CN115238909A - 一种基于联邦学习的数据价值评估方法及其相关设备 - Google Patents
一种基于联邦学习的数据价值评估方法及其相关设备 Download PDFInfo
- Publication number
- CN115238909A CN115238909A CN202210743272.5A CN202210743272A CN115238909A CN 115238909 A CN115238909 A CN 115238909A CN 202210743272 A CN202210743272 A CN 202210743272A CN 115238909 A CN115238909 A CN 115238909A
- Authority
- CN
- China
- Prior art keywords
- clients
- model
- trained
- current round
- server
- 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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例公开了一种基于联邦学习的数据价值评估方法及其相关设备,可有效减少服务端进行数据价值评估时所付出的计算量。本申请的方法包括:在获取M个客户端在当前轮次中对待训练模型的参数更新量后,服务端可基于M个客户端在当前轮次中对待训练模型的参数更新量,将M个客户端划分为N个类别。对于N个类别中的任意一个类别,服务端可对该类别中目标客户端在当前轮次中对待训练模型的参数更新量进行处理,得到目标客户端在当前轮次中的数据价值,并将目标客户端在当前轮次中的数据价值作为该类别中所有客户端在当前轮次中的数据价值。对于其余类别,服务端也可执行如同对该类别所执行的操作,故可得到M个客户端在当前轮次中的数据价值。
Description
技术领域
本申请实施例涉及人工智能(artificial intelligence,AI)技术领域,尤其涉及一种基于联邦学习的数据价值评估方法及其相关设备。
背景技术
随着用户不断增强的数据安全意识,以及用户的个人隐私数据被频繁泄漏等数据安全问题的出现,使得用户不断提高对涉及个人隐私的数据的保护力度,进而给AI技术的模型训练提出了新的挑战。因此,联邦学习(federated learning)这一模型训练方式应运而生。
联邦学习***通常包含服务端和多个客户端,服务端可联合多个客户端,来对某个神经网络模型进行多轮次的训练。在进行当前轮次的训练时,服务端先下发待训练模型给各个客户端。各个客户端设备可基于存储在本地的训练数据来更新待训练模型的参数,并确定各个客户端在当前轮次中对待训练模型的参数更新量。然后,各个客户端可将自身在当前轮次中对待训练模型的参数更新量上传至服务端。最后,服务端基于各个客户端在当前轮次中对待训练模型的参数更新量来更新待训练模型的参数(即服务端实现聚合),以得到更新后的模型。此后,服务端还可联合多个客户端,来对更新后的模型进行下一轮次的训练。
在当前轮次的训练中,对于多个客户端中的任意一个客户端,服务端可对该客户端进行当前轮次的数据价值评估(data valuation),即服务端基于该客户端在当前轮次中对待训练模型的参数更新量,来计算客户端在当前轮次中的数据价值,用于描述该客户端在当前轮次中的训练中所作出的贡献。然而,由于客户端的数量往往较多,服务端在进行数据价值评估时,所需的计算量很大,导致所需付出的计算成本很高。
发明内容
本申请实施例提供了一种基于联邦学习的数据价值评估方法及其相关设备,可有效减少服务端进行数据价值评估时所付出的计算量,从而节约计算成本。
本申请实施例的第一方面提供了一种基于联邦学习的数据价值评估方法,该方法包括:
在当前轮次的模型训练中,服务端可先向P个客户端下发待训练模型(P为大于1的正整数)。对于P个客户端中的任意一个客户端而言,该客户端在接收到来自服务端的待训练模型后,可使用本地数据对待训练模型进行训练,从而更新待训练模型的参数得到更新后的模型。那么,该客户端可计算待训练模型的参数以及更新后的模型的参数之间的差值,该差值即为该客户端在当前轮次中对待训练模型的参数更新量。同理,P个客户端中除该客户端的其余客户端,也可执行如同对该客户端所执行的操作,故可得到P个客户端在当前轮次中对待训练模型的参数更新量。此后,服务端可在P个客户端中随机选择M个客户端(M为小于P的正整数),以使得M个客户端将M个客户端在当前轮次中对待训练模型的参数更新量,上传到服务端。
得到M个客户端在当前轮次中对待训练模型的参数更新量后,服务端可使用聚类算法,将M个客户端在当前轮次中对待训练模型的参数更新量进行处理,从而将这些参数更新量划分为N个类别(N为小于或等于M的正整数),在这N个类别中,任意一个类别包含M个客户端中的至少一个客户端在前轮次中对待训练模型的参数更新量,相当于服务端成功将M个客户端划分为N个类别,在这N个类别中,任意一个类别包含M个客户端中的至少一个客户端。
将M个客户端划分为N个类别后,对于这N个类别中的任意一个类别,即N个类别中的第i个类别(i=1,...,N),服务端可从第i个类别的所有客户端中,选定一个客户端作为第i个类别的目标客户端。随后,服务端可对第i个类别的目标客户端在当前轮次中对待训练模型的参数更新量进行计算,得到第i个类别的目标客户端在当前轮次中的数据价值,该数据价值可作为第i个类别中所有客户端在当前轮次中的数据价值。对于N个类别除第i个类别之外的其余类别,服务端也可执行如同对第i个类别所执行的操作,故服务端可得到N个类别在当前轮次中的数据价值,即M个客户端在当前轮次中的数据价值,故可确定M个客户端在当前轮次的模型训练中所付出的贡献。
从上述方法可以看出:在获取M个客户端在当前轮次中对待训练模型的参数更新量后,服务端可基于M个客户端在当前轮次中对待训练模型的参数更新量,将M个客户端划分为N个类别。对于N个类别中的任意一个类别,服务端可对该类别中目标客户端在当前轮次中对待训练模型的参数更新量进行处理,得到目标客户端在当前轮次中的数据价值,并将目标客户端在当前轮次中的数据价值作为该类别中所有客户端在当前轮次中的数据价值。对于其余类别,服务端也可执行如同对该类别所执行的操作,故可得到M个客户端在当前轮次中的数据价值。可见,在当前轮次的模型训练中,服务端将M个客户端分成N个类别后,对于N个类别中的任意一个类别,服务端仅需进行一次数据价值计算就可以得到该类别中所有客户端在当前轮次中的数据价值,故对于N个类别,服务端总共仅需进行N次数据价值计算就可以得到M个客户端在当前轮次中的数据价值,由于N通常小于M,故可有效减少服务端进行数据价值评估时所付出的计算量,从而节约计算成本。
在一种可能实现的方式中,基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取目标客户端在当前轮次中的数据价值包括:基于M个客户端中S个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到第一模型,S个客户端不包含目标客户端;基于M个客户端中T个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到第二模型,T个客户端包含目标客户端以及S个客户端;基于第一模型的精度以及第二模型的精度,计算目标客户端在当前轮次中的数据价值。前述实现方式中,确定第i个类别的目标客户端后,服务端可在M个客户端中除目标客户端之外的其余客户端中选择S个客户端,并对S个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,再基于加权求和的结果来对待训练模型的参数进行更新,从而得到第一模型。得到第一模型后,服务端可将S个客户端以及目标客户端视为一个整体,即T个客户端,并对T个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,再基于加权求和的结果来对待训练模型的参数进行更新,从而得到第二模型。得到第一模型和第二模型后,服务端可利用一批测试数据,来测试第一模型的精度以及第二模型的精度。那么,服务端可基于第一模型的精度以及第二模型的精度,计算第i个类别的目标客户端在当前轮次中的数据价值。如此一来,则可以得到第i个类别中所有客户端在当前轮次中的数据价值。
在一种可能实现的方式中,第i个类别的目标客户端可通过以下方式进行选取:(1)服务端可从第i个类别的所有客户端中,随机选择一个客户端作为第i个类别的目标客户端。(2)服务端可从第i个类别的所有客户端中,将位于第i个类别的聚类中心的客户端作为第i个类别的目标客户端。
在一种可能实现的方式中,基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取目标客户端在当前轮次中的数据价值之后,该方法还包括:基于M个客户端在当前轮次中的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到更新后的模型。前述实现方式中,得到M个客户端在当前轮次中的数据价值后,服务端可对M个客户端在当前轮次中的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量进行计算,并利用计算结果来对待训练模型进行更新,得到更新后的模型。
在一种可能实现的方式中,基于M个客户端在当前轮次中的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到更新后的模型包括:以M个客户端在当前轮次中的数据价值作为M个客户端的权重,并对M个客户端的权重以及M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,得到加权求和结果;基于加权求和结果,对待训练模型进行更新,得到更新后的模型。前述实现方式中,得到M个客户端在当前轮次中的数据价值后,服务端可将M个客户端在当前轮次中的数据价值作为M个客户端的权重,并利用这些权重对M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,从而得到相应的加权求和结果。然后,服务端可利用该加权求和结果来更新待训练模型的参数,从而得到更新后的模型。由此可见,服务端在对M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和时,所使用的权重是M个客户端在当前轮次中的数据价值,由于这些数据价值可表明M个客户端在当前轮次中所付出的贡献,故贡献较大的客户端所占的权重较大,贡献较小的客户端所占的权重较小,以这种方式进行加权求和所得到的结果,可以弱化一些不重要的客户端所发挥的作用,强化一些重要的客户端所发挥的作用,基于此结果训练得到的模型,可以具备较好的性能。
