CN116186772A - 一种基于联邦学习的模型训练方法及装置 - Google Patents

一种基于联邦学习的模型训练方法及装置 Download PDF

Info

Publication number
CN116186772A
CN116186772A CN202310185249.3A CN202310185249A CN116186772A CN 116186772 A CN116186772 A CN 116186772A CN 202310185249 A CN202310185249 A CN 202310185249A CN 116186772 A CN116186772 A CN 116186772A
Authority
CN
China
Prior art keywords
gradient
gradient information
model parameters
model
noise
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
Application number
CN202310185249.3A
Other languages
English (en)
Inventor
傅欣艺
申书恒
王维强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202310185249.3A priority Critical patent/CN116186772A/zh
Publication of CN116186772A publication Critical patent/CN116186772A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioethics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Security & Cryptography (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书公开了一种基于联邦学习的模型训练方法及装置，边缘节点可以接收全局模型参数以及历史全局梯度信息，而后，将本地模型的参数替换为全局模型参数，进行训练得到当前梯度信息，根据历史全局梯度信息与历史本地梯度信息之间的梯度偏差，对当前梯度信息进行调整，得到调整后梯度信息，并根据调整后梯度信息，进行模型参数更新，得到调整后模型参数，进而，可以根据历史全局梯度信息，对调整后模型参数添加噪声，得到添加噪声后的模型参数，之后，可以将添加噪声后的模型参数以及更新后的本地梯度信息发送给服务器，以继续进行联邦学习，从而使得各边缘节点之间的参数更新方向不至于差异过大，并保证边缘节点的隐私数据安全。

