CN113887745A - 数据异构的联合学习方法及装置 - Google Patents
数据异构的联合学习方法及装置 Download PDFInfo
- Publication number
- CN113887745A CN113887745A CN202111225614.6A CN202111225614A CN113887745A CN 113887745 A CN113887745 A CN 113887745A CN 202111225614 A CN202111225614 A CN 202111225614A CN 113887745 A CN113887745 A CN 113887745A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- joint learning
- participants
- 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
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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种数据异构的联合学习方法及装置。该方法包括:通过中心节点接收参与方上传的多个联合学习训练模型参数之间的多个差值;聚合参与方上传的多个联合学习训练模型参数之间的多个差值,以得到聚合的模型参数;将聚合后的模型参数下发给参与方后,得到参与方反馈的模型训练信息;根据模型训练信息,计算参与方上传的与模型训练信息对应的联合学习训练模型的数据隐私耗尽量;当参与方上传的联合学习训练模型的模型参数的训练量达到数据隐私耗尽量时,则将通知参与方完成本轮训练。本发明解决了现有技术中在数据异构的情况下无法准确的进行模型训练的问题。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种数据异构的联合学习方法及装置。
背景技术
联合学习是一种可以保护数据隐私的分布数据集的分布式学习范式。横向联合学习是适用于参与者的数据特征重叠较多,而样本ID重叠较少的情况。但是不同的参与联合学习的用户的数据数量和数据质量是不同的,并且存在很多带有噪音的数据,这种情况就会产生数据异构。而数据异构的情况在模型训练时是不可避免的存在。
目前现有技术往往通过预先对数据进预处理,即清洗数据或是直接带有噪声数据进行剔除,但这样会影响模型训练的精度和和训练结果的不稳定性。
发明内容
有鉴于此,本公开实施例提供了一种数据异构的联合学习方法及装置,以解决现有技术中在数据异构的情况下无法准确的进行模型训练的问题。
本公开实施例的第一方面,提供了一种数据异构的联合学习方法,包括:
中心节点接收参与方上传的多个联合学习训练模型参数之间的多个差值;
聚合参与方上传的多个联合学习训练模型参数之间的多个差值,以得到聚合的模型参数;
将聚合后的模型参数下发给参与方后,得到参与方反馈的模型训练信息;
根据模型训练信息,计算参与方上传的与模型训练信息对应的联合学习训练模型的数据隐私耗尽量;
当参与方上传的联合学习训练模型的模型参数的训练量达到数据隐私耗尽量时,则将通知参与方完成本轮训练。
本公开实施例的第二方面,提供了一种数据异构的联合学习装置,包括:
接收模块,用于中心节点接收参与方上传的多个模型参数之间的多个差值;
聚合模块,用于聚合参与方上传的多个模型参数之间的多个差值,以得到聚合的模型参数;
下发模块,用于将聚合后的模型参数下发给参与方后,得到参与方反馈的模型训练信息;
计算模块,用于根据模型训练信息,计算参与方上传的与模型训练信息对应的联合学习训练模型的数据隐私耗尽量;
通知模块,用于当参与方上传的联合学习训练模型的模型参数的训练量达到数据隐私耗尽量时,则将通知参与方完成本轮训练。
本公开实施例的第三方面,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。
本公开实施例的第四方面,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:通过中心节点接收参与方上传的多个联合学习训练模型参数之间的多个差值;聚合参与方上传的多个联合学习训练模型参数之间的多个差值,以得到聚合的模型参数;将聚合后的模型参数下发给参与方后,得到参与方反馈的模型训练信息;根据模型训练信息,计算参与方上传的与模型训练信息对应的联合学习训练模型的数据隐私耗尽量;当参与方上传的联合学习训练模型的模型参数的训练量达到数据隐私耗尽量时,则将通知参与方完成本轮训练。以解决现有技术中在数据异构的情况下无法准确的进行模型训练的问题。并且节约数据运算量减少了资源浪费。
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是本公开实施例提供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数据异构的联合学习方法的流程图;