在一种可能实现的方式中,基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取目标客户端在当前轮次中的数据价值之后,该方法还包括:基于M个客户端在前一轮次中的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到更新后的模型。前述实现方式中,得到M个客户端在当前轮次中的数据价值后,服务端可保留M个客户端在当前轮次中的数据价值,以在下一轮次中使用。接着,服务端可对M个客户端在前一轮次中的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量进行计算,并利用计算结果来对待训练模型进行更新,得到更新后的模型。
在一种可能实现的方式中,基于M个客户端在前一轮次中的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到更新后的模型包括:以M个客户端在前一轮次中的数据价值作为M个客户端的权重,并对M个客户端的权重以及M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,得到加权求和结果;基于加权求和结果,对待训练模型进行更新,得到更新后的模型。前述实现方式中,得到M个客户端在当前轮次中的数据价值后,服务端可保留M个客户端在当前轮次中的数据价值,以在下一轮次中使用。接着,服务端可将M个客户端在前一轮次中的数据价值作为M个客户端的权重,以利用这些权重对M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,从而得到相应的加权求和结果。然后,服务端可利用该加权求和结果来更新待训练模型的参数,从而得到更新后的模型。由此可见,服务端在对M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和时,所使用的权重是M个客户端在前一轮次中的数据价值,由于这些数据价值可表明M个客户端在前一轮次中所付出的贡献,故贡献较大的客户端所占的权重较大,贡献较小的客户端所占的权重较小,以这种方式进行加权求和所得到的结果,可以弱化一些不重要的客户端所发挥的作用,强化一些重要的客户端所发挥的作用,基于此结果训练得到的模型,可以具备较好的性能。
在一种可能实现的方式中,N个类别可通过以下至少一项获取:K均值聚类算法或层次凝聚聚类算法。
本申请实施例的第二方面提供了一种基于联邦学习的数据价值评估装置,该装置包括:第一获取模块,用于获取M个客户端在当前轮次中对待训练模型的参数更新量;划分模块,用于基于M个客户端在当前轮次中对待训练模型的参数更新量,将M个客户端划分为N个类别,M≥N>1;第二获取模块,用于基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取目标客户端在当前轮次中的数据价值,目标客户端在当前轮次中的数据价值作为第i个类别中所有客户端在当前轮次中的数据价值,i=1,...,N。
从上述装置可以看出:在获取M个客户端在当前轮次中对待训练模型的参数更新量后,服务端可基于M个客户端在当前轮次中对待训练模型的参数更新量,将M个客户端划分为N个类别。对于N个类别中的任意一个类别,服务端可对该类别中目标客户端在当前轮次中对待训练模型的参数更新量进行处理,得到目标客户端在当前轮次中的数据价值,并将目标客户端在当前轮次中的数据价值作为该类别中所有客户端在当前轮次中的数据价值。对于其余类别,服务端也可执行如同对该类别所执行的操作,故可得到M个客户端在当前轮次中的数据价值。可见,在当前轮次的模型训练中,服务端将M个客户端分成N个类别后,对于N个类别中的任意一个类别,服务端仅需进行一次数据价值计算就可以得到该类别中所有客户端在当前轮次中的数据价值,故对于N个类别,服务端总共仅需进行N次数据价值计算就可以得到M个客户端在当前轮次中的数据价值,由于N通常小于M,故可有效减少服务端进行数据价值评估时所付出的计算量,从而节约计算成本。
在一种可能实现的方式中,第二获取模块,用于:基于M个客户端中S个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到第一模型,S个客户端不包含目标客户端;基于M个客户端中T个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到第二模型,T个客户端包含目标客户端以及S个客户端;基于第一模型的精度以及第二模型的精度,计算目标客户端在当前轮次中的数据价值。
在一种可能实现的方式中,目标客户端为第i个类别中任意一个客户端,或,第i个类别中位于聚类中心的客户端。
在一种可能实现的方式中,该装置还包括:更新模块,用于基于M个客户端在当前轮次中的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到更新后的模型。
在一种可能实现的方式中,更新模块,用于:以M个客户端在当前轮次中的数据价值作为M个客户端的权重,并对M个客户端的权重以及M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,得到加权求和结果;基于加权求和结果,对待训练模型进行更新,得到更新后的模型。
在一种可能实现的方式中,该装置还包括:更新模块,用于基于M个客户端在前一轮次的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到更新后的模型。
在一种可能实现的方式中,更新模块,用于:以M个客户端在前一轮次中的数据价值作为M个客户端的权重,并对M个客户端的权重以及M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,得到加权求和结果;基于加权求和结果,对待训练模型进行更新,得到更新后的模型。
在一种可能实现的方式中,N个类别可通过以下至少一项获取:K均值聚类算法或层次凝聚聚类算法。
本申请实施例的第三方面提供了一种服务端,该服务端包括存储器和处理器;存储器存储有代码,处理器被配置为执行代码,当代码被执行时,服务端执行如第一方面或第一方面中任意一种可能实现的方式所述的方法。
本申请实施例的第四方面提供了一种联邦学习***,该***包含多个客户端以及如第三方面所述的服务端。
本申请实施例的第五方面提供了一种计算机存储介质,计算机存储介质存储有计算机程序,该程序由计算机执行时,使得计算机实施权利如第一方面或第一方面中任意一种可能实现的方式所述的方法。
本申请实施例的第六方面提供了一种计算机程序产品,计算机程序产品存储有指令,所述指令在由计算机执行时,使得计算机实施如第一方面或第一方面中任意一种可能实现的方式所述的方法。
本申请实施例中,在获取M个客户端在当前轮次中对待训练模型的参数更新量后,服务端可基于M个客户端在当前轮次中对待训练模型的参数更新量,将M个客户端划分为N个类别。对于N个类别中的任意一个类别,服务端可对该类别中目标客户端在当前轮次中对待训练模型的参数更新量进行处理,得到目标客户端在当前轮次中的数据价值,并将目标客户端在当前轮次中的数据价值作为该类别中所有客户端在当前轮次中的数据价值。对于其余类别,服务端也可执行如同对该类别所执行的操作,故可得到M个客户端在当前轮次中的数据价值。可见,在当前轮次的模型训练中,服务端将M个客户端分成N个类别后,对于N个类别中的任意一个类别,服务端仅需进行一次数据价值计算就可以得到该类别中所有客户端在当前轮次中的数据价值,故对于N个类别,服务端总共仅需进行N次数据价值计算就可以得到M个客户端在当前轮次中的数据价值,由于N通常小于M,故可有效减少服务端进行数据价值评估时所付出的计算量,从而节约计算成本。
附图说明
图1为人工智能主体框架的一种结构示意图;
图2为本申请实施例提供的联邦学习***的一个结构示意图;
图3为本申请实施例提供的***100架构的一个示意图;
图4为本申请实施例提供的联邦学习***的一个应用例示意图;
图5为本申请实施例提供的联邦学习***的另一个应用例示意图;
图6为本申请实施例提供的联邦学习***的另一个应用例示意图;
图7为本申请实施例提供的基于联邦学习的数据价值评估方法的一个流程示意图;
图8为本申请实施例提供的基于联邦学习的数据价值评估方法的一个应用例示意图;
图9为本申请实施例提供的模型训练方法的一个流程示意图;
图10为本申请实施例提供的模型训练方法的另一流程示意图;
图11为本申请实施例提供的基于联邦学习的数据价值评估装置的一个结构示意图;
图12为本申请实施例提供的执行设备的一个结构示意图;
图13为本申请实施例提供的训练设备的一个结构示意图;
图14为本申请实施例提供的芯片的一个结构示意图。
具体实施方式
本申请实施例提供了一种基于联邦学习的数据价值评估方法及其相关设备,可有效减少服务端进行数据价值评估时所付出的计算量,从而节约计算成本。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
随着用户不断增强的数据安全意识,以及用户的个人隐私数据被频繁泄漏等数据安全问题的出现,使得用户不断提高对涉及个人隐私的数据的保护力度,进而给AI技术的模型训练提出了新的挑战。因此,联邦学习(federated learning)这一模型训练方式应运而生。