Description

一种基于联邦学习的模型训练方法及装置
技术领域
本说明书涉及联邦学习领域，尤其涉及一种基于联邦学习的模型训练方法及装置。
背景技术
在机器学习技术迅速发展的同时，也产生了一些问题，在训练机器学习模型时，往往需要大量的样本数据，但样本数据可能不在训练机器学习模型的业务方手里，而拥有样本数据的数据源为了保证隐私安全，无法将样本数据交给业务方，联邦学习(FederatedLearning)技术应运而生。
在联邦学习中，拥有样本数据的数据源和业务方之间不需要交换本地的数据，即可共同进行模型训练。但是，在联邦学习中，依然存在着数据源本地的隐私数据被泄露的隐患，如何保证数据源中的隐私数据不被泄露同时保证模型训练的准确性，则是一个亟待解决的问题。
发明内容
本说明书提供一种基于联邦学习的模型训练方法及装置、存储介质及电子设备，以在保证用户隐私的基础上，提高联邦学习训练的准确性。
本说明书采用下述技术方案：
本说明书提供一种基于联邦学习的模型训练方法，包括：
边缘节点接收服务器发送的全局模型参数以及历史全局梯度信息，所述历史全局梯度信息用于表示历史上所述全局模型对应的梯度更新方向；
根据所述全局模型参数，对部署在所述边缘节点的本地模型进行参数替换，并根据所述边缘节点本地的训练样本，对参数替换后的本地模型进行训练，得到当前梯度信息；
确定所述历史全局梯度信息与历史本地梯度信息之间的梯度偏差，所述历史本地梯度信息用于表示历史上所述本地模型的梯度更新方向；
根据所述梯度偏差，对所述当前梯度信息进行调整，得到调整后梯度信息，并根据所述调整后梯度信息，调整所述参数替换后的本地模型的模型参数，得到调整后模型参数；
对所述调整后模型参数添加噪声，得到添加噪声后的模型参数；
将所述添加噪声后的模型参数发送给服务器，以使所述服务器基于各边缘节点对应的添加噪声后的模型参数，对全局模型进行训练，以通过所述全局模型进行业务执行。
可选地，所述方法还包括：
根据所述添加噪声后的模型参数，对所述历史本地梯度信息进行更新，得到更新后的本地梯度信息；
所述方法还包括：
将所述更新后的本地梯度发送给所述服务器，以使所述服务器根据各边缘节点对应的更新后的本地梯度信息确定下一轮次中的历史全局梯度信息。
可选地，对所述调整后模型参数添加噪声，具体包括：
根据所述历史全局梯度信息，对所述调整后模型参数添加噪声。
可选地，根据所述历史全局梯度信息，对所述调整后模型参数添加噪声，包括：
根据所述历史全局梯度信息，确定出梯度调整幅度；
根据所述梯度调整幅度，对所述调整后模型参数进行裁剪，并向裁剪后的模型参数添加噪声，以确定出添加噪声后的模型参数。
可选地，对所述裁剪后的模型参数添加噪声，确定添加噪声后的模型参数，包括：
根据预设的隐私预算参数、当前的训练轮次数以及所述梯度调整幅度，向所述裁剪后的模型参数添加噪声，得到所述添加噪声后的模型参数。
可选地，根据所述添加噪声后的模型参数，对所述历史本地梯度信息进行更新，包括：
根据所述历史全局梯度信息，确定出梯度调整幅度；
根据所述梯度调整幅度，将所述梯度偏差进行裁剪，并根据添加噪声后的模型参数以及裁剪后的梯度偏差，确定所述更新后的本地梯度信息。
可选地，根据所述历史全局梯度信息，确定出梯度调整幅度，包括：
根据所述历史全局梯度信息的范数，确定所述梯度调整幅度，其中，所述梯度调整幅度与所述历史全局梯度信息的范数成正比。
本说明书提供一种基于联邦学习的模型训练装置，包括：
接收模块，用于边缘节点接收服务器发送的全局模型参数以及历史全局梯度信息，所述历史全局梯度信息用于表示历史上所述全局模型对应的梯度更新方向；
训练模块，用于根据所述全局模型参数，对部署在所述边缘节点的本地模型进行参数替换，并根据所述边缘节点本地的训练样本，对参数替换后的本地模型进行训练，得到当前梯度信息；
确定模块，用于确定所述历史全局梯度信息与历史本地梯度信息之间的梯度偏差，所述历史本地梯度信息用于表示历史上所述本地模型的梯度更新方向；
调整模块，用于根据所述梯度偏差，对所述当前梯度信息进行调整，得到调整后梯度信息，并根据所述调整后梯度信息，调整所述参数替换后的本地模型的模型参数，得到调整后模型参数；
添加模块，用于对所述调整后模型参数添加噪声，得到添加噪声后的模型参数；
发送模块，用于将所述添加噪声后的模型参数发送给服务器，以使所述服务器基于各边缘节点对应的添加噪声后的模型参数训练，以通过所述全局模型进行业务执行。
可选地，所述添加模块还用于，根据所述添加噪声后的模型参数，对所述历史本地梯度信息进行更新，得到更新后的本地梯度信息；
所述发送模块还用于，将所述更新后的本地梯度发送给所述服务器，以使所述服务器根据各边缘节点对应的更新后的本地梯度信息确定下一轮次中的历史全局梯度信息。