图3是本公开实施例提供的一种数据异构的联合学习装置的框图;
图4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。
需要说明的是,本发明中所指的中心节点可以是一台或多台服务器端组成,参与方可以一个客户端调或多个客户端设备集成,中心节点与参与方均在联合学习架构中,可以根据应用场景的实际需求进行调整,本发明公开实施例对此不作限制。
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数据异构的联合学习方法和装置。
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数据异构的联合学习方法的流程图。图2的数据异构的联合学习方法可以由中心节点执行。如图2所示,该数据异构的联合学习方法包括:
S201,中心节点接收参与方上传的多个联合学习训练模型参数之间的多个差值。
具体地,中心节点接收来自参与方随机选取多个联合学习训练模型;并向参与方反馈参与方已加入联合学习框架中的信息,参与方将当前轮训练好的多个联合学习模型的参数之间差值上传到中心节点。
参与方上传的联合学习训练模型为一个模型或多个模型,所述模型参数为一个联合学习训练模型对应的多个训练数或多个联合学习训练模型分别对应各自的多个模型参数。
S202,聚合参与方上传的多个联合学习训练模型参数之间的多个差值,以得到聚合的模型参数。
具体地,中心节点可以针按不同联合学习训练模型进行聚合,也可以差值属性进生聚合,对此本发明不做限定。
S203,将聚合后的模型参数下发给参与方后,得到参与方反馈的模型训练信息。
S204,根据模型训练信息,计算参与方上传的与所述模型训练信息对应的联合学习训练模型的数据隐私耗尽量。
S205,当参与方上传的所述联合学习训练模型的模型参数的训练量达到所述数据隐私耗尽量时,则将通知参与方完成本轮训练。
进一步地,对于步骤S205还可以通过下述方式处理,以减少数据运算量。
如下所述:
当参与方上传的所述联合学习训练模型的模型参数的训练量达到数据隐私耗尽量时,提取所述联合学习训练模型的当前的模型参数;
将模型参数作为最终所述联合学习训练模型训练参数。
其中,可以通过下述方法实现步骤S204,如下所述:
步骤一、根据参与方上传的模型训练信息,确定参与方所需要的数据需求量;
步骤二、利用数据需求量,设置数据隐私范围;
具体地,可通过利用数据需求量,计算数据泄露风险的风险值;根据风险值,设置数据隐私范围。进一步地,还可以通过利用数据需求量,分析联合学习训练模型训练过程中噪音对梯度的影响值;根据所述影响值,确定数据泄露风险的最小边缘临界值;根据最小边缘临界值,计算数据泄露风险的风险值。
步骤三、基于数据隐私范围,为参与方上传的与模型训练信息对应的联合学习训练模型分配数据隐私预算;
具体地,可以通过确定参与方上传的联合学习训练模型当前训练状态;根据当前训练状态,计算联合学习训练模型每一轮训练的权重参数;判断权重参数是否在数据隐私范围内;如果在所述数据隐私范围内,则为参与方上传的与所述模型训练信息对应的联合学习训练模型分配数据隐私预算;如果不在所述数据隐私范围内,则通知参与方退出联合学习模型训练。
步骤四、根据分配数据隐私预算,计算参与方上传的与模型训练信息对应的联合学习训练模型的数据隐私耗尽量。
根据本公开实施例提供的技术方案,通过中心节点接收参与方上传的多个联合学习训练模型参数之间的多个差值;聚合参与方上传的多个联合学习训练模型参数之间的多个差值,以得到聚合的模型参数;将聚合后的模型参数下发给参与方后,得到参与方反馈的模型训练信息;根据模型训练信息,计算参与方上传的与模型训练信息对应的联合学习训练模型的数据隐私耗尽量;当参与方上传的联合学习训练模型的模型参数的训练量达到数据隐私耗尽量时,则将通知参与方完成本轮训练。以解决现有技术中在数据异构的情况下无法准确的进行模型训练的问题。并且节约数据运算量减少了资源浪费。
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3是本公开实施例提供的一种数据异构的联合学习装置的示意图。如图3所示,该数据异构的联合学习装置包括:
接收模块301,被配置为用于中心节点接收参与方上传的多个模型参数之间的多个差值;
聚合模块302,被配置为用于聚合参与方上传的多个模型参数之间的多个差值,以得到聚合的模型参数;
下发模块303,被配置为用于将聚合后的模型参数下发给参与方后,得到参与方反馈的模型训练信息;
计算模块304,被配置为用于根据模型训练信息,计算参与方上传的与模型训练信息对应的联合学习训练模型的数据隐私耗尽量;
通知模块305,被配置为用于当参与方上传的联合学习训练模型的模型参数的训练量达到数据隐私耗尽量时,则将通知参与方完成本轮训练。