联邦学习***通常包含服务端和多个客户端,服务端可联合多个客户端,来对某个神经网络模型进行多轮次的训练。在进行当前轮次的训练时,服务端先下发待训练模型给各个客户端。接着,各个客户端设备可将存储在本地的训练数据输入待训练模型,得到训练数据的处理结果,并基于该结果来更新待训练模型的参数,那么,各个客户端可基于待训练模型更新前后的参数来确定各个客户端在当前轮次中对待训练模型的参数更新量。然后,各个客户端可将自身在当前轮次中对待训练模型的参数更新量上传至服务端。最后,服务端基于各个客户端在当前轮次中对待训练模型的参数更新量来更新待训练模型的参数(即服务端实现聚合),以得到更新后的模型。此后,服务端还可联合多个客户端,来对更新后的模型进行下一轮次的训练,直至完成多轮次的训练,可得到具备某种数据处理功能(例如,图像分类、语义分割、语音识别等等)的目标模型。
在当前轮次的训练中,对于多个客户端中的任意一个客户端,服务端可对该客户端进行当前轮次的数据价值评估(data valuation),即服务端基于该客户端在当前轮次中对待训练模型的参数更新量,来计算客户端在当前轮次中的数据价值,用于描述该客户端在当前轮次中的训练中所作出的贡献。如此一来,服务端可得到多个客户端在当前轮次中的数据价值,从而确认这多个客户端在当前轮次中的训练中所作出的贡献(当服务端向模型使用方交付最终训练得到的目标模型后,模型使用方可基于各个客户端在多轮次的模型训练中的综合数据价值,通过服务端向各个客户端支付相应的费用)。然而,由于客户端的数量往往较多,服务端在对多个客户端进行数据价值评估时,所需进行的数据价值计算的次数等于多个客户端的数量,所需要的计算量很大,导致所需付出的计算成本很高。
进一步地,在当前轮次中的训练中,服务端在执行聚合时,往往是先将多个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,再使用加权求和的结果来更新待训练模型的参数。然而,服务端在进行加权求和时,所使用的权重往往是人为预置的,并未对客户端进行区分,所考虑的因素较少,以这种方式进行加权求和所得到的结果,往往无法弱化一些不重要的客户端所发挥的作用,强化一些重要的客户端所发挥的作用,基于此结果所得到的模型,其性能通常不够强。
为了解决上述问题,本申请实施例提供了一种基于联邦学习的数据价值评估方法,该方法,该方法可结合人工智能(artificial intelligence,AI)技术实现。AI技术是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能的技术学科,AI技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说,人工智能技术是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。利用人工智能进行数据处理是人工智能常见的一个应用方式。
首先对人工智能***总体工作流程进行描述,请参见图1,图1为人工智能主体框架的一种结构示意图,下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中,“智能信息链”反映从数据的获取到处理的一列过程。举例来说,可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到***的产业生态过程,反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能***提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。通过传感器与外部沟通;计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。举例来说,传感器和外部沟通获取数据,这些数据提供给基础平台提供的分布式计算***中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本,还涉及到传统设备的物联网数据,包括已有***的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能***中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用***,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能***在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
接下来介绍几种本申请的应用场景。
图2为本申请实施例提供的联邦学习***的一个结构示意图,该联邦学习***包括服务端以及多个客户端,二者可通过通信网络实现连接。其中,客户端包括手机、个人电脑或者信息处理中心等智能终端,服务端可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器,客户端和服务端可协同实现神经网络模型的训练。
多个客户端和服务端之间可实现多轮次(也就是多次迭代)的模型训练。具体地,在首个轮次的模型训练中,各个客户端可通过交互接口接收来自服务端的待训练模型,再通过存储本地数据的存储器以及处理数据的处理器对待训练模型进行机器学习,深度学习,搜索,推理,决策等方式的模型训练。各个客户端完成模型训练后(即对待训练模型的参数进行了更新),可将自身在首个轮次中所得到的更新后的模型上传到服务端,以使得服务端将各个客户端在首个轮次中所得到的更新后的模型进行聚合,从而基于聚合结果训练服务端本地的待训练模型。然后,服务端可将自身在首个轮次中所得到的更新后的模型作为新的待训练模型,再次下发到各个客户端中,以执行第二轮次的模型训练(即重复执行前述过程)。如此一来,经过多轮次的模型训练后,服务端确定自身在最后一个轮次中所得到的更新后的模型满足模型训练条件后,可将自身在最后一个轮次中所得到的更新后的模型作为训练后的模型(也可以称为目标模型,即完成训练的模型)。如此一来,服务端既间接地利用了各个客户端的本地数据完成了模型训练,还能确保各个客户端的数据安全,从而保护用户个人隐私。
需要说明的是,为了进一步保证数据安全,在任意一个轮次的训练中,各个客户端可将自身在该轮次中对待训练模型的参数更新量(代表各个客户端在该轮次中所得到的更新后的模型),上传到服务端。那么,服务端可将各个客户端在该轮次中对待训练模型的参数更新量进行加权求和,再基于参数更新量的加权求和结果,来更新服务端本地的待训练模型的参数,得到更新后的模型。至此,服务端和各个客户端则联合完成了该轮次的模型训练。
进一步地,在任意一个轮次的训练中,服务端还可基于各个客户端在该轮次中对待训练模型的参数更新量,来评估各个客户端在该轮次中的数据价值,即各个客户端在该轮次的模型训练中所使用的本地数据的价值,可用于描述各个客户端在该轮次的模型训练中所作出的贡献。那么,服务端在对各个客户端在该轮次中对待训练模型的参数更新量进行加权求和时,所使用的权重可基于各个客户端在该轮次中的数据价值来确定(也可以基于各个客户端在前一轮次中的数据价值来确定等等)。需要说明的是,数据价值的获取过程以及数据价值的后续应用过程,此处先不展开。
在图2中,服务端可以执行本申请实施例的数据价值评估方法,且服务端以及客户端可以联合实现本申请实施例的模型训练方法。
此外,本申请实施例提供的联邦学习***中,服务端得到训练后的模型,具备数据处理功能,故可将该模型部署在各个客户端上。因此,各个客户端可以为用户提供数据处理服务,当某个客户端获取来自用户输入的待处理数据后,可调用训练后的模型,对用户输入的待处理数据进行相应的处理,并向用户返回相应的处理结果。
在图2中,客户端可以利用本申请实施例中服务端最终得到所得到的训练后的模型,实现数据处理功能。
图3为本申请实施例提供的***100架构的一个示意图,在图3中,执行设备110配置输入/输出(input/output,I/O)接口112,用于与外部设备进行数据交互,用户可以通过客户设备140向I/O接口112输入数据,所述输入数据在本申请实施例中可以包括:各个待调度任务、可调用资源以及其他参数。
在执行设备110对输入数据进行预处理,或者在执行设备110的计算模型111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中,执行设备110可以调用数据存储***150中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储***150中。
最后,I/O接口112将处理结果返回给客户设备140,从而提供给用户。
值得说明的是,训练设备120可以针对不同的目标或称不同的任务,基于不同的训练数据生成相应的目标模型/规则,该相应的目标模型/规则即可以用于实现上述目标或完成上述任务,从而为用户提供所需的结果。其中,训练数据可以存储在数据库130中,且来自于数据采集设备160采集的训练样本。
在图3中所示情况下,用户可以手动给定输入数据,该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下,客户设备140可以自动地向I/O接口112发送输入数据,如果要求客户设备140自动发送输入数据需要获得用户的授权,则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端,采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据,并存入数据库130。当然,也可以不经过客户设备140进行采集,而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果,作为新的样本数据存入数据库130。
值得注意的是,图3仅是本申请实施例提供的一种***架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图3中,数据存储***150相对执行设备110是外部存储器,在其它情况下,也可以将数据存储***150置于执行设备110中。如图3所示,可以根据训练设备120训练得到神经网络。
需要说明的是,本申请实施例中,训练设备120通常指前述的服务端,执行设备110通常指前述的客户端,训练设备120在训练模型时,可联合执行设备110一起实现模型训练,即二者可以联邦学习的方式来实现模型训练。