可选地，所述添加模块具体用于，根据所述历史全局梯度信息，对所述调整后模型参数添加噪声。
可选地，所述添加模块具体用于，根据所述历史全局梯度信息，确定出梯度调整幅度；根据所述梯度调整幅度，对所述调整后模型参数进行裁剪，并向裁剪后的模型参数添加噪声，以确定出添加噪声后的模型参数。
可选地，所述添加模块具体用于，根据预设的隐私预算参数、当前的训练轮次数以及所述梯度调整幅度，向所述裁剪后的模型参数添加噪声，得到所述添加噪声后的模型参数。
可选地所述添加模块具体用于，根据所述历史全局梯度信息，确定出梯度调整幅度；根据所述梯度调整幅度，将所述梯度偏差进行裁剪，并根据添加噪声后的模型参数以及裁剪后的梯度偏差，确定所述更新后的本地梯度信息。
可选地，所述添加模块具体用于，根据所述历史全局梯度信息的范数，确定所述梯度调整幅度，其中，所述梯度调整幅度与所述历史全局梯度信息的范数成正比。
说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于联邦学习的模型训练方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于联邦学习的模型训练方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
从上述一种基于联邦学习的模型训练方法中可以看出，边缘节点接收服务器发送的全局模型参数以及历史全局梯度信息，历史全局梯度信息用于表示历史上全局模型对应的梯度更新方向，而后，可以根据全局模型参数，对部署在边缘节点的本地模型进行参数替换，并根据边缘节点本地的训练样本，对参数替换后的本地模型进行训练，得到当前梯度信息，而后，可以确定历史全局梯度信息与历史本地梯度信息之间的梯度偏差，历史本地梯度信息用于表示历史上所述本地模型的梯度更新方向，进而，根据梯度偏差，对当前梯度信息进行调整，得到调整后梯度信息，并根据调整后梯度信息，调整参数替换后的本地模型的模型参数，得到调整后模型参数，最后，对调整后模型参数添加噪声，得到添加噪声后的模型参数，并将添加噪声后的模型参数发送给服务器，以使服务器基于各边缘节点对应的添加噪声后的模型参数，对全局模型进行训练，以通过全局模型进行业务执行。
从上述内容中可以看出，本方法可以通过历史全局梯度信息与历史本地梯度信息之间的梯度偏差，在对本地模型的模型参数进行更新时，使得本地模型的模型参数不仅仅是根据本地的训练样本进行更新，从而可以使得本地模型的模型参数的参数方向能够偏向全局模型的梯度更新方向，并且，在本地模型更新参数后，还可以将参数添加噪声，以保证边缘节点的隐私数据安全。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中一种基于联邦学习的模型训练方法的流程示意图；
图2为本说明书中提供的一种服务器与各个边缘节点之间进行通信以进行联邦学习的结构示意图；
图3为本说明书提供的一种基于联邦学习的模型训练装置示意图；
图4为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种基于联邦学习的模型训练方法的流程示意图，具体包括以下步骤：
S100：边缘节点接收服务器发送的全局模型参数以及历史全局梯度信息，所述历史全局梯度信息用于表示历史上所述全局模型对应的梯度更新方向。
S102：根据所述全局模型参数，对部署在所述边缘节点的本地模型进行参数替换，并根据所述边缘节点本地的训练样本，对参数替换后的本地模型进行训练，得到当前梯度信息。
S104：确定所述历史全局梯度信息与历史本地梯度信息之间的梯度偏差，所述历史本地梯度信息用于表示历史上所述本地模型的梯度更新方向。
S106：根据所述梯度偏差，对所述当前梯度信息进行调整，得到调整后梯度信息，并根据所述调整后梯度信息，调整所述参数替换后的本地模型的模型参数，得到调整后模型参数。
在联邦学习中，服务器可以通过与各个边缘节点之间的通信，来共同进行联邦学习的模型训练，如图2所示。
图2为本说明书中提供的一种服务器与各个边缘节点之间进行通信以进行联邦学习的结构示意图。
在这里将服务器端部署的模型称之为全局模型，将边缘节点中部署的模型称之为该边缘节点对应的本地模型，可以理解为全局模型和本地模型是功能相同的模型，在服务器与边缘节点不断共同进行联邦学习的过程中，全局模型可以不断地通过各边缘节点在模型训练过程中计算得到的梯度，来对自身更新，从而服务器在不直接获取到边缘节点上的训练样本的情况下，也可以间接地结合边缘节点上的训练样本来对全局模型进行更新，如果边缘节点上的训练样本涉及隐私，这样一来可以保证边缘节点本地的隐私数据安全。
