具体地，参与方对本地模型进行误差训练，以得到本地模型的误差值；确定本地模型的损失参数和全局模型的损失参数的差异值；根据误差值和所述差异值对目标模型进行双目标优化训练。
进一步地，双目标优化训练可以由两部分组成，一部分是对本地模型训练误差值，一部分是本地模型的损失参数和所述全局模型的损失参数的差异值，这两者之间通过超参数控制不同项所占的比例来进行双目标优化训练。
参与方可以通过最小化误差值与关异值，使得参与方对应的不同各客户端的本地模型在提升本地性能的同时最小化和全局模型之间的差异，从而平衡各方数据异构对全模型带来的权重漂移的影响。
S204，根据双目标优化训练的结果对目标模型进行目标模型收敛。
具体地，参与方可以根据双目标优化训练的结果，建立本地模型的参数矩阵和全局模型的参数矩阵；计算参数矩阵之间的相似度的度量值；根据相似度的度量值，对所述目标模型进行目标模型收敛。
根据本公开实施例提供的技术方案，通过获取服务器模型；根据服务器模型训练目标模型；在进行梯度更新时，对目标模型进行双目标优化训练；根据双目标优化训练的结果对目标模型进行目标模型收敛。可以使得参与方对应的不同各客户端的本地模型在提升本地性能的同时最小化和全局模型之间的差异，从而平衡各方数据异构对全模型带来的权重漂移的影响。
图3是本公开实施例提供的一种基于相似度度量的数据异构处理方法的流程图。图2的基于相似度度量的数据异构处理方法可以由图1的终端设备或服务器执行。其中，本发明所指的参与方可以是用户的终端设备也可以是服务器端；本发明所指的服务器可以包含多个终端设备节点，如图3所示，该基于相似度度量的数据异构处理方法包括：
S301，服务器端接收来自加入联合学习的参与方上传的多个参与联合学习的模型；
S302，初始化多个所述模型；
S303，将模型采用基于数据量的加权平均聚合，以得到服务器模型。
其中，联合学习：可用于支持多用户进行多方合作，并通过AI技术联合多方合作挖掘数据价值，建立智能联合建模。其中，智能联合建模包括：
1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全；
2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略；以获取高层次、高质量的模型；
3)确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能；
4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励；
基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
根据本公开实施例提供的技术方案，参与方通过获取服务器模型；根据服务器模型训练目标模型；在进行梯度更新时，对目标模型进行双目标优化训练；根据双目标优化训练的结果对目标模型进行目标模型收敛。服务器端通过接收来自加入联合学***均聚合，以得到服务器模型。以解决现有技术中数据异构带来的模型参数不停振荡所导致的模型不收敛的问题。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图4是本公开实施例提供的一种基于相似度度量的数据异构处理装置的示意图。如图4所示，该基于相似度度量的数据异构处理装置包括：
获取模块401，被参与方配置为用于获取服务器模型；
第一训练模块402，被参与方配置为用于根据服务器模型训练目标模型；
第二训练模块403，被参与方配置为用于在进行梯度更新时，对目标模型进行双目标优化训练；
调节模块404，被参与方配置为用于根据双目标优化训练的结果对目标模型进行目标模型收敛。
图5是本公开实施例提供的一种基于相似度度量的数据异构处理装置的示意图。如图5所示，该基于相似度度量的数据异构处理装置包括：
接收模块501，服务器端用于接收来加入联合学习的自参与方上传的多个参与联合学习的模型；
初始化模块502，服务器端用于初始化多个模型；
聚合模块503，服务器端用于将模型采用基于数据量的加权平均聚合，以得到服务器模型。
结合图4与图5根据本公开实施例提供的技术方案，通过本发明在参与方设置的获取模块、第一训练模块、第二训练模块、调节模块，在服务器端设置接收模块、初始化模块和聚合模块，可以解决现有技术中数据异构带来的模型参数不停振荡所导致的模型不收敛的问题。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
图6是本公开实施例提供的计算机设备6的示意图。如图6所示，该实施例的计算机设备6包括：处理器601、存储器602以及存储在该存储器602中并且可以在处理器601上运行的计算机程序603。处理器601执行计算机程序 603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序 603时实现上述各装置实施例中各模块/单元的功能。
示例性地，计算机程序603可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序603在计算机设备6中的执行过程。
