[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

说明书

本说明书实施例公开了一种联盟学习中的私有数据评估、联盟学习方法、装置及系统，其中，在联盟学习中的私有数据评估方法中，联盟中的第一成员节点将基于本地私有数据训练得到的一组模型参数发送至所述联盟中的第二成员节点，其中，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，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；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，确定中心模型参数，并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。

技术领域

本申请涉及计算机技术领域，尤其涉及一种联盟学习中的私有数据评估、联盟学习方法、装置及系统。

背景技术

联盟学习（Federated Learning）是一种新兴的人工智能支撑技术，它的目标是在保证私有数据（如终端数据、个人隐私数据）安全及符合法律法规规定的前提下，在多参与方或多计算节点之间开展高效率的机器学习。

在一种联盟学习场景下，联盟中的多个成员节点会分别依据自己的私有数据训练模型，并将训练得到的模型参数发送至一个指定成员节点，由该指定成员节点对模型参数进行整合得到目标模型。

然而，不同成员节点的本地私有数据存在差异，使得它们对目标模型的贡献也存在差异。因此，如何准确地评估成员节点的本地私有数据在联盟学习中的贡献，是整合得到优质目标模型的关键。

发明内容

本说明书实施例提供了一种联盟学习中的私有数据评估、联盟学习方法、装置及系统，以准确地评估成员节点的本地私有数据在联盟学习中的贡献。

为解决上述技术问题，本说明书实施例是这样实现的：

第一方面，提出了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。

第二方面，提出了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。

第三方面，提出了联盟学习中的私有数据评估方法，包括：

联盟中的第一成员节点将基于本地私有数据训练得到的一组模型参数发送至所述联盟中的第二成员节点，其中，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，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；