[发明专利]用于共享学习的模型处理方法、系统、装置以及电子设备

说明书

本申请提供一种用于共享学习的模型处理方法，包括：获得针对初始神经网络模型的多个候选模型更新值；对多个候选模型更新值进行质量评估，获得多个候选模型更新值的权重；对多个候选模型更新值采用带权重的中位数机制，确定对初始神经网络模型进行更新的模型更新值；基于确定的更新值，对初始神经网络模型进行更新。本申请首先获得多个候选模型更新值，之后，通过进行质量评估，获得多个候选模型更新值的权重，然后基于加权中位数机制确定对初始神经网络模型进行更新的模型更新值，基于加权中位数机制能够避免采用虚假的经过训练的神经网络模型更新初始神经网络模型，能够解决采用现有的模型更新方法使得更新的神经网络模型不符合真实情形的问题。

技术领域

本申请涉及计算机技术领域，具体涉及一种用于共享学习的模型处理方法、系统、装置以及电子设备。

背景技术

随着神经网络技术的不断发展，神经网络技术在各个领域的应用也越来越广泛。尤其是在共享学习中，将共享学习技术与神经网络技术结合，能够便于进行用户隐私数据的保护。将共享学习技术与神经网络技术结合主要基于以下思路：云端将待训练的初始神经网络模型发送至多个用户，用户在本地端通过数据集即可实现对初始神经网络模型的训练，然后用户将训练的神经网络模型发送至云端。由于该过程避免了用户将数据集发送至云端，因此能够实现保护用户隐私数据的安全性。

对于上述情形，云端会接收到多个经过训练的神经网络模型，在接收到多个经过训练的神经网络模型后，需要云端决策如何根据多个经过训练的神经网络模型对初始神经网络模型进行更新。现有技术中，一般多采用加权平均聚合模型，具体地说，是将多个经过训练的神经网络模型进行加权取平均值，权重取决于用户的数据数量。然而采取现有技术的这种方法进行聚合模型的方式，无法避免有些用户为了增加自身权重产生的恶意行为，例如，上传虚假的经过训练的神经网络模型，而使得自身的权重增大。最终使得云端更新的神经网络模型不符合真实情形。

发明内容

本申请提供一种用于共享学习的模型处理方法，以解决采用现有的模型更新方法无法避免有些用户为了增加自身权重产生的恶意行为，最终使得更新的神经网络模型不符合真实情形的问题。本申请还提供一种用于共享学习的模型处理系统、装置，以及与其对应的电子设备与计算机介质。

本申请提供一种用于共享学习的模型处理方法，包括：

获得针对初始神经网络模型的多个候选模型更新值；其中，所述候选模型更新值为经过训练的神经网络模型与所述初始神经网络模型的差值，所述经过训练的神经网络模型为基于数据集对所述初始神经网络模型进行训练获得的神经网络模型；

根据所述差值的数据属性对所述多个候选模型更新值进行质量评估，获得所述多个候选模型更新值中的每个候选模型更新值的权重；

对所述多个候选模型更新值中的每个候选模型更新值采用带权重的中位数机制，确定对所述初始神经网络模型进行更新的模型更新值；

基于所述对所述初始神经网络模型进行更新的模型更新值，对所述初始神经网络模型进行更新；

其中，所述数据集的数据为终端的音频数据、图像数据、用户行为数据或终端传感器数据中的至少一种。

可选的，所述获得针对初始神经网络模型的多个候选模型更新值，包括：

将所述初始神经网络模型发送至用于提供针对初始神经网络模型的多个候选模型更新值的终端；

获得所述终端提供的针对初始神经网络模型的多个候选模型更新值。

可选的，所述终端通过以下方式提供针对初始神经网络模型的多个候选模型更新值：

获得多个数据集；

采用所述多个数据集分别对所述初始神经网络模型进行训练，获得多个经过训练的神经网络模型；