计算机设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是计算机设备6的示例，并不构成对计算机设备6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，例如，计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器601可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器602可以是计算机设备6的内部存储单元，例如，计算机设备6的硬盘或内存。存储器602也可以是计算机设备6的外部存储设备，例如，计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器 602还可以既包括计算机设备6的内部存储单元也包括外部存储设备。存储器 602用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器602 还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于相似度度量的数据异构处理方法，其特征在于，包括：
参与方获取服务器模型；
根据所述服务器模型训练目标模型；
在进行梯度更新时，对所述目标模型进行双目标优化训练；
根据所述双目标优化训练的结果对所述目标模型进行目标模型收敛。
2.根据权利要求1所述的方法，其特征在于，所述获取服务器模型包括：
当参与方接到加入联合学习通知时，响应于服务器；
接收所述服务器模型；
其中，所述服务器模型是基于数据量的加权平均聚合方式。
3.根据权利要求1所述的方法，其特征在于，根据所述服务器模型训练目标模型包括：
对所述服务器模型进学习，以训练得到本地模型和全局模型；
选择所述本地模型的参数和所述全局模型的参数，建立目标函数；
采用反向传播算法，最小化目标函数。
4.根据权利要求3所述的方法，其特征在于，在进行梯度更新时，对所述目标模型进行双目标优化训练包括：
对所述本地模型进行误差训练，以得到所述本地模型的误差值；
确定所述本地模型的损失参数和所述全局模型的损失参数的差异值；
根据所述误差值和所述差异值对所述目标模型进行双目标优化训练。
5.根据权利要求1所述的方法，其特征在于，根据所述双目标优化训练的结果对所述目标模型进行目标模型收敛包括：
根据所述双目标优化训练的结果，建立所述本地模型的参数矩阵和全局模型的参数矩阵；
计算所述参数矩阵之间的相似度的度量值；
根据所述相似度的度量值，对所述目标模型进行目标模型收敛。
6.一种基于相似度度量的数据异构处理方法，其特征在于，包括：
服务器端接收来自加入联合学习的参与方上传的多个参与联合学习的模型；
初始化多个所述模型；
将所述模型采用基于数据量的加权平均聚合，以得到服务器模型。
7.一种基于相似度度量的数据异构处理装置，其特征在于，包括：
获取模块，参与方用于获取服务器模型；
第一训练模块，用于根据所述服务器模型训练目标模型；
第二训练模块，用于在进行梯度更新时，对所述目标模型进行双目标优化训练；
调节模块，用于根据所述双目标优化训练的结果对所述目标模型进行目标模型收敛。
8.一种基于相似度度量的数据异构处理装置，其特征在于，包括：
接收模块，服务器端用于接收来加入联合学习的自参与方上传的多个参与联合学习的模型；
初始化模块，用于初始化多个所述模型；
聚合模块，用于将所述模型采用基于数据量的加权平均聚合，以得到服务器模型。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并且可以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6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6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110777789.1A CN113435534A (zh) | 2021-07-09 | 2021-07-09 | 一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110777789.1A CN113435534A (zh) | 2021-07-09 | 2021-07-09 | 一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113435534A true CN113435534A (zh) | 2021-09-24 |
Family
ID=77759982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110777789.1A Pending CN113435534A (zh) | 2021-07-09 | 2021-07-09 | 一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435534A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988434A (zh) * | 2021-10-28 | 2022-01-28 | 新智我来网络科技有限公司 | 燃气负荷预测模型的训练方法和装置 |
| CN114844889A (zh) * | 2022-04-14 | 2022-08-02 | 北京百度网讯科技有限公司 | 视频处理模型的更新方法、装置、电子设备及存储介质 |
