[发明专利]基于隐私数据保护的多目标融合学习方法、装置和系统

说明书

本说明书实施例提供一种基于隐私数据保护的多目标融合学习方法、装置和系统，该方法包括：云端获取多个本地端进行融合学习时的多个学习目标，确定多个学习目标对应的多个隐含层参数，并将多个隐含层参数下发给多个本地端，多个本地端中任一个本地端可以基于神经网络模型，以及云端下发的多个隐含层参数为初始训练参数对本地隐私数据进行多目标学习训练，并将学习得到的与多个隐含层参数对应的多个更新后隐含层参数共享至云端，由云端对不同学习目标的更新后隐含层参数进行整合，在整合后的隐含层参数满足预设条件时，将整合后的隐含层参数发送给对应本地端，由本地端结合自己的学习目标得到目标模型。

技术领域

本文件涉及机器学习领域，尤其涉及一种基于隐私数据保护的多目标融合学习方法、装置和系统。

背景技术

通常，本地端在需要获取其他本地端的数据进行学习的情况下，为了保证数据隐私性和安全性，多个本地端可以结合云端进行融合学习，比如联邦学习等。在融合学习中，多个本地端可以基于本地数据进行学习，并将学习的结果共享给云端，从而实现融合学习的目的。

一般地，多个本地端在进行融合学习时，学习目标通常是相同的，比如，多个本地端的学习目标均为训练得到相同的模型。然而，在实际的很多应用场景下，不同本地端的学习目标有可能不同，而目前还缺少一种有效地方案可以实现融合学习场景下多目标学习的目的。

发明内容

本说明书实施例提供一种基于隐私数据保护的多目标融合学习方法、装置和系统，用于解决在融合学习的场景下，无法有效地进行多目标学习的问题。

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，提出一种基于隐私数据保护的多目标融合学习方法，包括：

云端基于多个本地端融合学习时的多个学习目标，确定与所述多个学习目标对应的多个隐含层参数；将所述多个隐含层参数发送给所述多个本地端；

所述多个本地端中的任一个本地端基于神经网络模型，以所述多个隐含层参数为初始训练参数对本地隐私数据进行多目标学习训练，得到与所述多个隐含层参数对应的多个更新后隐含层参数；将所述多个更新后隐含层参数发送给所述云端；

所述云端对所述多个本地端分别发送的多个更新后隐含层参数进行整合，得到与所述多个学习目标对应的多个整合后隐含层参数；针对任一个学习目标对应的整合后隐含层参数，在确定所述整合后隐含层参数满足预设条件时，将所述整合后隐含层参数发送给对应的本地端；

所述本地端基于所述整合后隐含层参数，确定与所述本地端的学习目标对应的目标模型。

第二方面，提出一种基于隐私数据保护的多目标融合学习方法，应用于云端，包括：

基于多个本地端融合学习时的多个学习目标，确定与所述多个学习目标对应的多个隐含层参数；

将所述多个隐含层参数发送给所述多个本地端，以便所述多个本地端中的任一个本地端基于神经网络模型，以所述多个隐含层参数为初始训练参数对本地隐私数据进行多目标学习训练，得到与所述多个隐含层参数对应的多个更新后隐含层参数；

接收由所述多个本地端分别发送的多个更新后隐含层参数；

对所述多个本地端分别发送的多个更新后模型参数进行整合，得到与所述多个学习目标对应的多个整合后隐含层参数；

针对任一个学习目标对应的整合后隐含层参数，在确定所述整合后隐含层参数满足预设条件时，将所述整合后隐含层参数发送给对应的本地端，以便所述本地端根据所述整合后隐含层参数，确定与所述本地端的学习目标对应的目标模型。

第三方面，提出一种基于隐私数据保护的多目标融合学习装置，应用于云端，包括：