但是，随着一些技术手段的升级，通过对边缘节点或者服务器进行一些攻击，获取到梯度数据，再进行反推，可能能够反推出边缘节点原始的训练样本，这样就可能会威胁到边缘节点的隐私数据安全,这是目前可能存在的问题之一。
另外，在联邦学习中，容易存在的问题是，不同边缘节点中的训练样本之间可能存在较大差异，从而在通过各边缘节点一起进行联邦学习时，会影响到联邦学习模型的训练效率，降低模型的准确性。
针对上述两个问题，本说明书提供的基于联邦学习的模型训练方法中，在联邦学习的一轮迭代中，边缘节点可以接收服务器发送的当前轮次中的全局模型参数以及历史全局梯度信息，其中，历史全局梯度信息用于表示历史上全局模型对应的梯度更新方向。
而后，可以根据全局模型参数，对部署在边缘节点的本地模型进行参数替换，并根据边缘节点本地的训练样本，对参数替换后的本地模型进行训练，得到当前梯度信息，进而，确定历史全局梯度信息(c)与历史本地梯度信息(ci)之间的梯度偏差，以及根据该梯度偏差，对当前梯度信息进行调整，得到调整后梯度信息，历史本地梯度信息用于表示历史上本地模型的梯度更新方向。进而，可以根据调整后梯度信息，调整参数替换后的本地模型的模型参数，得到调整后模型参数。
具体的，可以在本地训练时，将全局模型参数(x)应用在本地模型上，并通过本地的训练样本对本地模型进行训练，计算出当前梯度信息gi(yi)，而后，通过gi(yi)―(ci―c)对本地模型的模型参数进行更新，即以下公式所示。
yi←yi―ηi(gi(yi)―(ci―c))
其中，公式中的i指第i个边缘节点，yi为模型参数，ηi为学习率，上述ci―c为梯度偏差，gi(yi)―(ci―c)为调整后梯度信息，yi―ηi(gi(yi)―(ci―c))为调整后模型参数。
当然，边缘节点可以在本地进行多次更新，如进行K次梯度更新，那么相应的，每次边缘节点进行梯度更新时，公式可以为：
Figure BDA0004110214830000051
也就是说，在进行边缘节点的本地训练时，将历史全局梯度信息与历史本地梯度信息之间的梯度偏差参与到参数更新中，由于历史全局梯度信息与历史本地梯度信息之间的偏差可以用于表示历史上全局模型对应的梯度更新方向与本地模型的梯度更新方向之间的差异，那么可以使得在训练时，尽量将边缘节点的梯度更新方向朝向全局模型的梯度更新方向进行更新，从而降低各边缘节点的训练样本之间存在的差异对联邦学习的影响。
S108：对所述调整后模型参数添加噪声，得到添加噪声后的模型参数。
S110：将所述添加噪声后的模型参数发送给服务器，以使所述服务器基于各边缘节点对应的添加噪声后的模型参数，对全局模型进行训练，以通过所述全局模型进行业务执行。
在确定出调整后模型参数后，可以对调整后模型参数添加噪声，得到添加噪声后的模型参数，并将添加噪声后的模型参数发送给服务器，以使服务器基于各边缘节点对应的添加噪声后的模型参数，对全局模型进行训练，以通过全局模型进行业务执行。这里提到的，对全局模型进行训练，可以是指将各边缘节点对应的添加噪声后的模型参数进行聚合，并根据聚合后的模型参数，更新全局模型的模型参数。
在此不限制该全局模型所适用的业务场景，例如，该全局模型可以为图像识别模型，再例如，该全局模型可以为用于识别用户的声纹、指纹等身份信息的神经网络模型。全局模型在训练后以及本地模型在训练后，可以分别在服务器和边缘节点参与到自身业务场景的业务执行中。
具体的，可以根据上述历史全局梯度信息，对调整后模型参数添加噪声，得到添加噪声后的模型参数，以及根据添加噪声后的模型参数，对本地梯度信息进行更新，得到更新后的本地梯度信息。
其中，可以根据该历史全局梯度信息(c)，确定出梯度调整幅度(D)，并根据该梯度调整幅度，对调整后模型参数进行裁剪，得到裁剪后的模型参数，以及向裁剪后的模型参数添加噪声。
也就是说，在对训练后的本地模型的模型参数添加噪声的过程中，可以先对模型参数进行裁剪，再添加噪声(如高斯噪声，拉普拉斯噪声等)，对模型参数进行裁剪其实也相当于，将模型参数添加了一定噪声，但是对模型参数进行裁剪的目的，更多在于，将本地模型的参数更新结果限制在一定范围内，削弱本地模型的参数更新结果对全局模型的影响。
而进行裁剪以及添加噪声，均可以使用到梯度调整幅度(D)，该梯度调整幅度(D)具体可以通过历史全局梯度信息的范数确定出，并且，该梯度调整幅度与该历史全局梯度信息的范数成正比，如以下公式所示。
D＝k||c||
其中，k可以为在边缘节点本地训练的梯度更新次数，当然，k也可以为人为设定出的数值，可以看出，k为D相对于c的比例。
当然，边缘节点发送给服务器用于更新全局模型的参数可以是：边缘节点更新后的模型参数与全局模型参数之间的差，那么也可以先确定出调整后模型参数相对于全局模型参数的参数更新值(Δyi)，并对该Δyi添加噪声，而不是直接对调整后模型参数添加噪声。
