[发明专利]联盟学习中的私有数据评估、联盟学习方法、装置及系统

权利要求书

1.一种联盟学习中的私有数据评估方法，包括：

接收联盟中的多个第一成员节点发送的多组模型参数，其中，一个第一成员节点发送一组模型参数，所述第一成员节点发送的一组模型参数是基于本地私有数据训练得到的，所述第一成员节点是所述联盟中不参与模型参数整合的成员节点；

基于所述多组模型参数，确定中心模型参数；

基于所述第一成员节点对应的一组模型参数与所述中心模型参数之间的距离，评估所述第一成员节点的本地私有数据在联盟学习中的贡献度。

2.根据权利要求1所述的方法，在所述基于所述多组模型参数，确定中心模型参数之前，还包括：

对所述多组模型参数分别进行归一化处理。

3.根据权利要求1或2所述的方法，一组模型参数由一个向量表示，所述多组模型参数由多个向量表示，其中，所述基于所述多组模型参数，确定中心模型参数，包括：

确定所述多个向量的平均向量；

将所述平均向量作为中心模型参数。

4.根据权利要求3所述的方法，其中，所述基于所述第一成员节点对应的一组模型参数与所述中心模型参数之间的距离，评估所述第一成员节点的本地私有数据在联盟学习中的贡献度，包括：

基于所述第一成员节点发送的向量与所述中心模型参数之间的距离，评估所述第一成员节点的本地私有数据在联盟学习中的贡献度。

5.根据权利要求1或2所述的方法，一组模型参数由一个向量表示，所述多组模型参数由多个向量表示，其中，所述基于所述多组模型参数，确定中心模型参数，包括：

将所述多个向量用空间中的多个点表示，一个点表示一个向量；

基于预设聚类算法对所述多个点进行聚类，得到多个分簇；

分别确定所述多个分簇中的点的平均向量，得到多个平均向量，一个分簇对应确定一个平均向量；

将所述多个平均向量的平均向量作为中心模型参数。

6.根据权利要求5所述的方法，其中，所述基于所述第一成员节点对应的一组模型参数与所述中心模型参数之间的距离，评估所述第一成员节点的本地私有数据在联盟学习中的贡献度，包括：

基于所述第一成员节点所在分簇的平均向量与所述中心模型参数之间的距离，确定所述第一成员节点所在分簇中所有第一成员节点的本地私有数据在联盟学习中的贡献度。

7.根据权利要求1所述的方法，还包括：

基于所述多个第一成员节点的本地私有数据在联盟学习中的贡献度，对所述多组模型参数进行整合，得到目标模型参数。

8.根据权利要求7所述的方法，还包括：

将所述目标模型参数反馈给所述第一成员节点，以使所述第一成员节点基于本地私有数据对所述目标模型参数进行更新，得到一组新的模型参数。

9.根据权利要求1所述的方法，在所述接收联盟中的多个第一成员节点发送的多组模型参数之前，还包括：

将初始模型参数发送至所述第一成员节点，以使所述第一成员节点基于本地私有数据对所述初始模型参数进行更新得到一组模型参数。

10.一种基于私有数据保护的联盟学习方法，包括：

将一组模型参数发送至第二成员节点，所述模型参数是第一成员节点基于本地私有数据训练得到的，所述第一成员节点是联盟中不参与模型参数整合的成员节点，所述第二成员节点是所述联盟中参与模型参数整合的成员节点；

接收所述第二成员节点反馈的目标模型参数，其中，所述目标模型参数是所述第二成员节点基于多个所述第一成员节点的本地私有数据在联盟学习中的贡献度，对多个所述第一成员节点发送的多组模型参数进行整合得到的，所述贡献度是所述第二成员节点基于所述第一成员节点对应的一组模型参数与中心模型参数之间的距离确定的，所述中心模型参数是所述第二成员节点基于多个所述第一成员节点发送的多组模型参数确定的；

基于本地私有数据对所述目标模型参数进行更新得到一组新的模型参数。