CN113887744A - 基于联合学习的数据特征提取方法及装置 - Google Patents
基于联合学习的数据特征提取方法及装置 Download PDFInfo
- Publication number
- CN113887744A CN113887744A CN202111225522.8A CN202111225522A CN113887744A CN 113887744 A CN113887744 A CN 113887744A CN 202111225522 A CN202111225522 A CN 202111225522A CN 113887744 A CN113887744 A CN 113887744A
- Authority
- CN
- China
- Prior art keywords
- local data
- model
- parameters
- data
- participants
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种基于联合学习的数据特征提取方法及装置。该方法包括:基于联合学习架构,中心节点接收多个参与方发送的本地数据的特征参数和本地数据的模型参数;利用均值算法将本地数据的模型参数进行融合,以得到本地数据的模型精度;基于模型精度聚合特征参数,以得到特征参数聚合后的聚合权重;响应于参与方,根据聚合权重对本地数据模型进更新,以便于参与方进行本地数据特征提取。本公开解决了现有技术中在实现保护数据隐私的前提下,无法对多方数据特征融合的问题。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种基于联合学习的数据特征提取方法及装置。
背景技术
随着人工智技术的不断发展,对数据隐私保护及数据安全的要求也越来越高,那么如何在保护数据隐私的前提下来完成各种场景下的模型训练成为急需研究的问题。
现实生活中为了训练高精度的模型,需要有大量的数据。但是联合多方数据可能会泄露数据方隐私。在训练模型的时候不同用户的数据可能会存在偏向性,比如泛能站中各个锅炉其采集的数据由于锅炉所处的时间环境因素会表现出不同的特征。但是在保护数据隐私的前提下,联合多方数据,融合多方数据特征研究较少。
例如,传统的联合学习框架仅上传本地客户端模型参数至中心节点进行聚合,在该框架下本地客户端仅上传模型参数至服务器进行聚合得到最终模型,而无法实现数据融合的功能。
发明内容
有鉴于此,本公开实施例提供了一种基于联合学习的数据特征提取方法、装置、计算机设备及计算机可读存储介质,以解决现有技术中在实现保护数据隐私的前提下,无法对多方数据特征融合的问题。
本公开实施例的第一方面,提供了一种基于联合学习的数据特征提取方法,包括:
基于联合学习架构,中心节点接收多个参与方发送的本地数据的特征参数和本地数据的模型参数;
利用均值算法将所述本地数据的模型参数进行融合,以得到所述本地数据的模型精度;
基于所述模型精度聚合所述特征参数,以得到所述特征参数聚合后的聚合权重;
响应于参与方,根据所述聚合权重对本地数据模型进更新,以便于参与方进行本地数据特征提取。
本公开实施例的第二方面,提供了一种基于联合学习的数据特征提取方法,包括:
基于联合学习架构,参与方基于本地数据集提取本地数据的特征参数及本地数据的模型参数;
参与方将所述特征参数及本地模型参数上传至中心节点;
参与方响应于中心节点反馈的模型权重,对本地数据的模型进行更新;
参与方基于所述更新后的本地数据的模型,提取本地数据的数据特征。
本公开实施例的第三方面,提供了一种基于联合学习的数据特征提取装置,包括:
中心节点接收模块,用于基于联合学习架构,接收多个参与方发送的本地数据的特征参数和本地数据的模型参数;
中心节点融合模块,用于利用均值算法将所述本地数据的模型参数进行融合,以得到所述本地数据的模型精度;
中心节点聚合模块,用于基于所述模型精度聚合所述特征参数,以得到所述特征参数聚合后的聚合权重;
中心节点更新模块,响应于参与方,根据所述聚合权重对本地数据模型进更新,以便于参与方进行本地数据特征提取。
本公开实施例的第四方面,提供了一种基于联合学习的数据特征提取装置,包括:
参与方提取模块,用于基于联合学习架构,在本地数据集提取本地数据的特征参数及本地数据的模型参数;
参与方传输模块,用于将所述特征参数及本地模型参数上传至中心节点;
参与方更新模块,用于响应于中心节点反馈的模型权重,对本地数据的模型进行更新;
参与方特征提取模块,用于基于所述更新后的本地数据的模型,提取本地数据的数据特征。
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:通过中心节点接收多个参与方发送的本地数据的特征参数和本地数据的模型参数;利用均值算法将本地数据的模型参数进行融合,以得到本地数据的模型精度;基于模型精度聚合特征参数,以得到特征参数聚合后的聚合权重;响应于参与方,根据聚合权重对本地数据模型进更新,以便于参与方进行本地数据特征提取;以解决现有技术中在实现保护数据隐私的前提下,无法对多方数据特征融合的问题。
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是本公开实施例的一种联合学习的架构示意图;
图2是本公开实施例提供的一种基于联合学习的数据特征提取方法的流程图;
图3是本公开实施例提供的另一种基于联合学习的数据特征提取方法的流程图;