本申请实施例还提供的一种芯片,该芯片包括神经网络处理器NPU。该芯片可以被设置在如图3所示的执行设备110中,用以完成计算模型111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中,用以完成训练设备120的训练工作并输出目标模型/规则。
神经网络处理器NPU,NPU作为协处理器挂载到主中央处理器(centralprocessing unit,CPU)(host CPU)上,由主CPU分配任务。NPU的核心部分为运算电路,控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。
在一些实现中,运算电路内部包括多个处理单元(process engine,PE)。在一些实现中,运算电路是二维脉动阵列。运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)中。
向量计算单元可以对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。例如,向量计算单元可以用于神经网络中非卷积/非FC层的网络计算,如池化(pooling),批归一化(batch normalization),局部响应归一化(localresponse normalization)等。
在一些实现种,向量计算单元能将经处理的输出的向量存储到统一缓存器。例如,向量计算单元可以将非线性函数应用到运算电路的输出,例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元生成归一化的值、合并值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路的激活输入,例如用于在神经网络中的后续层中的使用。
统一存储器用于存放输入数据以及输出数据。
权重数据直接通过存储单元访问控制器(direct memory access controller,DMAC)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器,以及将统一存储器中的数据存入外部存储器。
总线接口单元(bus interface unit,BIU),用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。
与控制器连接的取指存储器(instruction fetch buffer),用于存储控制器使用的指令;
控制器,用于调用指存储器中缓存的指令,实现控制该运算加速器的工作过程。
一般地,统一存储器,输入存储器,权重存储器以及取指存储器均为片上(On-Chip)存储器,外部存储器为该NPU外部的存储器,该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random access memory,DDRSDRAM)、高带宽存储器(high bandwidth memory,HBM)或其他可读可写的存储器。
此外,本申请实施例提供的联邦学习***还可应用于多种领域中,下文将分别进行介绍。图4为本申请实施例提供的联邦学习***的一个应用例示意图,如图4所示,联邦学习***可应用于智能家居领域中,此时,***中的多个客户端为位于多个家庭中的智能家居设备,这多个家庭位于不同的地理位置上。这多个智能家居设备可与云端的服务器(即服务端)实现通信,以实现联邦学习。
云端的服务器为了在各个智能家居设备上部署具备语音识别功能的神经网络模型,可与多个智能家居设备实现多轮次的模型训练。在首个轮次的模型训练中,各个智能家居设备可通过接收来自服务器的待训练模型,再通过本地的语音数据对待训练模型对待训练模型的参数进行更新,并将更新后的模型上传到服务器,以使得服务器将各个智能家居设备上传的更新后的模型进行聚合,从而基于聚合结果训练服务器本地的待训练模型。然后,服务器可将自身训练得到的更新后的模型作为新的待训练模型,再次下发到各个智能家居设备中,以执行第二个轮次的模型训练(即重复执行前述过程)。如此一来,经过多个轮次的模型训练后,服务器确定自身最后一个轮次训练得到的更新后的模型满足模型训练条件后,可将自身最后一个轮次训练得到的更新后的模型作为能够实现语音识别功能的神经网络模型,部署到各个智能家居设备上,为各个家庭提供智能家居服务。
图5为本申请实施例提供的联邦学***板电脑等等),这多个学校位于不同的地理位置上。这多个教学设备可与求解器开发者的服务器(即服务端)实现通信,以实现联邦学习。
求解器开发者的服务器为了在各个教学设备上部署求解器,即具备求解方程功能的神经网络模型,可与多个教学设备实现多轮次的模型训练。在首个轮次的模型训练中,各个教学设备可通过接收来自服务器的待训练模型,再通过本地的数学数据对待训练模型对待训练模型的参数进行更新,并将更新后的模型上传到服务器,以使得服务器将各个教学设备上传的更新后的模型进行聚合,从而基于聚合结果训练服务器本地的待训练模型。然后,服务器可将自身训练得到的更新后的模型作为新的待训练模型,再次下发到各个教学设备中,以执行第二个轮次的模型训练(即重复执行前述过程)。如此一来,经过多个轮次的模型训练后,服务器确定自身最后一个轮次训练得到的更新后的模型满足模型训练条件后,可将自身最后一个轮次训练得到的更新后的模型作为求解器,部署到各个教学设备上,为各个学校中的学生和教师提供教学服务。
图6为本申请实施例提供的联邦学习***的另一个应用例示意图,如图6所示,联邦学习***可应用于软件服务领域中,此时,***中的多个客户端为位于多个用户或企业所使用的智能终端设备。这多个智能终端设备可与远端的软件开发商的服务器(即服务端)实现通信,以实现联邦学习。
软件开发商的服务器为了在各个智能终端设备上部署图像处理软件,即具备图像分类的神经网络模型,可与多个智能终端设备实现多轮次的模型训练。在首个轮次的模型训练中,各个智能终端设备可通过接收来自服务器的待训练模型,再通过本地的图像数据对待训练模型对待训练模型的参数进行更新,并将更新后的模型上传到服务器,以使得服务器将各个智能终端设备上传的更新后的模型进行聚合,从而基于聚合结果训练服务器本地的待训练模型。然后,服务器可将自身训练得到的更新后的模型作为新的待训练模型,再次下发到各个智能终端设备中,以执行第二个轮次的模型训练(即重复执行前述过程)。如此一来,经过多个轮次的模型训练后,服务器确定自身最后一个轮次训练得到的更新后的模型满足模型训练条件后,可将自身最后一个轮次训练得到的更新后的模型作为图像处理软件,部署到各个智能终端设备上,为企业和个人提供图像处理服务。
应理解,以上仅以联邦学习***可应用于智能家居领域、教学领域以及软件服务领域进行示意性介绍,在实际应用中,本申请实施例提供的联邦学习***还可应用到更多领域中,此处不做一一介绍。
由于本申请实施例涉及大量神经网络的应用,为了便于理解,下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的,神经单元可以是指以xs和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
神经网络中的每一层的工作可以用数学表达式y=a(Wx+b)来描述:从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作,完成输入空间到输出空间的变换(即矩阵的行空间到列空间),这五种操作包括:1、升维/降维;2、放大/缩小;3、旋转;4、平移;5、“弯曲”。其中1、2、3的操作由Wx完成,4的操作由+b完成,5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物,而是一类事物,空间是指这类事物所有个体的集合。其中,W是权重向量,该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换,即每一层的权重W控制着如何变换空间。训练神经网络的目的,也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此,神经网络的训练过程本质上就是学习控制空间变换的方式,更具体的就是学习权重矩阵。
因为希望神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断的调整,直到神经网络能够预测出真正想要的目标值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objective function),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么神经网络的训练就变成了尽可能缩小这个loss的过程。
(2)反向传播算法
神经网络可以采用误差反向传播(back propagation,BP)算法在训练过程中修正初始的神经网络模型中参数的大小,使得神经网络模型的重建误差损失越来越小。具体地,前向传递输入信号直至输出会产生误差损失,通过反向传播误差损失信息来更新初始的神经网络模型中参数,从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动,旨在得到最优的神经网络模型的参数,例如权重矩阵。
(3)联邦学习
联邦学习是一种用于保护用户隐私的机器学习技术,联邦学习结构上一般包括一个服务端(中心服务器)和一些客户端作为参与方,技术流程主要包括模型下发和模型聚合过程。在模型下发过程中,客户端从服务端下载模型,并在本地数据上训练,训练到一定程度后上传模型到服务端。在模型聚合过程中,服务端会收集各个客户端上传的模型,并进行模型融合。这两个过程会反复迭代直至模型收敛,从而得到训练好的模型。
(4)联邦聚合
联邦聚合是联邦学习的一个子过程,联邦学习中服务端的主要任务就是对客户端上传的模型进行聚合,即联邦学习中服务器将多个模型融合为一个模型的过程。
(5)参数点对点聚合
参数点对点聚合是一种最简单的联邦聚合方式,该方式要求多个客户端上传的模型具有一样的结构,服务端可对多个模型同一位置上的神经元的参数进行平均。