即，可以根据梯度调整幅度，针对该参数更新值进行裁剪，并向裁剪后的参数更新值添加噪声，以确定出添加噪声后的参数更新值，如以下公式所示，从以下公式可以看出，裁剪并不是指将参数的数量裁剪掉一部分，而是指调整参数的数值。
Δyi＝yi-x
Figure BDA0004110214830000061
其中，上述公式中
Figure BDA0004110214830000062
是针对Δyi进行裁剪，从而保证Δyi的范数小于D，而后一项N(0,σ2)即是针对Δyi添加噪声，其中/>
Figure BDA0004110214830000071
可以看出，添加的噪声与D也是正相关的。其中，ε和δ为隐私预算参数，T为训练轮次数，即，表示本次在边缘节点进行的训练是联邦学习中的第几轮训练(而非本地梯度更新的次数)，n为参与联邦学习训练的边缘节点的数量。
而后，可以根据添加噪声后的模型参数，对历史本地梯度信息进行更新，得到更新后的本地梯度信息。边缘节点可以将更新后的本地梯度信息发送给服务器，以使服务器根据各边缘节点对应的更新后的本地梯度信息确定下一轮次中的历史全局梯度信息。
其中，可以根据历史全局梯度信息，确定出梯度调整幅度；并根据梯度调整幅度，将梯度偏差进行裁剪，并根据添加噪声后的模型参数以及裁剪后的梯度偏差，确定更新后的本地梯度信息。
具体对本地梯度信息进行更新的公式如下所示：
Figure BDA0004110214830000072
其中，在边缘节点此次对本地模型训练前，历史本地梯度信息为ci，通过上述公式对历史本地梯度信息更新后，更新后的本地梯度信息为
Figure BDA0004110214830000073
从上述公式中可以看出，在对ci进行更新时，也可以通过梯度调整幅度D对该ci进行裁剪，从而得到更新后的/>
Figure BDA0004110214830000074
之所以在裁剪时是针对c i–c进行裁剪，是因为/>
Figure BDA0004110214830000075
已经是经过裁剪过的，因此，需要针对ci–c进行裁剪。
可以看出，在对
Figure BDA0004110214830000076
进行更新时，可以通过添加了噪声的Δyi，对该/>
Figure BDA0004110214830000077
进行更新，从而相当于使得/>
Figure BDA0004110214830000078
也包含了一定噪声，其中可以将针对历史本地梯度信息的更新量发送给服务器，而不是直接将更新后的本地梯度信息发送给服务器，因此，可以计算出Δci发送给服务器，下一轮次中边缘节点所使用的历史本地梯度信息为更新为/>
Figure BDA0004110214830000079
的ci。
Figure BDA00041102148300000710
Figure BDA00041102148300000711
在边缘节点确定出上述添加噪声后的模型参数，以及更新后的本地梯度信息后，可以将添加噪声后的模型参数以及更新后的本地梯度信息发送给服务器，以使服务器基于各节点对应的添加噪声后的模型参数，对全局模型进行更新，以及根据各节点对应的更新后的本地梯度信息确定下一轮次的历史全局梯度信息。
当然，也可以将针对历史本地梯度信息的更新量Δci以及添加噪声后的参数更新值Δyi发送给服务器，以使服务器根据添加噪声后的参数更新值Δyi，对全局模型进行更新，确定出下一轮次中所需的全局模型参数，以及，对针对历史本地梯度信息的更新量Δci，对历史全局梯度信息进行更新，确定出下一轮次所需的历史全局梯度信息。
可以把Δyi放缩到最大范数是D的范围来限制它的值(这其实是为了限制单一客户端对云中心模型的贡献，是隐私保护的要求，可以向更新的参数(或梯度)中添加与其最大可能的范数(D)大小呈正相关的噪声以保障隐私，而裁剪就是为了限制这个最大可能的范数大小)。
而我们最希望的结果其实是这个梯度调整幅度能和大部分真正的梯度大小相近。这样既可以添加比较小的噪声，也不至于由于裁剪而带来很大的偏差(试想，如果这个梯度调整幅度很大，那就会添加很大的噪声，相当于提高了更新结果的方差，而这个梯度调整幅度很小的话，那就会有很多很多更新结果被裁剪，这会导致更新结果和原始更新结果“不像”即引入比较大的偏差，所以这个其实是一个偏差和方差之间的平衡)，因此，将梯度调整幅度设置为k||c||。
由于每一次在本地梯度更新的次数可以是K(这里的K可以相等于上面提到的k)次，因此，每一次本地梯度更新都可以是gi(yi)-(ci-c)/K，那么迭代K次，就有下式成立：
Figure BDA0004110214830000081
Figure BDA0004110214830000082
Figure BDA0004110214830000083
/>