根据本公开实施例提供的技术方案,通过中心节点接收参与方上传的多个联合学习训练模型参数之间的多个差值;聚合参与方上传的多个联合学习训练模型参数之间的多个差值,以得到聚合的模型参数;将聚合后的模型参数下发给参与方后,得到参与方反馈的模型训练信息;根据模型训练信息,计算参与方上传的与模型训练信息对应的联合学习训练模型的数据隐私耗尽量;当参与方上传的联合学习训练模型的模型参数的训练量达到数据隐私耗尽量时,则将通知参与方完成本轮训练。以解决现有技术中在数据异构的情况下无法准确的进行模型训练的问题。并且节约数据运算量减少了资源浪费。
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4是本公开实施例提供的计算机设备4的示意图。如图4所示,该实施例的计算机设备4包括:处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403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403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402中,并由处理器401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403在计算机设备4中的执行过程。
计算机设备4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4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是计算机设备4的示例,并不构成对计算机设备4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401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402可以是计算机设备4的内部存储单元,例如,计算机设备4的硬盘或内存。存储器402也可以是计算机设备4的外部存储设备,例如,计算机设备4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402还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器402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402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)
1.一种数据异构的联合学习方法,其特征在于,包括:
中心节点接收参与方上传的多个联合学习训练模型参数之间的多个差值;
聚合参与方上传的多个联合学习训练模型参数之间的多个差值,以得到聚合的模型参数;
将聚合后的模型参数下发给参与方后,得到参与方反馈的模型训练信息;
根据所述模型训练信息,计算参与方上传的与所述模型训练信息对应的联合学习训练模型的数据隐私耗尽量;
当参与方上传的所述联合学习训练模型的模型参数的训练量达到所述数据隐私耗尽量时,则将通知参与方完成本轮训练。
2.根据权利要求1所述的方法,其特征在于,根据所述模型训练信息,计算参与方上传的与所述模型训练信息对应的联合学习训练模型的数据隐私耗尽量包括:
根据参与方上传的模型训练信息,确定参与方所需要的数据需求量;
利用所述数据需求量,设置数据隐私范围;
基于所述数据隐私范围,为参与方上传的与所述模型训练信息对应的联合学习训练模型分配数据隐私预算;
根据所述分配数据隐私预算,计算参与方上传的与所述模型训练信息对应的联合学习训练模型的数据隐私耗尽量。
3.根据权利要求2所述的方法,其特征在于,利用所述数据需求量,设置数据隐私范围包括:
利用所述数据需求量,计算数据泄露风险的风险值;
根据所述风险值,设置数据隐私范围。
4.根据权利要求2所述的方法,其特征在于,基于所述数据隐私范围,为参与方上传的与所述模型训练信息对应的联合学习训练模型分配数据隐私预算包括:
确定参与方上传的联合学习训练模型当前训练状态;
根据所述当前训练状态,计算所述联合学习训练模型每一轮训练的权重参数;
判断所述权重参数是否在所述数据隐私范围内;
如果在所述数据隐私范围内,则为参与方上传的与所述模型训练信息对应的联合学习训练模型分配数据隐私预算;
如果不在所述数据隐私范围内,则通知参与方退出联合学习模型训练。
5.根据权利要求3所述的方法,其特征在于,利用所述数据需求量,计算数据泄露风险的风险值包括:
利用所述数据需求量,分析所述联合学习训练模型训练过程中噪音对梯度的影响值;
根据所述影响值,确定数据泄露风险的最小边缘临界值;
根据所述最小边缘临界值,计算数据泄露风险的风险值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当参与方上传的所述联合学习训练模型的模型参数的训练量达到所述数据隐私耗尽量时,提取所述联合学习训练模型的当前的模型参数;
将所述模型参数作为最终所述联合学习训练模型训练参数。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述参与方上传的联合学习训练模型为一个模型或多个模型,所述模型参数为一个联合学习训练模型对应的多个训练数或多个联合学习训练模型分别对应各自的多个模型参数。