下面将对本申请提供的基于联邦学习的数据价值评估方法进行描述,该方法可通过如图2所示的联邦学习***实现,由于该***会进行多个轮次的模型训练,在任意一个轮次的模型训练中,服务端可从P个客户端(P为大于1的正整数)中随机选择M个客户端(M为小于P的正整数),再基于M个客户端在该轮次中对待训练模型的参数更新量,来评估M个客户端在该轮次中的数据价值,后续可基于M个客户端在该轮次中的数据价值来完成该轮次的模型训练(当然,也可通过M个客户端在前一轮次中的数据价值来完成该轮次的模型训练)。由于服务端在每个轮次的模型训练中所进行的操作是类似的,故下文将以其中一个轮次的模型训练进行介绍,并将该轮次的模型训练称为当前轮次的模型训练。图7为本申请实施例提供的基于联邦学习的数据价值评估方法的一个流程示意图。如图7所示,该方法包括:
701、服务端获取M个客户端在当前轮次中对待训练模型的参数更新量。
本实施例中,在当前轮次的模型训练中,服务端可先向客户端资源池中的P个客户端下发待训练模型。对于P个客户端中的任意一个客户端而言,该客户端在接收到来自服务端的待训练模型后,可使用本地数据对待训练模型进行训练,从而更新待训练模型的参数得到更新后的模型(例如,该客户端可将本地数据输入至待训练模型,以通过待训练模型对本地数据进行处理,从而得到本地数据的处理结果,故该客户端可基于本地数据的处理结果,来更新待训练模型的参数,得到更新后的模型)。那么,该客户端可计算待训练模型的参数以及更新后的模型的参数之间的差值,该差值即为该客户端在当前轮次中对待训练模型的参数更新量。同理,P个客户端中除该客户端的其余客户端,也可执行如同对该客户端所执行的操作,故可得到P个客户端在当前轮次中对待训练模型的参数更新量。
此后,服务端可在P个客户端中随机选择M个客户端,以使得M个客户端将M个客户端在当前轮次中对待训练模型的参数更新量,上传到服务端。
702、服务端基于M个客户端在当前轮次中对待训练模型的参数更新量,将M个客户端划分为N个类别,M≥N>1。
得到M个客户端在当前轮次中对待训练模型的参数更新量后,服务端可使用聚类算法(例如,K均值聚类算法、层次凝聚聚类算法等等),将M个客户端在当前轮次中对待训练模型的参数更新量进行处理,从而将这些参数更新量划分为N个类别(N为小于或等于M的正整数),在这N个类别中,任意一个类别包含M个客户端中的至少一个客户端在前轮次中对待训练模型的参数更新量。
具体地,在M个客户端在当前轮次中对待训练模型的参数更新量中,服务端可计算任意两个客户端在当前轮次中对待训练模型的参数更新量之间的余弦相似度,从而判断这两个客户端在当前轮次中对待训练模型的参数更新量是否可划分在同一类别中。其中,任意两个客户端在当前轮次中对待训练模型的参数更新量之间的余弦相似度可通过以下公式计算得到:
上式中,t为当前轮次,a为第a个客户端,b为第b个客户端,为第a个客户端在当前轮次中对待训练模型的参数更新量,为第b个客户端在当前轮次中对待训练模型的参数更新量,为第a个客户端在当前轮次中对待训练模型的参数更新量与第b个客户端在当前轮次中对待训练模型的参数更新量之间的余弦相似度,a=1,...,M,b=1,...,M,a≠b。
可见,通过以上公式,在M个客户端在当前轮次中对待训练模型的参数更新量中,服务端可计算任意两个客户端在当前轮次中对待训练模型的参数更新量之间的余弦相似度,若该余弦相似度大于或等于预置的相似度阈值,服务端则将这两个客户端在当前轮次中对待训练模型的参数更新量划分在同一类别中,若该余弦相似度小于预置的相似度阈值,服务端则将这两个客户端在当前轮次中对待训练模型的参数更新量划分在不同的类别中。
如此一来,服务端可成功将M个客户端在当前轮次中对待训练模型的参数更新量划分为N个类别,相当于服务端成功将M个客户端划分为N个类别,在这N个类别中,任意一个类别包含M个客户端中的至少一个客户端。
703、基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取目标客户端在当前轮次中的数据价值,目标客户端在当前轮次中的数据价值作为第i个类别中所有客户端在当前轮次中的数据价值,i=1,...,N。
将M个客户端划分为N个类别后,对于这N个类别中的任意一个类别,即N个类别中的第i个类别,服务端可从第i个类别所包含的所有客户端中,选定一个客户端作为第i个类别的代表,即第i个类别的目标客户端。具体地,第i个类别的目标客户端可通过以下方式进行选取:(1)服务端可从第i个类别的所有客户端中,随机选择一个客户端作为第i个类别的目标客户端。(2)服务端可从第i个类别的所有客户端中,将位于第i个类别的聚类中心的客户端作为第i个类别的目标客户端。
确定第i个类别的目标客户端后,服务端可对第i个类别的目标客户端在当前轮次中对待训练模型的参数更新量进行计算,得到第i个类别的目标客户端在当前轮次中的数据价值。由于第i个类别的目标客户端为第i个类别的代表,故第i个类别的目标客户端在当前轮次中的数据价值,可作为第i个类别(的所有客户端)在当前轮次中的数据价值。具体地,第i个类别的目标客户端在当前轮次中的数据价值可通过以下方式获取:
(1)确定第i个类别的目标客户端后,服务端可在M个客户端中除目标客户端之外的其余客户端中,选择S个客户端,由此可见,服务端所选择的S个客户端不包含目标客户端。接着,服务端可对S个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,再基于加权求和的结果来对待训练模型的参数进行更新,从而得到第一模型。
(2)得到第一模型后,服务端可将S个客户端以及目标客户端视为一个整体,即T个客户端,由此可见,服务端所得到的T个客户端包含目标客户端以及S个客户端。接着,服务端可对T个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,再基于加权求和的结果来对待训练模型的参数进行更新,从而得到第二模型。
(3)得到第一模型和第二模型后,服务端可利用一批测试数据,来测试第一模型的精度以及第二模型的精度。那么,服务端可基于第一模型的精度以及第二模型的精度,计算目标客户端在当前轮次中的数据价值,目标客户端在当前轮次中的数据价值可通过以下公式计算得到:
上式中,i为第i个类别中的目标客户端,为第i个类别中的目标客户端在当前轮次中的数据价值,Ct为M个客户端,|Ct|为M个客户端的数量,S为S个客户端,|S|为S个客户端的数量,S∪{i}为T个客户端,为服务端在M个客户端中选择S个客户端的组合数量,v(S)为第一模型的精度,v(S∪{i})为第二模型的精度。
如此一来,服务端可得到第i个类别的目标客户端在当前轮次中的数据价值,即得到了第i个类别中所有客户端在当前轮次中的数据价值。对于N个类别除第i个类别之外的其余类别,服务端也可执行如同对第i个类别所执行的操作,故服务端可得到N个类别在当前轮次中的数据价值,即M个客户端在当前轮次中的数据价值,故可确定M个客户端在当前轮次的模型训练中所付出的贡献。
值得注意的是,服务端可记录P个客户端在每个轮次中的数据价值,那么,在得到M个客户端在当前轮次中的数据价值后,服务端可将其余P-M个客户端在前一轮次中的数据价值,作为这P-M个客户端在当前轮次中的数据价值。如此一来,服务端可成功得到并记录P个客户端在当前轮次中的数据价值。
此外,为了进一步了解本申请实施例提供的数据价值评估方法,下文结合一个具体应用例对该方法做进一步的介绍。图8为本申请实施例提供的基于联邦学习的数据价值评估方法的一个应用例示意图,如图8所示,该应用例包括:
(a)服务端向客户端资源池下发待训练模型,客户端资源池中的所有客户端可利用本地数据对待训练模型进行训练。
(b)服务端可在客户端资源池中的所有客户端中,随即选择多个客户端。
(c)服务端可对这多个客户端进行聚类,从而将相似的若干个客户端聚成一类,从而得到多个类别。
(d)在任意一个类别中,服务端可挑选出一个作为代表的客户端,那么,服务端通过计算该客户端的数据价值,即可得到该类别中所有客户端的数据价值。
本申请实施例中,在获取M个客户端在当前轮次中对待训练模型的参数更新量后,服务端可基于M个客户端在当前轮次中对待训练模型的参数更新量,将M个客户端划分为N个类别。对于N个类别中的任意一个类别,服务端可对该类别中目标客户端在当前轮次中对待训练模型的参数更新量进行处理,得到目标客户端在当前轮次中的数据价值,并将目标客户端在当前轮次中的数据价值作为该类别中所有客户端在当前轮次中的数据价值。对于其余类别,服务端也可执行如同对该类别所执行的操作,故可得到M个客户端在当前轮次中的数据价值。可见,在当前轮次的模型训练中,服务端将M个客户端分成N个类别后,对于N个类别中的任意一个类别,服务端仅需进行一次数据价值计算就可以得到该类别中所有客户端在当前轮次中的数据价值,故对于N个类别,服务端总共仅需进行N次数据价值计算就可以得到M个客户端在当前轮次中的数据价值,由于N通常小于M,故可有效减少服务端进行数据价值评估时所付出的计算量,从而节约计算成本。
基于上述的数据价值评估方法,本申请实施例还提供了一种模型训练方法,图9为本申请实施例提供的模型训练方法的一个流程示意图,如图9所示,该方法包括:
901、服务端获取M个客户端在当前轮次中对待训练模型的参数更新量。
902、服务端基于M个客户端在当前轮次中对待训练模型的参数更新量,将M个客户端划分为N个类别,M≥N>1。
903、基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取目标客户端在当前轮次中的数据价值,目标客户端在当前轮次中的数据价值作为第i个类别中所有客户端在当前轮次中的数据价值,i=1,...,N。
关于步骤901至步骤903的介绍,可参考图7所示实施例中步骤701至步骤703的相关说明部分,此处不再赘述。
904、基于M个客户端在当前轮次中的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到更新后的模型。
得到M个客户端在当前轮次中的数据价值后,服务端可将M个客户端在当前轮次中的数据价值作为M个客户端的权重,并利用这些权重对M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,从而得到相应的加权求和结果。然后,服务端可利用该加权求和结果来更新待训练模型的参数,从而得到更新后的模型。具体地,服务端可先对M个客户端在当前轮次中的数据价值进行标准化,从而得到M个客户端在当前轮次中标准化后的数据价值,其中,标准化的过程如以下公式所示:
然后,服务端可对M个客户端在当前轮次中标准化后的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量进行计算,得到加权求和结果,该结果可通过以下公式获取:
随后,服务端可利用该加权求和结果来更新待训练模型的参数,从而得到更新后的模型。至此,服务端和M个客户端则联合完成了当前轮次的模型训练,那么,服务端可将更新后的模型作为新的待训练模型,并下发到客户端资源池中,从而进行下一轮次的模型训练,直至完成多个轮次的模型训练,得到目标模型。
本申请实施例中,在当前轮次中的模型训练中,服务端在对M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和时,所使用的权重是M个客户端在当前轮次中的数据价值,由于这些数据价值可表明M个客户端在当前轮次中所付出的贡献,故贡献较大(较为重要)的客户端所占的权重较大,贡献较小(较为不重要)的客户端所占的权重较小,以这种方式进行加权求和所得到的结果,可以弱化一些不重要的客户端所发挥的作用,强化一些重要的客户端所发挥的作用,基于此结果训练得到的模型,可以具备较好的性能。
图10为本申请实施例提供的模型训练方法的另一流程示意图,如图10所示,该方法包括:
1001、服务端获取M个客户端在当前轮次中对待训练模型的参数更新量。
1002、服务端基于M个客户端在当前轮次中对待训练模型的参数更新量,将M个客户端划分为N个类别,M≥N>1。
1003、基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取目标客户端在当前轮次中的数据价值,目标客户端在当前轮次中的数据价值作为第i个类别中所有客户端在当前轮次中的数据价值,i=1,...,N。
关于步骤1001至步骤1003的介绍,可参考图7所示实施例中步骤701至步骤703的相关说明部分,此处不再赘述。
1004、基于M个客户端在前一轮次中的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到更新后的模型。
得到M个客户端在当前轮次中的数据价值后,服务端可保留M个客户端在当前轮次中的数据价值,以在下一轮次中使用。接着,服务端可获取M个客户端在前一轮次中的数据价值,并将M个客户端在前一轮次中的数据价值作为M个客户端的权重,以利用这些权重对M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,从而得到相应的加权求和结果。然后,服务端可利用该加权求和结果来更新待训练模型的参数,从而得到更新后的模型。具体地,服务端可先对M个客户端在前一轮次中的数据价值进行标准化,从而得到M个客户端在前一轮次中标准化后的数据价值,其中,标准化的过程如以下公式所示:
然后,服务端可对M个客户端在前一轮次中标准化后的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量进行计算,得到加权求和结果,该结果可通过以下公式获取:
随后,服务端可利用该加权求和结果来更新待训练模型的参数,从而得到更新后的模型。至此,服务端和M个客户端则联合完成了当前轮次的模型训练,那么,服务端可将更新后的模型作为新的待训练模型,并下发到客户端资源池中,从而进行下一轮次的模型训练,直至完成多个轮次的模型训练,得到目标模型。
本申请实施例中,在当前轮次中的模型训练中,服务端在对M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和时,所使用的权重是M个客户端在前一轮次中的数据价值,由于这些数据价值可表明M个客户端在前一轮次中所付出的贡献,故贡献较大(较为重要)的客户端所占的权重较大,贡献较小(较为不重要)的客户端所占的权重较小,以这种方式进行加权求和所得到的结果,可以弱化一些不重要的客户端所发挥的作用,强化一些重要的客户端所发挥的作用,基于此结果训练得到的模型,可以具备较好的性能。
以上是对本申请实施例提供的数据价值评估方法以及模型训练方式所进行的详细说明,以下将对本申请是实力提供的数据价值评估装置进行介绍。图11为本申请实施例提供的基于联邦学习的数据价值评估装置的一个结构示意图,如图11所示,该装置部署在服务端中,该装置包括:
第一获取模块1101,用于获取M个客户端在当前轮次中对待训练模型的参数更新量;
划分模块1102,用于基于M个客户端在当前轮次中对待训练模型的参数更新量,将M个客户端划分为N个类别,M≥N>1;
第二获取模块1103,用于基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取目标客户端在当前轮次中的数据价值,目标客户端在当前轮次中的数据价值作为第i个类别中所有客户端在当前轮次中的数据价值,i=1,...,N。
本申请实施例中,在获取M个客户端在当前轮次中对待训练模型的参数更新量后,服务端可基于M个客户端在当前轮次中对待训练模型的参数更新量,将M个客户端划分为N个类别。对于N个类别中的任意一个类别,服务端可对该类别中目标客户端在当前轮次中对待训练模型的参数更新量进行处理,得到目标客户端在当前轮次中的数据价值,并将目标客户端在当前轮次中的数据价值作为该类别中所有客户端在当前轮次中的数据价值。对于其余类别,服务端也可执行如同对该类别所执行的操作,故可得到M个客户端在当前轮次中的数据价值。可见,在当前轮次的模型训练中,服务端将M个客户端分成N个类别后,对于N个类别中的任意一个类别,服务端仅需进行一次数据价值计算就可以得到该类别中所有客户端在当前轮次中的数据价值,故对于N个类别,服务端总共仅需进行N次数据价值计算就可以得到M个客户端在当前轮次中的数据价值,由于N通常小于M,故可有效减少服务端进行数据价值评估时所付出的计算量,从而节约计算成本。
在一种可能的实现方式中,第二获取模块,用于:基于M个客户端中S个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到第一模型,S个客户端不包含目标客户端;基于M个客户端中T个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到第二模型,T个客户端包含目标客户端以及S个客户端;基于第一模型的精度以及第二模型的精度,计算目标客户端在当前轮次中的数据价值。
在一种可能的实现方式中,目标客户端为第i个类别中任意一个客户端,或,第i个类别中位于聚类中心的客户端。
在一种可能的实现方式中,该装置还包括:更新模块,用于基于M个客户端在当前轮次中的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到更新后的模型。
在一种可能实现的方式中,更新模块,用于:以M个客户端在当前轮次中的数据价值作为M个客户端的权重,并对M个客户端的权重以及M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,得到加权求和结果;基于加权求和结果,对待训练模型进行更新,得到更新后的模型。
在一种可能的实现方式中,该装置还包括:更新模块,用于基于M个客户端在前一轮次的数据价值以及M个客户端在当前轮次中对待训练模型的参数更新量,对待训练模型进行更新,得到更新后的模型。
在一种可能实现的方式中,更新模块,用于:以M个客户端在前一轮次中的数据价值作为M个客户端的权重,并对M个客户端的权重以及M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,得到加权求和结果;基于加权求和结果,对待训练模型进行更新,得到更新后的模型。
在一种可能的实现方式中,N个类别可通过以下至少一项获取:K均值聚类算法或层次凝聚聚类算法。
需要说明的是,上述装置各模块/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参考本申请实施例前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例还涉及一种执行设备,图12为本申请实施例提供的执行设备的一个结构示意图。如图12所示,执行设备1200具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等,此处不做限定。其中,执行设备1200上可部署有图2所示的客户端,用于联合后续的训练设备共同实现图9或图10对应实施例中模型训练的功能。具体的,执行设备1200包括:接收器1201、发射器1202、处理器1203和存储器1204(其中执行设备1200中的处理器1203的数量可以一个或多个,图12中以一个处理器为例),其中,处理器1203可以包括应用处理器12031和通信处理器12032。在本申请的一些实施例中,接收器1201、发射器1202、处理器1203和存储器1204可通过总线或其它方式连接。
存储器1204可以包括只读存储器和随机存取存储器,并向处理器1203提供指令和数据。存储器1204的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1204存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1203控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线***耦合在一起,其中总线***除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线***。
上述本申请实施例揭示的方法可以应用于处理器1203中,或者由处理器1203实现。处理器1203可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1203中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1203可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1203可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1204,处理器1203读取存储器1204中的信息,结合其硬件完成上述方法的步骤。