可以由上式知，每次本地更新所得到的结果的2范数上界可以被c的线性函数与差分噪声的方差共同限制。注意到在差分隐私的过程中，每次添加的噪声的大小是与裁剪的范数大小相关的。如果裁剪时，梯度范数(‖Δyi‖2)小于梯度调整幅度时，就说明当前所需要添加的噪声大小大于梯度的大小，即信噪比较低，极端情况下，梯度范数远小于梯度调整幅度时，噪声会淹没所有有效信息。于是我们通过控制我们的梯度调整幅度小于c的线性函数，就可以尽可能的使得每次进行裁剪时，梯度范数是大于梯度调整幅度的，这就可以使得在相同水平影响下的信噪比最高。
上述式子中的Δyi其实指的是还未裁剪和加噪的Δyi，基于上述结论，希望D如果能取成Δyi的二范数的期望或者期望的线性倍数，这样做可以让绝大多数(至少一半)的梯度避免裁剪，也不会使得D太大。所以我们就去计算Δyi的期望，然后Δyi其实就是等于-(实际的本地更新-ci+c)而ci再去掉噪声后与实际的本地更新是近似相等的(因为他们两者相当于是相差不远的两个模型对相同数据求取的梯度结果)所以Δyi可以约等于(噪声+c)。而c是已知量，本地学***方就是与c的二范数平方呈正比，那么Δyi的二范数就是与c的二范数呈正比。
从上述内容中可以看出，本方法可以通过历史全局梯度信息与历史本地梯度信息之间的梯度偏差，在对本地模型的模型参数进行更新时，使得本地模型的模型参数不仅仅是根据本地的训练样本进行更新，从而可以使得本地模型的模型参数的参数方向能够偏向全局模型的梯度更新方向，并且，在本地模型更新参数后，还可以将参数添加噪声，以保证边缘节点的隐私数据安全。
以上为本说明书的一个或多个实施例提供的基于联邦学习的模型训练方法，基于同样的思路，本说明书还提供了基于联邦学习的模型训练装置，如图3所示。
图3为本说明书提供的一种基于联邦学习的模型训练装置示意图，具体包括：
接收模块301，用于边缘节点接收服务器发送的全局模型参数以及历史全局梯度信息，所述历史全局梯度信息用于表示历史上所述全局模型对应的梯度更新方向；
训练模块302，用于根据所述全局模型参数，对部署在所述边缘节点的本地模型进行参数替换，并根据所述边缘节点本地的训练样本，对参数替换后的本地模型进行训练，得到当前梯度信息；
确定模块303，用于确定所述历史全局梯度信息与历史本地梯度信息之间的梯度偏差，所述历史本地梯度信息用于表示历史上所述本地模型的梯度更新方向；
调整模块304，用于根据所述梯度偏差，对所述当前梯度信息进行调整，得到调整后梯度信息，并根据所述调整后梯度信息，调整所述参数替换后的本地模型的模型参数，得到调整后模型参数；
添加模块305，用于对所述调整后模型参数添加噪声，得到添加噪声后的模型参数；
发送模块306，用于将所述添加噪声后的模型参数发送给服务器，以使所述服务器基于各边缘节点对应的添加噪声后的模型参数训练，以通过所述全局模型进行业务执行。
可选地，所述添加模块305还用于，根据所述添加噪声后的模型参数，对所述历史本地梯度信息进行更新，得到更新后的本地梯度信息；
所述发送模块306还用于，将所述更新后的本地梯度发送给所述服务器，以使所述服务器根据各边缘节点对应的更新后的本地梯度信息确定下一轮次中的历史全局梯度信息。
可选地，所述添加模块305具体用于，根据所述历史全局梯度信息，对所述调整后模型参数添加噪声。
可选地，所述添加模块305具体用于，根据所述历史全局梯度信息，确定出梯度调整幅度；根据所述梯度调整幅度，对所述调整后模型参数进行裁剪，并向裁剪后的模型参数添加噪声，以确定出添加噪声后的模型参数。
可选地，所述添加模块305具体用于，根据预设的隐私预算参数、当前的训练轮次数以及所述梯度调整幅度，向所述裁剪后的模型参数添加噪声，得到所述添加噪声后的模型参数。
可选地，所述添加模块305具体用于，根据所述历史全局梯度信息，确定出梯度调整幅度；根据所述梯度调整幅度，将所述梯度偏差进行裁剪，并根据添加噪声后的模型参数以及裁剪后的梯度偏差，确定所述更新后的本地梯度信息。
可选地，所述添加模块305具体用于，根据所述历史全局梯度信息的范数，确定所述梯度调整幅度，其中，所述梯度调整幅度与所述历史全局梯度信息的范数成正比。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述基于联邦学习的模型训练方法。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述基于联邦学习的模型训练方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理节点来执行任务。在分布式计算环境中，程序模块可以位于包括存储节点在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (16)