| CN116225311A (zh) * | 2022-12-12 | 2023-06-06 | 荣耀终端有限公司 | 终端设备存储***参数的配置方法、装置和服务器 |
| WO2023124296A1 (zh) * | 2021-12-29 | 2023-07-06 | 新智我来网络科技有限公司 | 基于知识蒸馏的联合学习训练方法、装置、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200027033A1 (en) * | 2018-07-19 | 2020-01-23 | Adobe Inc. | Updating Machine Learning Models On Edge Servers |
| CN111754000A (zh) * | 2020-06-24 | 2020-10-09 | 清华大学 | 质量感知的边缘智能联邦学习方法及*** |
| CN112181971A (zh) * | 2020-10-27 | 2021-01-05 | 华侨大学 | 一种基于边缘的联邦学习模型清洗和设备聚类方法、***、设备和可读存储介质 |
| CN112181666A (zh) * | 2020-10-26 | 2021-01-05 | 华侨大学 | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、***、设备和可读存储介质 |
| CN112257873A (zh) * | 2020-11-11 | 2021-01-22 | 深圳前海微众银行股份有限公司 | 机器学习模型的训练方法、装置、***、设备及存储介质 |
| CN112818394A (zh) * | 2021-01-29 | 2021-05-18 | 西安交通大学 | 具有本地隐私保护的自适应异步联邦学习方法 |
| US11017322B1 (en) * | 2021-01-28 | 2021-05-25 | Alipay Labs (singapore) Pte. Ltd. | Method and system for federated learning |
| WO2021118452A1 (en) * | 2019-12-10 | 2021-06-17 | Agency For Science, Technology And Research | Method and server for federated machine learning |
| CN113033712A (zh) * | 2021-05-21 | 2021-06-25 | 华中科技大学 | 一种基于联邦学习的多用户协同训练人流统计方法及*** |
| CN113033800A (zh) * | 2019-12-25 | 2021-06-25 | 香港理工大学深圳研究院 | 分布式深度学习方法、装置、参数服务器及主工作节点 |
| CN113077056A (zh) * | 2021-03-29 | 2021-07-06 | 上海嗨普智能信息科技股份有限公司 | 基于横向联邦学习的数据处理*** |
-
2021
- 2021-07-09 CN CN202110777789.1A patent/CN113435534A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200027033A1 (en) * | 2018-07-19 | 2020-01-23 | Adobe Inc. | Updating Machine Learning Models On Edge Servers |
| WO2021118452A1 (en) * | 2019-12-10 | 2021-06-17 | Agency For Science, Technology And Research | Method and server for federated machine learning |
| CN113033800A (zh) * | 2019-12-25 | 2021-06-25 | 香港理工大学深圳研究院 | 分布式深度学习方法、装置、参数服务器及主工作节点 |
| CN111754000A (zh) * | 2020-06-24 | 2020-10-09 | 清华大学 | 质量感知的边缘智能联邦学习方法及*** |
| CN112181666A (zh) * | 2020-10-26 | 2021-01-05 | 华侨大学 | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、***、设备和可读存储介质 |
| CN112181971A (zh) * | 2020-10-27 | 2021-01-05 | 华侨大学 | 一种基于边缘的联邦学习模型清洗和设备聚类方法、***、设备和可读存储介质 |
| CN112257873A (zh) * | 2020-11-11 | 2021-01-22 | 深圳前海微众银行股份有限公司 | 机器学习模型的训练方法、装置、***、设备及存储介质 |
| US11017322B1 (en) * | 2021-01-28 | 2021-05-25 | Alipay Labs (singapore) Pte. Ltd. | Method and system for federated learning |
