[发明专利]一种联邦学习中用户的索引方法及联邦学习装置

说明书

本发明公开了一种联邦学习中用户的索引方法及联邦学习装置，该方法包括：获取多个用户历史接受联邦学习邀请后的反馈数据，以及获取多个用户各自的用户画像数据；确定多个用户各自在上一个时间窗口内参与联邦学习建模的次数；根据多个用户各自的反馈数据、用户画像数据和多个用户各自在上一个时间窗口内参与联邦学习建模的次数，计算多个用户各自的索引值；根据多个用户各自的索引值，邀请多个用户中满足预设条件的用户参与联邦学习，从而可以优化的索引出与满足预设条件的用户参与联邦学习，提高了索引出的用户与联邦学习的适合度，无需反复试验联系用户参与联邦学习，进而提高了联邦学习的参与者与联邦学习装置的交互效率。

技术领域

本发明涉及金融科技(Fintech)技术领域和人工智能技术领域，尤指一种联邦学习中用户的索引方法及联邦学习装置。

背景技术

作为一种新型机器学习理念，联邦学习通过分布式训练及加密技术确保用户隐私数据得到最大限度的保护，以提升用户对人工智能技术的信任。在联邦学习机制下，各参与方把加密后的数据模型贡献给联盟，联合训练一个联邦模型，再开放这个模型给各参与方使用。在这个联邦学习的训练过程中，如何提升联邦学习的参与者与联邦学习装置的交互效率，对于提升联邦学习的模型训练效率有重要意义。

目前的联邦学习中，联邦学习装置对于联邦学习的参与者主要是通过随机方法进行选择的。比如，联邦学习装置采用随机算法从满足约束条件下的用户(使用的终端设备必须满足在充电状态且使用非流量计价网络链接如WiFi等的条件的用户)中随机索引相应数目的用户来参与联邦学习。例如，若联邦学习需要选择8个参与者，那么联邦学习装置可以采用随机算法从满足约束条件下的用户中随机索引出8个用户作为联邦学习的参与者。

然而，联邦学习装置采用随机方法来索引参与联邦学习的用户，缺乏优化考虑，换言之，联邦学习装置随机索引出的用户不是联邦学习装置优化筛选出来的，因此，容易存在索引出的用户拒绝参与联邦学习的可能性比较大(即索引出的用户与联邦学习的适合度低)，而导致联邦学习装置需要反复试验联系用户参与联邦学习的现象，从而降低了联邦学习的参与者与联邦学习装置的交互效率。

发明内容

本发明提供一种联邦学习中用户的索引方法及联邦学习装置，用以解决现有技术中存在联邦学习的参与者与联邦学习装置的交互效率低的问题。

为实现上述目的，第一方面，本发明提供一种联邦学习中用户的索引方法，该方法包括：

获取多个用户历史接受联邦学习邀请后的反馈数据，以及获取所述多个用户各自的用户画像数据；

确定所述多个用户各自在上一个时间窗口内参与联邦学习建模的次数；

根据所述多个用户各自的反馈数据、所述用户画像数据和所述多个用户各自在上一个时间窗口内参与联邦学习建模的次数，计算所述多个用户各自的索引值；所述索引值用于表征所述多个用户各自参与新一轮联邦学习的适合度值；

根据所述多个用户各自的索引值，邀请所述多个用户中满足预设条件的用户参与联邦学习。

在一种可能的设计中，根据所述多个用户各自的反馈数据、用户画像数据和所述多个用户各自在上一个时间窗口内参与联邦学习建模的次数，计算所述多个用户各自的索引值，包括：

根据所述多个用户各自的用户画像数据，确定所述多个用户各自的用户画像置信度；

根据所述多个用户各自的反馈数据、用户画像置信度和所述多个用户各自在上一个时间窗口内参与联邦学习建模的次数分别进行建模，计算得到所述多个用户各自的索引值。

在一种可能的设计中，根据所述多个用户各自的反馈数据、用户画像置信度和所述多个用户各自在上一个时间窗口内参与联邦学习建模的次数分别进行建模，计算得到所述多个用户各自的索引值，包括：