[发明专利]一种同构智能车间之间的联邦学习数据处理算法

说明书

本发明公开了一种同构智能车间之间的联邦学习数据处理算法，利用获取的公钥对两个使用方服务器进行加密和模型预训练，并将得到的梯度值和损失值汇总上传至供货方服务器；利用所述供货方服务器进行依次尺度一致化和小波变换，去掉高频系数，经过小波逆变换重构得到新的梯度矩阵和二维矩阵；然后随机抽取样本，计算对应的置信度值和收益值，同时利用所述置信度值计算出对应的梯度值，解密后回传至所述第一使用方服务器和所述第二使用方服务器，进行对应的模型参数更新，直至损失函数收敛，有效的降低数据学习中的噪声，提高学习的效果。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种同构智能车间之间的联邦学习数据处理算法。

背景技术

随着工业智能化的程度不断加深，在单独的智能生产设备的基础上，出现了智能车间的概念。智能车间能够通过车间管理系统(MES)或者企业管理系统(ERP)，快速响应不同的生产任务，依据各个生产单元的特性优化生产流程，成为很多生产制造企业所需的整体打包的服务体系。

在供货方给多个使用方提供了多个结构相同(整体相同，可以有模块删减)的智能车间后，经过平时的长期应用，这些随时间积累的数据可以对整体智能车间提供进一步控制模型优化的信息。如果整合所有数据的学习的话，能够获得比单独学习更好的控制模型，但是现实的问题是多方数据之间却又是不能共享的。所以在此，人们提出了联邦学习的概念，用于解决这一数据学习问题。在现有的联邦学习的模型信息传输的内容上，主要是模型迭代梯度，联邦学习是在供货方的服务器端，获得每个使用方的模型内参数的变化的梯度，而不是直接参与学习的原始数据，在通过所有使用方的每次迭代学习的梯度的条件下，学习和反馈信息给所有使用方，达到一个比所有使用方的更优的控制模型。

基于模型迭代梯度的学习方法存在一个问题，就是梯度本身是一个一阶函数，对数据中的噪声十分敏感，而智能车间中生产时的数据会包含很多噪声，例如智能设备在损坏维修时的时延就是一种椒盐噪声；力传感器传输回数据时，数据中会存在高斯时延，工人操作时的错误，这些都是数据上的噪声，这些噪声原本在0阶时就已经严重影响了模型，现在变成一阶模型后，会更加极端的影响数据的可靠性。更加影响了每次学习迭代过程中，从供货端回传控制参数给使用方端的数据的可靠性，从而严重影响训练出的控制模型的效能。

发明内容

本发明的目的在于提供一种同构智能车间之间的联邦学习数据处理算法，有效的降低数据学习中的噪声，提高学习的效果。

为实现上述目的，本发明提供了一种同构智能车间之间的联邦学习数据处理算法，包括：

利用获取的公钥对两个使用方服务器进行加密和模型预训练；

对训练得到的数据进行尺度一致化、小波变换和小波逆变换；

根据小波逆变换结果得到对应的置信度值和收益值；

计算出两个所述使用方服务器的训练梯度值并解密回传，直至损失函数收敛。

其中，利用获取的公钥对两个使用方服务器进行加密和模型预训练，包括：

利用加密技术掩蔽公共共享样本集，并利用获取的公钥对第一使用方服务器和第二使用方服务器计算出的梯度值进行加密，同时根据标签数据，计算出对应的损失值，并汇总上传至供货方服务器。

其中，对训练得到的数据进行尺度一致化、小波变换和小波逆变换，包括：

判断所述第一使用方服务器和所述第二使用方服务器计算出的梯度值中的特征维度的大小，并用零将两个特征维度填充至相同大小后，将尺度一致化后的梯度矩阵和二维矩阵进行小波分解去噪。

其中，对训练得到的数据进行尺度一致化、小波变换和小波逆变换，还包括：