| CN112818394A (zh) * | 2021-01-29 | 2021-05-18 | 西安交通大学 | 具有本地隐私保护的自适应异步联邦学习方法 |
| CN113077056A (zh) * | 2021-03-29 | 2021-07-06 | 上海嗨普智能信息科技股份有限公司 | 基于横向联邦学习的数据处理*** |
| CN113033712A (zh) * | 2021-05-21 | 2021-06-25 | 华中科技大学 | 一种基于联邦学习的多用户协同训练人流统计方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 卫新乐 等: "基于纵向联邦学***台恶意用户检测方法", 《小型微型计算机***》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988434A (zh) * | 2021-10-28 | 2022-01-28 | 新智我来网络科技有限公司 | 燃气负荷预测模型的训练方法和装置 |
| WO2023124296A1 (zh) * | 2021-12-29 | 2023-07-06 | 新智我来网络科技有限公司 | 基于知识蒸馏的联合学习训练方法、装置、设备及介质 |
| CN114844889A (zh) * | 2022-04-14 | 2022-08-02 | 北京百度网讯科技有限公司 | 视频处理模型的更新方法、装置、电子设备及存储介质 |
| CN116225311A (zh) * | 2022-12-12 | 2023-06-06 | 荣耀终端有限公司 | 终端设备存储***参数的配置方法、装置和服务器 |
| CN116225311B (zh) * | 2022-12-12 | 2023-11-21 | 荣耀终端有限公司 | 终端设备存储***参数的配置方法、装置和服务器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113435534A (zh) | 一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质 | |
| WO2023124296A1 (zh) | 基于知识蒸馏的联合学习训练方法、装置、设备及介质 | |
| CN113486584A (zh) | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 | |
| CN112994981B (zh) | 时延数据的调整方法和装置、电子设备和存储介质 | |
| CN110781373A (zh) | 榜单更新方法、装置、可读介质和电子设备 | |
| CN113988310A (zh) | 深度学习模型选择方法、装置、计算机设备和介质 | |
| CN114116705A (zh) | 联合学习中确定参与方贡献值的方法及装置 | |
| CN114116707A (zh) | 确定联合学习中参与方贡献度的方法及装置 | |
| CN113966602A (zh) | 区块链中区块的分布式存储 | |
| CN113887746A (zh) | 基于联合学习的降低通信压力的方法及装置 | |
| CN113487041B (zh) | 横向联邦学习方法、装置及存储介质 | |
| CN116402366A (zh) | 基于联合学习的数据贡献评价方法及装置 | |
| CN116340959A (zh) | 一种面向断点隐私保护的方法、装置、设备及介质 | |
| CN115564055A (zh) | 异步联合学习训练方法、装置、计算机设备及存储介质 | |
| CN104426874A (zh) | 一种用于泛在终端网络的认证方法和装置 | |
| CN115563641A (zh) | 基于联合学习的联合推荐框架的方法、装置、计算机设备及计算机可读存储介质 | |
| CN113487040A (zh) | 基于注意力机制的联合学习方法、装置、计算机设备及计算机可读存储介质 | |
| CN113887745A (zh) | 数据异构的联合学习方法及装置 | |
| CN116319322B (zh) | 电力设备节点通信连接方法、装置、设备和计算机介质 | |
| CN113887744A (zh) | 基于联合学习的数据特征提取方法及装置 | |
| CN114393583B (zh) | 通过机器人控制设备的方法及装置 | |
| CN113487085A (zh) | 基于联合学习框架的设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 | |
| CN115563639A (zh) | 联合学习模型训练方法、装置、计算机设备及存储介质 | |
| CN116226158A (zh) | 联合学习任务加入方法、装置、电子设备及存储介质 | |
| CN116432506A (zh) | 一种联合学习模型的训练方法、装置及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |
|
| RJ01 | Rejection of invention patent application after publication |