[发明专利]基于联邦学习模型的视图显示方法、装置、设备及介质

说明书

本发明公开了一种基于联邦学习模型的视图显示方法、装置、设备及介质，涉及金融科技领域，所述基于联邦学习模型的视图显示方法包括以下步骤：获取横向联邦学习模型迭代训练过程中，所述横向联邦学习模型对应各客户端的运行数据；根据所述运行数据构建所述横向联邦学习模型对应的可视视图，并确定所述横向联邦学习模型的训练进程；根据所述训练进程确定所述可视视图中显示的内容。本发明提高了横向联邦学习模型训练的成功率，以及提高了训练所得的横向联邦学习模型识别数据的准确率。

技术领域

本发明涉及金融科技(Fintech)的联邦学习技术领域，尤其涉及一种基于联邦学习模型的视图显示方法、装置、设备及介质。

背景技术

随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，人工智能技术也不例外，但由于金融行业的安全性、实时性要求，也对人工智能技术提出的更高的要求。

传统机器学习采用集中式的方法，将来源不同的数据聚合在一台计算机或数据中心进行训练，然而，这种集中式传统的机器学习方法容易暴露数据隐私，用户不得不通过共享个人的数据来牺牲自己的隐私，以训练更好的机器学习模型。近年来，联邦学习(Federated Learning)使得用户能够协作训练机器学习模型，同时保留自身的数据，特别是包含私人信息的隐私数据留在本地，在这种情况下，用户可以从训练好的机器学习模型中获益，也无需共享其敏感的个人数据。目前，联邦学习中的横向联邦学习(HorizontalFederated Learning)的重点是不同的客户端的数据集拥有相同的特征空间，但数据样本不同，横向联邦学习的运行机制更类似于一个分布式的学习框架，并且使用了安全聚合的方案来保护用户的隐私。

虽然联邦学习在工业应用和医疗应用等方面表现良好，但联邦学习的实践者在尝试在他们自己的场景中进行联合建模时遇到了以下问题：(1)可供查看的数据有限，在传统的集中式机器学习框架中，数据中心或服务端几乎了解整个系统的一切，但横向联邦学习框架由于其数据隐私机制的设计，既无权访问客户端的数据，也无法完全控制客户端的行为。因此，诸如客户端数据中的恶意信息之类的潜在风险对联邦学习服务器是不可见的，并且可能会对联邦学习服务器造成意外的结果，从而降低了横向联邦学习模型训练的成功率，且会导致训练所得的横向联邦学习模型识别数据的准确率低下。

由此可知，目前在训练横向联邦学习模型过程中，成功率低，且训练所得的横向联邦学习模型识别数据的准确率低下。

发明内容

本发明的主要目的在于提供一种基于联邦学习模型的视图显示方法、装置、设备及介质，旨在解决现有的在训练横向联邦学习模型过程中，成功率低，且训练所得的横向联邦学习模型识别数据的准确率低下的技术问题。

为实现上述目的，本发明提供一种基于联邦学习模型的视图显示方法，所述基于联邦学习模型的视图显示方法包括步骤：

获取横向联邦学习模型迭代训练过程中，所述横向联邦学习模型对应各客户端的运行数据；

根据所述运行数据构建所述横向联邦学习模型对应的可视视图，并确定所述横向联邦学习模型的训练进程；

根据所述训练进程确定所述可视视图中显示的内容。

可选地，所述运行数据至少包括以下一种：客户端标识、各次迭代训练的开始时间戳、客户端对应的训练样本数量、本地模型对应的损失值、各客户端通过本地数据训练本地模型的开始时间点和结束时间点，所述可视视图包括概览视图；

所述根据所述运行数据构建所述横向联邦学习模型对应的可视视图的步骤包括：

对所述运行数据进行可视化编码，得到可视化后的运行数据；

根据可视化后的运行数据构建所述横向联邦学习模型对应的概览视图。