接收器1201可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1202可用于通过第一接口输出数字或字符信息;发射器1202还可用于通过第一接口向磁盘组发送指令,以修改磁盘组中的数据;发射器1202还可以包括显示屏等显示设备。
本申请实施例中,在一种情况下,处理器1203,可用于实现图9或图10对应实施例中的模型训练方法,还可用于通过图9或图10对应实施例所得到的目标模型,实现相应的数据处理功能。
本申请实施例还涉及一种训练设备,图13为本申请实施例提供的训练设备的一个结构示意图。如图13所示,训练设备1300可包含图2所示的服务端,训练设备1300可由一个或多个服务器实现,训练设备1300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(central processing units,CPU)1314(例如,一个或一个以上处理器)和存储器1332,一个或一个以上存储应用程序1342或数据1344的存储介质1330(例如一个或一个以上海量存储设备)。其中,存储器1332和存储介质1330可以是短暂存储或持久存储。存储在存储介质1330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练设备中的一系列指令操作。更进一步地,中央处理器1314可以设置为与存储介质1330通信,在训练设备1300上执行存储介质1330中的一系列指令操作。
训练设备1300还可以包括一个或一个以上电源1326,一个或一个以上有线或无线网络接口1350,一个或一个以上输入输出接口1358;或,一个或一个以上操作***1341,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
具体的,训练设备可执行图7对应实施例中的数据价值评估方法,且训练设备可以联合前述的执行设备,共同执行图9或图10对应实施例中的模型训练方法。
本申请实施例还涉及一种计算机存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例还涉及一种计算机程序产品,该计算机程序产品存储有指令,该指令在由计算机执行时使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的数据处理方法,或者,以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图14,图14为本申请实施例提供的芯片的一个结构示意图,所述芯片可以表现为神经网络处理器NPU 1400,NPU 1400作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路1403,通过控制器1404控制运算电路1403提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1403内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1403是二维脉动阵列。运算电路1403还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1403是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1402中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1401中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1408中。
统一存储器1406用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)1405,DMAC被搬运到权重存储器1402中。输入数据也通过DMAC被搬运到统一存储器1406中。
BIU为Bus Interface Unit即,总线接口单元1413,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1409的交互。
总线接口单元1413(Bus Interface Unit,简称BIU),用于取指存储器1409从外部存储器获取指令,还用于存储单元访问控制器1405从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1406或将权重数据搬运到权重存储器1402中或将输入数据数据搬运到输入存储器1401中。
向量计算单元1407包括多个运算处理单元,在需要的情况下,对运算电路1403的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对预测标签平面进行上采样等。
在一些实现中,向量计算单元1407能将经处理的输出的向量存储到统一存储器1406。例如,向量计算单元1407可以将线性函数;或,非线性函数应用到运算电路1403的输出,例如对卷积层提取的预测标签平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元1407生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1403的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1404连接的取指存储器(instruction fetch buffer)1409,用于存储控制器1404使用的指令;
统一存储器1406,输入存储器1401,权重存储器1402以及取指存储器1409均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请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可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (19)
1.一种基于联邦学习的数据价值评估方法,其特征在于,所述方法包括:
获取M个客户端在当前轮次中对待训练模型的参数更新量;
基于所述M个客户端在当前轮次中对待训练模型的参数更新量,将所述M个客户端划分为N个类别,M≥N>1;
基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取所述目标客户端在当前轮次中的数据价值,所述目标客户端在当前轮次中的数据价值作为所述第i个类别中所有客户端在当前轮次中的数据价值,i=1,...,N。
2.根据权力要求1所述的方法,其特征在于,所述基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取所述目标客户端在当前轮次中的数据价值包括:
基于所述M个客户端中S个客户端在当前轮次中对待训练模型的参数更新量,对所述待训练模型进行更新,得到第一模型,所述S个客户端不包含所述目标客户端;
基于所述M个客户端中T个客户端在当前轮次中对待训练模型的参数更新量,对所述待训练模型进行更新,得到第二模型,所述T个客户端包含所述目标客户端以及所述S个客户端;
基于所述第一模型的精度以及所述第二模型的精度,计算所述目标客户端在当前轮次中的数据价值。
3.根据权利要求1或2所述的方法,其特征在于,所述目标客户端为所述第i个类别中任意一个客户端,或,所述第i个类别中位于聚类中心的客户端。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取所述目标客户端在当前轮次中的数据价值之后,所述方法还包括:
基于所述M个客户端在当前轮次中的数据价值以及所述M个客户端在当前轮次中对待训练模型的参数更新量,对所述待训练模型进行更新,得到更新后的模型。
5.根据权利要求4所述的方法,其特征在于,所述基于所述M个客户端在当前轮次中的数据价值以及所述M个客户端在当前轮次中对待训练模型的参数更新量,对所述待训练模型进行更新,得到更新后的模型包括:
以所述M个客户端在当前轮次中的数据价值作为所述M个客户端的权重,并对所述M个客户端的权重以及所述M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,得到加权求和结果;
基于所述加权求和结果,对所述待训练模型进行更新,得到更新后的模型。
6.根据权利要求1至3任意一项所述的方法,其特征在于,所述基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取所述目标客户端在当前轮次中的数据价值之后,所述方法还包括:
基于所述M个客户端在前一轮次中的数据价值以及所述M个客户端在当前轮次中对待训练模型的参数更新量,对所述待训练模型进行更新,得到更新后的模型。
7.根据权利要求6所述的方法,其特征在于,所述基于所述M个客户端在前一轮次中的数据价值以及所述M个客户端在当前轮次中对待训练模型的参数更新量,对所述待训练模型进行更新,得到更新后的模型包括:
以所述M个客户端在前一轮次中的数据价值作为所述M个客户端的权重,并对所述M个客户端的权重以及所述M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,得到加权求和结果;
基于所述加权求和结果,对所述待训练模型进行更新,得到更新后的模型。
8.根据权利要求1至7任意一项所述的方法,其特征在于,所述N个类别可通过以下至少一项获取:K均值聚类算法或层次凝聚聚类算法。
9.一种基于联邦学习的数据价值评估装置,其特征在于,所述装置包括:
第一获取模块,用于获取M个客户端在当前轮次中对待训练模型的参数更新量;
划分模块,用于基于所述M个客户端在当前轮次中对待训练模型的参数更新量,将所述M个客户端划分为N个类别,M≥N>1;