1.一种基于联邦学习的模型训练方法，包括：
边缘节点接收服务器发送的全局模型参数以及历史全局梯度信息，所述历史全局梯度信息用于表示历史上所述全局模型对应的梯度更新方向；
根据所述全局模型参数，对部署在所述边缘节点的本地模型进行参数替换，并根据所述边缘节点本地的训练样本，对参数替换后的本地模型进行训练，得到当前梯度信息；
确定所述历史全局梯度信息与历史本地梯度信息之间的梯度偏差，所述历史本地梯度信息用于表示历史上所述本地模型的梯度更新方向；
根据所述梯度偏差，对所述当前梯度信息进行调整，得到调整后梯度信息，并根据所述调整后梯度信息，调整所述参数替换后的本地模型的模型参数，得到调整后模型参数；
对所述调整后模型参数添加噪声，得到添加噪声后的模型参数；
将所述添加噪声后的模型参数发送给服务器，以使所述服务器基于各边缘节点对应的添加噪声后的模型参数，对全局模型进行训练，以通过所述全局模型进行业务执行。
2.如权利要求1所述的方法，所述方法还包括：
根据所述添加噪声后的模型参数，对所述历史本地梯度信息进行更新，得到更新后的本地梯度信息；
所述方法还包括：
将所述更新后的本地梯度发送给所述服务器，以使所述服务器根据各边缘节点对应的更新后的本地梯度信息确定下一轮次中的历史全局梯度信息。
3.如权利要求1所述的方法，对所述调整后模型参数添加噪声，具体包括：
根据所述历史全局梯度信息，对所述调整后模型参数添加噪声。
4.如权利要求3所述的方法，根据所述历史全局梯度信息，对所述调整后模型参数添加噪声，包括：
根据所述历史全局梯度信息，确定出梯度调整幅度；
根据所述梯度调整幅度，对所述调整后模型参数进行裁剪，并向裁剪后的模型参数添加噪声，以确定出添加噪声后的模型参数。
5.如权利要求4所述的方法，对所述裁剪后的模型参数添加噪声，确定添加噪声后的模型参数，包括：
根据预设的隐私预算参数、当前的训练轮次数以及所述梯度调整幅度，向所述裁剪后的模型参数添加噪声，得到所述添加噪声后的模型参数。
6.如权利要求2所述的方法，根据所述添加噪声后的模型参数，对所述历史本地梯度信息进行更新，包括：
根据所述历史全局梯度信息，确定出梯度调整幅度；
根据所述梯度调整幅度，将所述梯度偏差进行裁剪，并根据添加噪声后的模型参数以及裁剪后的梯度偏差，确定所述更新后的本地梯度信息。
7.如权利要求3或6所述的方法，根据所述历史全局梯度信息，确定出梯度调整幅度，包括：
根据所述历史全局梯度信息的范数，确定所述梯度调整幅度，其中，所述梯度调整幅度与所述历史全局梯度信息的范数成正比。
8.一种基于联邦学习的模型训练装置，包括：
接收模块，用于边缘节点接收服务器发送的全局模型参数以及历史全局梯度信息，所述历史全局梯度信息用于表示历史上所述全局模型对应的梯度更新方向；
训练模块，用于根据所述全局模型参数，对部署在所述边缘节点的本地模型进行参数替换，并根据所述边缘节点本地的训练样本，对参数替换后的本地模型进行训练，得到当前梯度信息；
确定模块，用于确定所述历史全局梯度信息与历史本地梯度信息之间的梯度偏差，所述历史本地梯度信息用于表示历史上所述本地模型的梯度更新方向；
调整模块，用于根据所述梯度偏差，对所述当前梯度信息进行调整，得到调整后梯度信息，并根据所述调整后梯度信息，调整所述参数替换后的本地模型的模型参数，得到调整后模型参数；
添加模块，用于对所述调整后模型参数添加噪声，得到添加噪声后的模型参数；
发送模块，用于将所述添加噪声后的模型参数发送给服务器，以使所述服务器基于各边缘节点对应的添加噪声后的模型参数训练，以通过所述全局模型进行业务执行。
9.如权利要求8所述的装置，所述添加模块还用于，根据所述添加噪声后的模型参数，对所述历史本地梯度信息进行更新，得到更新后的本地梯度信息；
所述发送模块还用于，将所述更新后的本地梯度发送给所述服务器，以使所述服务器根据各边缘节点对应的更新后的本地梯度信息确定下一轮次中的历史全局梯度信息。
10.如权利要求8所述的装置，所述添加模块具体用于，根据所述历史全局梯度信息，对所述调整后模型参数添加噪声。
11.如权利要求10所述的装置，所述添加模块具体用于，根据所述历史全局梯度信息，确定出梯度调整幅度；根据所述梯度调整幅度，对所述调整后模型参数进行裁剪，并向裁剪后的模型参数添加噪声，以确定出添加噪声后的模型参数。
12.如权利要求11所述的装置，所述添加模块具体用于，根据预设的隐私预算参数、当前的训练轮次数以及所述梯度调整幅度，向所述裁剪后的模型参数添加噪声，得到所述添加噪声后的模型参数。
13.如权利要求9所述的装置，所述添加模块具体用于，根据所述历史全局梯度信息，确定出梯度调整幅度；根据所述梯度调整幅度，将所述梯度偏差进行裁剪，并根据添加噪声后的模型参数以及裁剪后的梯度偏差，确定所述更新后的本地梯度信息。
14.如权利要求11或13所述的装置，所述添加模块具体用于，根据所述历史全局梯度信息的范数，确定所述梯度调整幅度，其中，所述梯度调整幅度与所述历史全局梯度信息的范数成正比。
15.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。
16.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～7任一项所述的方法。
CN202310185249.3A 2023-02-23 2023-02-23 一种基于联邦学习的模型训练方法及装置 Pending CN116186772A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310185249.3A CN116186772A (zh) 2023-02-23 2023-02-23 一种基于联邦学习的模型训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310185249.3A CN116186772A (zh) 2023-02-23 2023-02-23 一种基于联邦学习的模型训练方法及装置