图4是本公开实施例提供的一种基于联合学习的数据特征提取装置的框图;
图5是本公开实施例提供的另一种基于联合学习的数据特征提取装置的框图;
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。
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。联合学习至少具有以下特点:
(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)在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。
下面将结合附图详细说明根据本公开实施例的一种基于联合学习的数据特征提取方法和装置。
图1是本公开实施例的一种联合学习的架构示意图。如图1所示,联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。
在联合学习过程中,基本模型可以通过服务器101建立,服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101,服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型,利用本地数据进行模型训练,获得更新的模型参数,并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合,获得全局模型参数,并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代,直到模型最终收敛,从而实现对模型的训练。在联合学习过程中,参与方102、参与方103和参与方104上传的数据为模型参数,本地数据并不会上传至服务器101,且所有参与方可以共享最终的模型参数,因此可以在保证数据隐私的基础上实现共同建模。需要说明的是,参与方的数量不限于如上所述的三个,而是可以根据需要进行设置,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联合学习的数据特征提取方法的流程图。其中,图2中执行主体设置为中心节点或服务器端、集成服务器,在此统一简称为中心节点;参与方可以是客户端或独立服务器。如图2所示,该基于联合学习的数据特征提取方法包括:
S201,基于联合学习架构,中心节点接收多个参与方发送的本地数据的特征参数和本地数据的模型参数。
具体地,参与方可以通过向中心节点发送连接认证与中心节点进行相互传递工作。本地数据的特征参数可以是参与方在参与方的本地已对数据进行目标特征的提取;也可以是通过收集数据筛选获取;对此本发明不做任何限定。本地数据的模型参数可以是通过参与方对参与方本地当前应用的数据模型在建模时,对建模应用的参数或是设置的备选参数。对此本发明不做任何限定。
S202,利用均值算法将本地数据的模型参数进行融合,以得到本地数据的模型精度。
具体地,例如可以应用K均值算法对获取到的模型参数进行融合,然后,将融合后的数据进行精度计算,以得到本地数据的模型精度;其中,精度计算方式可以通过对融合后的数据与指标评估方式、准确率等相结合方式计算,对些本发明不做限定。
S203,基于本地数据的模型精度聚合本地数据的特征参数,以得到特征参数聚合后的聚合权重。
具体地,根据所述模型精度,聚合本地数据的特征参数;对所述模型精度进行归一化处理;根据所述归一化处理的结果,确定每一个所述模型精度的占比值;基于每一个所述模型精度的占比值,得到所述特征参数聚合后的聚合权重。
S204,响应于参与方,根据聚合权重对本地数据模型进更新,以便于参与方进行本地数据特征提取。
具体地,可以根据聚合权重,确定本地数据的模型权重;响应于多个参与方,将所述模型权重发送至多个参与方;根据多个参与方的反馈信息,对本地数据的模型参数进行重新聚合;其中反馈信息包含:多个参与方上传的更新的本地数据的模型参数和本地数据的特征参数。
根据本公开实施例提供的技术方案,中心节点利用接收的多个参与方发送的本地数据的特征参数和本地数据的模型参数;利用均值算法将本地数据的模型参数进行融合,以得到本地数据的模型精度;基于模型精度聚合特征参数,以得到特征参数聚合后的聚合权重;响应于参与方,根据聚合权重对本地数据模型进更新,以便于参与方进行本地数据特征提取。以解决现有技术中的中心节点在实现保护数据隐私的前提下,无法对多方数据特征融合的问题。
图3是本公开实施例提供的一种基于联合学习的数据特征提取方法的流程图。其中,图3中执行主体可以设置为参与方或独立服务器、集成客户端等,在此统一简称为参与方;参与方可以是客户端。如图3所示,该基于联合学习的数据特征提取方法包括:
S301,基于联合学习架构,参与方基于本地数据集提取本地数据的特征参数及本地数据的模型参数。
具体地,参与方收集本地数据集;利用长短记忆网络算法,提取所述本地数据集中的数据特征,以得到本地数据特征及对应的数据特征参数;根据所述数据特征,建立本地数据的模型;根据所述本地数据的模型确定所述本地数据的模型参数。
S302,参与方将特征参数及本地模型参数上传至中心节点。
S303,参与方响应于中心节点反馈的模型权重,对本地数据的模型进行更新。
S304,参与方基于更新后的本地数据的模型,提取本地数据的数据特征。