8.一种数据异构的联合学习装置,其特征在于,包括:
接收模块,用于中心节点接收参与方上传的多个模型参数之间的多个差值;
聚合模块,用于聚合参与方上传的多个模型参数之间的多个差值,以得到聚合的模型参数;
下发模块,用于将聚合后的模型参数下发给参与方后,得到参与方反馈的模型训练信息;
计算模块,用于根据所述模型训练信息,计算参与方上传的与所述模型训练信息对应的联合学习训练模型的数据隐私耗尽量;
通知模块,用于当参与方上传的所述联合学习训练模型的模型参数的训练量达到所述数据隐私耗尽量时,则将通知参与方完成本轮训练。
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7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7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111225614.6A CN113887745A (zh) | 2021-10-21 | 2021-10-21 | 数据异构的联合学习方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111225614.6A CN113887745A (zh) | 2021-10-21 | 2021-10-21 | 数据异构的联合学习方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887745A true CN113887745A (zh) | 2022-01-04 |
Family
ID=79003987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111225614.6A Pending CN113887745A (zh) | 2021-10-21 | 2021-10-21 | 数据异构的联合学习方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887745A (zh) |
-
2021
- 2021-10-21 CN CN202111225614.6A patent/CN113887745A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113988310A (zh) | 深度学习模型选择方法、装置、计算机设备和介质 | |
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 | |
WO2023109246A1 (zh) | 一种面向断点隐私保护的方法、装置、设备及介质 | |
CN113887746A (zh) | 基于联合学习的降低通信压力的方法及装置 | |
CN116402366A (zh) | 基于联合学习的数据贡献评价方法及装置 | |
CN113887745A (zh) | 数据异构的联合学习方法及装置 | |
CN116069767A (zh) | 设备数据清洗方法、装置、计算机设备及介质 | |
CN116384461A (zh) | 基于联合学习的模型优化训练方法及装置 | |
CN113887495A (zh) | 基于迁移学习的视频标注方法及装置 | |
CN115564055A (zh) | 异步联合学习训练方法、装置、计算机设备及存储介质 | |
CN114897185A (zh) | 基于类别异构数据的联合学习训练方法及装置 | |
CN116502513A (zh) | 基于联合学习建立数据贡献方的调控方法、装置及设备 | |
CN116070708A (zh) | 基于联合学习的模型训练方法及装置 | |
CN114118459A (zh) | 基于联合学习的检测设备健康方法及装置 | |
CN114298320A (zh) | 联合学习的贡献值计算方法、装置、电子设备及存储介质 | |
WO2023124312A1 (zh) | 联合学习中的预测方法及装置 | |
CN115481752B (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
CN116402261A (zh) | 基于联合学习的数据激励处理方法及装置 | |
CN116484708A (zh) | 一种基于联合学习的数据对象处理方法和装置 | |
CN113887747A (zh) | 基于联合学习的数据融合方法及装置 | |
CN113887744A (zh) | 基于联合学习的数据特征提取方法及装置 | |
CN116432010A (zh) | 一种联合学习模型的训练方法及装置 |
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 |