第二获取模块,用于基于第i个类别中目标客户端在当前轮次中对待训练模型的参数更新量,获取所述目标客户端在当前轮次中的数据价值,所述目标客户端在当前轮次中的数据价值作为所述第i个类别中所有客户端在当前轮次中的数据价值,i=1,...,N。
10.根据权力要求9所述的装置,其特征在于,所述第二获取模块,用于:
基于所述M个客户端中S个客户端在当前轮次中对待训练模型的参数更新量,对所述待训练模型进行更新,得到第一模型,所述S个客户端不包含所述目标客户端;
基于所述M个客户端中T个客户端在当前轮次中对待训练模型的参数更新量,对所述待训练模型进行更新,得到第二模型,所述T个客户端包含所述目标客户端以及所述S个客户端;
基于所述第一模型的精度以及所述第二模型的精度,计算所述目标客户端在当前轮次中的数据价值。
11.根据权利要求9或10所述的装置,其特征在于,所述目标客户端为所述第i个类别中任意一个客户端,或,所述第i个类别中位于聚类中心的客户端。
12.根据权利要求9至11任意一项所述的装置,其特征在于,所述装置还包括:
更新模块,用于基于所述M个客户端在当前轮次中的数据价值以及所述M个客户端在当前轮次中对待训练模型的参数更新量,对所述待训练模型进行更新,得到更新后的模型。
13.根据权利要求12所述的装置,其特征在于,所述更新模块,用于:
以所述M个客户端在当前轮次中的数据价值作为所述M个客户端的权重,并对所述M个客户端的权重以及所述M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,得到加权求和结果;
基于所述加权求和结果,对所述待训练模型进行更新,得到更新后的模型。
14.根据权利要求9至12任意一项所述的装置,其特征在于,所述装置还包括:
更新模块,用于基于所述M个客户端在前一轮次的数据价值以及所述M个客户端在当前轮次中对待训练模型的参数更新量,对所述待训练模型进行更新,得到更新后的模型。
15.根据权利要求14所述的装置,其特征在于,所述更新模块,用于:
以所述M个客户端在前一轮次中的数据价值作为所述M个客户端的权重,并对所述M个客户端的权重以及所述M个客户端在当前轮次中对待训练模型的参数更新量进行加权求和,得到加权求和结果;
基于所述加权求和结果,对所述待训练模型进行更新,得到更新后的模型。
16.根据权利要求9至15任意一项所述的装置,其特征在于,所述N个类别可通过以下至少一项获取:K均值聚类算法或层次凝聚聚类算法。
17.一种服务端,其特征在于,所述服务端包括存储器和处理器;
所述存储器存储有代码,所述处理器被配置为执行所述代码,当所述代码被执行时,所述服务端执行如权利要求1至8任一项所述的方法。
18.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,该程序由计算机执行时,使得所述计算机实施权利要求1至8任一项所述的方法。
19.一种计算机程序产品,其特征在于,所述计算机程序产品存储有指令,所述指令在由计算机执行时,使得所述计算机实施权利要求1至8任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210743272.5A CN115238909A (zh) | 2022-06-28 | 2022-06-28 | 一种基于联邦学习的数据价值评估方法及其相关设备 |
PCT/CN2023/100395 WO2024001806A1 (zh) | 2022-06-28 | 2023-06-15 | 一种基于联邦学习的数据价值评估方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210743272.5A CN115238909A (zh) | 2022-06-28 | 2022-06-28 | 一种基于联邦学习的数据价值评估方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238909A true CN115238909A (zh) | 2022-10-25 |
Family
ID=83671864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210743272.5A Pending CN115238909A (zh) | 2022-06-28 | 2022-06-28 | 一种基于联邦学习的数据价值评估方法及其相关设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115238909A (zh) |
WO (1) | WO2024001806A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077817A (zh) * | 2023-10-13 | 2023-11-17 | 之江实验室 | 一种基于标签分布的个性化联邦学习模型训练方法及装置 |
WO2024001806A1 (zh) * | 2022-06-28 | 2024-01-04 | 华为技术有限公司 | 一种基于联邦学习的数据价值评估方法及其相关设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465626B (zh) * | 2020-11-24 | 2023-08-29 | 平安科技(深圳)有限公司 | 基于客户端分类聚合的联合风险评估方法及相关设备 |
CN112926897A (zh) * | 2021-04-12 | 2021-06-08 | 平安科技(深圳)有限公司 | 基于联邦学习的客户端贡献计算方法和装置 |
CN114091356B (zh) * | 2022-01-18 | 2022-05-20 | 北京邮电大学 | 一种联邦学习方法及装置 |
CN114580662A (zh) * | 2022-02-28 | 2022-06-03 | 浙江大学 | 基于锚点聚合的联邦学习方法和*** |
CN115238909A (zh) * | 2022-06-28 | 2022-10-25 | 华为技术有限公司 | 一种基于联邦学习的数据价值评估方法及其相关设备 |
-
2022
- 2022-06-28 CN CN202210743272.5A patent/CN115238909A/zh active Pending
-
2023
- 2023-06-15 WO PCT/CN2023/100395 patent/WO2024001806A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001806A1 (zh) * | 2022-06-28 | 2024-01-04 | 华为技术有限公司 | 一种基于联邦学习的数据价值评估方法及其相关设备 |
CN117077817A (zh) * | 2023-10-13 | 2023-11-17 | 之江实验室 | 一种基于标签分布的个性化联邦学习模型训练方法及装置 |
CN117077817B (zh) * | 2023-10-13 | 2024-01-30 | 之江实验室 | 一种基于标签分布的个性化联邦学习模型训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2024001806A1 (zh) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797893B (zh) | 一种神经网络的训练方法、图像分类***及相关设备 | |
EP4181020A1 (en) | Model training method and apparatus | |
CN112651511A (zh) | 一种训练模型的方法、数据处理的方法以及装置 | |
CN111882031A (zh) | 一种神经网络蒸馏方法及装置 | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
CN113240079A (zh) | 一种模型训练方法及装置 | |
CN114595799A (zh) | 一种模型训练方法及装置 | |
US20240135174A1 (en) | Data processing method, and neural network model training method and apparatus | |
CN113627422A (zh) | 一种图像分类方法及其相关设备 | |
CN113065633A (zh) | 一种模型训练方法及其相关联设备 | |
CN113627163A (zh) | 一种注意力模型、特征提取方法及相关装置 | |
CN112529149A (zh) | 一种数据处理方法及相关装置 | |
CN115879508A (zh) | 一种数据处理方法及相关装置 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN114169393A (zh) | 一种图像分类方法及其相关设备 | |
WO2024114659A1 (zh) | 一种摘要生成方法及其相关设备 | |
WO2023246735A1 (zh) | 一种项目推荐方法及其相关设备 | |
WO2023185541A1 (zh) | 一种模型训练方法及其相关设备 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
WO2023045949A1 (zh) | 一种模型训练方法及其相关设备 | |
CN114707070A (zh) | 一种用户行为预测方法及其相关设备 | |
CN114707643A (zh) | 一种模型切分方法及其相关设备 | |
CN113065638A (zh) | 一种神经网络压缩方法及其相关设备 | |
CN115712828A (zh) | 一种图像分类方法及其相关设备 | |
WO2023236900A1 (zh) | 一种项目推荐方法及其相关设备 |
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 |