针对上述方法,还可以当各轮次中各参与方上传本地数据的模型参数及本地数据的特征时,从中心节点下载的内容仅为聚合后的模型参数;当中心节点对聚合的本地数据的模型参数进行训练结束时,参与方下载聚合后的本地数据的模型参数对应的全局数据特征。
根据本公开实施例提供的技术方案,参与方基于本地数据集提取本地数据的特征参数及本地数据的模型参数;参与方将所述特征参数及本地模型参数上传至中心节点;参与方响应于中心节点反馈的模型权重,对本地数据的模型进行更新;参与方基于所述更新后的本地数据的模型,提取本地数据的数据特征。以解决现有技术中参与方在实现保护数据隐私的前提下,无法对多方数据特征融合的问题。
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联合学习的数据特征提取装置的示意图。如图4所示,该基于联合学习的数据特征提取装置包括:
中心节点接收模块401,用于基于联合学习架构,接收多个参与方发送的本地数据的特征参数和本地数据的模型参数。
中心节点融合模块402,用于利用均值算法将所述本地数据的模型参数进行融合,以得到所述本地数据的模型精度。
中心节点聚合模块403,用于基于所述模型精度聚合所述特征参数,以得到所述特征参数聚合后的聚合权重。
中心节点更新模块404,响应于参与方,根据所述聚合权重对本地数据模型进更新,以便于参与方进行本地数据特征提取。
如图5所示,另一种基于联合学习的数据特征提取装置包括:
参与方提取模块501,用于基于联合学习架构,在本地数据集提取本地数据的特征参数及本地数据的模型参数。
参与方传输模块502,用于将所述特征参数及本地模型参数上传至中心节点。
参与方更新模块503,用于响应于中心节点反馈的模型权重,对本地数据的模型进行更新。
参与方特征提取模块504,用于基于所述更新后的本地数据的模型,提取本地数据的数据特征。
根据本公开实施例提供的技术方案,通过基于联合学习的数据特征提取装置可以解决现有技术中中心节点和参与方在实现保护数据隐私的前提下,无法对多方数据特征融合的问题。
基于本发明方案以中心节点和参与方应用本发明提方法的举例,具体说明如下:
参与方基于本地数据集,利用LSTM(长短记忆网络)网络提取本地的数据特征;参与方将本地的数据特征的参数以及模型参数同时上传至中心节点内进行聚合;中心节点,聚合参与方上传的特征参数和模型参数。模型参数按照均值进行融合;数据特征聚合引入本地模型的精度作为聚合权重指标。对精度进行归一化,得到精度的占比;每轮聚合权重都将在参与方与中心节点之间相互传递,参与方将根据下载的模型权重进一步更新本地模型,并利用更新后的模型继续提取本地数据特征;而上传的特征一直在中心节点进行聚合更新,直至循环迭代结束为止。即在各轮次中各参与方需要上传模型参数以及数据特征,而从中心节点下载的内容仅为聚合后的模型参数,直到训练结束,所有参与方才会下载聚合后的全局数据特征作为全局数据表示。
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)
1.一种基于联合学习的数据特征提取方法,其特征在于,包括:
基于联合学习架构,中心节点接收多个参与方发送的本地数据的特征参数和本地数据的模型参数;
利用均值算法将所述本地数据的模型参数进行融合,以得到所述本地数据的模型精度;
基于所述模型精度聚合所述特征参数,以得到所述特征参数聚合后的聚合权重;
响应于参与方,根据所述聚合权重对本地数据模型进更新,以便于参与方进行本地数据特征提取。
2.根据权利要求1所述的方法,其特征在于,基于所述模型精度聚合所述特征参数,以得到所述特征参数聚合后的聚合权重包括:
根据所述模型精度,聚合本地数据的特征参数;
对所述模型精度进行归一化处理;
根据所述归一化处理的结果,确定每一个所述模型精度的占比值;
基于每一个所述模型精度的占比值,得到所述特征参数聚合后的聚合权重。
3.根据权利要求1所述的方法,其特征在于,响应于参与方,根据所述聚合权重对本地数据模型进更新,以便于参与方进行本地数据特征提取包括:
根据所述聚合权重,确定所述本地数据的模型权重;
响应于多个参与方,将所述模型权重发送至多个参与方;
根据多个参与方的反馈信息,对所述本地数据的模型参数进行重新聚合;
其中所述反馈信息包含:多个参与方上传的更新的本地数据的模型参数和本地数据的特征参数。
4.一种基于联合学习的数据特征提取方法,其特征在于,包括:
基于联合学习架构,参与方基于本地数据集提取本地数据的特征参数及本地数据的模型参数;
参与方将所述特征参数及本地模型参数上传至中心节点;
参与方响应于中心节点反馈的模型权重,对本地数据的模型进行更新;
参与方基于所述更新后的本地数据的模型,提取本地数据的数据特征。
5.根据权利要求4所述的方法,其特征在于,参与方基于本地数据集提取本地数据的特征参数及本地数据的模型参数包括:
参与方收集本地数据集;
利用长短记忆网络算法,提取所述本地数据集中的数据特征,以得到本地数据特征及对应的数据特征参数;
根据所述数据特征,建立本地数据的模型;
根据所述本地数据的模型确定所述本地数据的模型参数。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
当各轮次中各参与方上传本地数据的模型参数及本地数据的特征时,从中心节点下载的内容仅为聚合后的模型参数;
当中心节点对聚合的本地数据的模型参数进行训练结束时,参与方下载聚合后的本地数据的模型参数对应的全局数据特征。
7.一种基于联合学习的数据特征提取装置,其特征在于,包括:
中心节点接收模块,用于基于联合学习架构,接收多个参与方发送的本地数据的特征参数和本地数据的模型参数;
中心节点融合模块,用于利用均值算法将所述本地数据的模型参数进行融合,以得到所述本地数据的模型精度;
中心节点聚合模块,用于基于所述模型精度聚合所述特征参数,以得到所述特征参数聚合后的聚合权重;
中心节点更新模块,响应于参与方,根据所述聚合权重对本地数据模型进更新,以便于参与方进行本地数据特征提取。
8.一种基于联合学习的数据特征提取装置,其特征在于,包括:
参与方提取模块,用于基于联合学习架构,在本地数据集提取本地数据的特征参数及本地数据的模型参数;
参与方传输模块,用于将所述特征参数及本地模型参数上传至中心节点;
参与方更新模块,用于响应于中心节点反馈的模型权重,对本地数据的模型进行更新;
参与方特征提取模块,用于基于所述更新后的本地数据的模型,提取本地数据的数据特征。
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 |
---|---|---|---|
CN202111225522.8A CN113887744A (zh) | 2021-10-21 | 2021-10-21 | 基于联合学习的数据特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111225522.8A CN113887744A (zh) | 2021-10-21 | 2021-10-21 | 基于联合学习的数据特征提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887744A true CN113887744A (zh) | 2022-01-04 |
Family
ID=79004040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111225522.8A Pending CN113887744A (zh) | 2021-10-21 | 2021-10-21 | 基于联合学习的数据特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887744A (zh) |
-
2021
- 2021-10-21 CN CN202111225522.8A patent/CN113887744A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329940A (zh) | 一种结合联邦学习与用户画像的个性化模型训练方法及*** | |
CN113988310A (zh) | 深度学习模型选择方法、装置、计算机设备和介质 | |
CN113486584B (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 | |
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 | |
CN113987941A (zh) | 时间序列预测方法、装置、计算机设备和可读存储介质 | |
CN114116707A (zh) | 确定联合学习中参与方贡献度的方法及装置 | |
CN113902135A (zh) | 样本数据量联合扩充方法、装置、设备、***及存储介质 | |
CN113887746A (zh) | 基于联合学习的降低通信压力的方法及装置 | |
CN113887744A (zh) | 基于联合学习的数据特征提取方法及装置 | |
CN116069767A (zh) | 设备数据清洗方法、装置、计算机设备及介质 | |
CN117313832A (zh) | 基于双向知识蒸馏的联合学习模型训练方法、装置及*** | |
CN116340959A (zh) | 一种面向断点隐私保护的方法、装置、设备及介质 | |
CN116402366A (zh) | 基于联合学习的数据贡献评价方法及装置 | |
CN116384461A (zh) | 基于联合学习的模型优化训练方法及装置 | |
CN114553869A (zh) | 基于联合学习的确定资源贡献度的方法、装置和电子设备 | |
CN115564055A (zh) | 异步联合学习训练方法、装置、计算机设备及存储介质 | |
CN113887495A (zh) | 基于迁移学习的视频标注方法及装置 | |
CN116362101A (zh) | 基于联合学习的数据处理方法、数据模型生成方法及装置 | |
CN113486583A (zh) | 设备的健康评估方法、装置、计算机设备及计算机可读存储介质 | |
CN116070708A (zh) | 基于联合学习的模型训练方法及装置 | |
CN114897185A (zh) | 基于类别异构数据的联合学习训练方法及装置 | |
CN113887747A (zh) | 基于联合学习的数据融合方法及装置 | |
WO2023124312A1 (zh) | 联合学习中的预测方法及装置 | |
CN113887745A (zh) | 数据异构的联合学习方法及装置 | |
CN114897186A (zh) | 联合学习训练方法及装置 |
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 |