Publications (1)

Publication Number Publication Date
CN116186772A true CN116186772A (zh) 2023-05-30

Family

ID=86434276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310185249.3A Pending CN116186772A (zh) 2023-02-23 2023-02-23 一种基于联邦学习的模型训练方法及装置

Country Status (1)

Country Link
CN (1) CN116186772A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562399A (zh) * 2023-07-10 2023-08-08 支付宝(杭州)信息技术有限公司 端边云协同的模型训练方法及装置
CN116629386A (zh) * 2023-07-21 2023-08-22 支付宝(杭州)信息技术有限公司 模型训练方法及装置
CN116629388A (zh) * 2023-07-25 2023-08-22 京东科技信息技术有限公司 差分隐私联邦学习训练方法、装置和计算机可读存储介质
CN117194992A (zh) * 2023-11-01 2023-12-08 支付宝(杭州)信息技术有限公司 一种模型训练、任务执行方法、装置、存储介质及设备

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562399A (zh) * 2023-07-10 2023-08-08 支付宝(杭州)信息技术有限公司 端边云协同的模型训练方法及装置
CN116629386A (zh) * 2023-07-21 2023-08-22 支付宝(杭州)信息技术有限公司 模型训练方法及装置
CN116629386B (zh) * 2023-07-21 2023-09-19 支付宝(杭州)信息技术有限公司 模型训练方法及装置
CN116629388A (zh) * 2023-07-25 2023-08-22 京东科技信息技术有限公司 差分隐私联邦学习训练方法、装置和计算机可读存储介质
CN116629388B (zh) * 2023-07-25 2023-12-05 京东科技信息技术有限公司 差分隐私联邦学习训练方法、装置和计算机可读存储介质
CN117194992A (zh) * 2023-11-01 2023-12-08 支付宝(杭州)信息技术有限公司 一种模型训练、任务执行方法、装置、存储介质及设备
CN117194992B (zh) * 2023-11-01 2024-04-19 支付宝(杭州)信息技术有限公司 一种模型训练、任务执行方法、装置、存储介质及设备

Similar Documents

Publication Publication Date Title
CN116186772A (zh) 一种基于联邦学习的模型训练方法及装置
CN111930486B (zh) 任务选取数据处理方法、装置、设备及存储介质
CN110852503B (zh) 一种支付渠道的选择方法和设备、支付渠道路由
CN105760361B (zh) 一种语言模型建立方法及装置
CN116011587A (zh) 一种模型训练方法、装置、存储介质及电子设备
CN115618748B (zh) 一种模型优化的方法、装置、设备及存储介质
CN116011815A (zh) 一种模型训练的方法、装置、电子设备及存储介质
CN117392485B (zh) 图像生成模型训练方法、业务执行方法、装置及介质
CN116821647B (zh) 基于样本偏离评估的数据标注的优化方法、装置及设备
CN116150622B (zh) 一种模型训练方法、装置、存储介质及电子设备
CN109614609B (zh) 模型建立方法及装置
CN114120273A (zh) 一种模型训练的方法及装置
CN116109008B (zh) 一种业务执行的方法、装置、存储介质及电子设备
CN117972436B (zh) 大语言模型的训练方法、训练装置、存储介质及电子设备
CN116962085B (zh) 鲁棒的个性化联邦学习方法、装置、***及存储介质
CN116128072B (zh) 一种风险控制模型的训练方法、装置、设备及存储介质
CN117576522B (zh) 一种基于拟态结构动态防御的模型训练方法及装置
CN117592581A (zh) 一种模型训练方法、装置、存储介质及电子设备
CN115953706B (zh) 虚拟形象处理方法及装置
CN113411219B (zh) 一种前端服务的发布方法、装置以及设备
CN116844553B (zh) 数据处理方法、装置及设备
CN112884478B (zh) 一种数据处理方法、装置及设备
CN117010485B (zh) 边缘场景下的分布式模型训练***及梯度规约方法
CN117910594A (zh) 一种联邦学习训练方法、装置、介质及设备
CN116401541A (zh) 一种模型训练的方法、装置、存储介质及电子设备

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