[发明专利]基于联邦少样本网络模型的分类方法、系统及电子设备

说明书

本发明公开了一种基于联邦少样本网络模型的分类方法、系统及电子设备。该方法包括：服务端获取待分类图像，对各个客户端发起判定请求；每个客户端根据判定请求，对自身状态参数判定后反馈是否能参加分类任务的响应信号给服务端；服务端根据反馈的响应信号，将待分类图像分发给可以参加分类任务的目标客户端；各个目标客户端将待分类图像输入各自预先训练的少样本网络模型进行分类，得到第一分类结果；服务端对第一分类结果汇总整理，输出第二分类结果。本发明利用多个只需少量标签数据的客户端的模型，解决了现有机器学习中数据隐私容易被恶意攻击、污染的问题，以及需要大量标签数据的问题，且具有良好的分类精确度和分类置信度。

技术领域

本发明属于机器学习技术领域，具体涉及一种基于联邦少样本网络模型的分类方法、系统及电子设备。

背景技术

近年来人工智能发展非常迅速，但缺乏标签数据和数据隐私威胁仍然是人工智能领域面临的两个挑战。一方面，由于数据的价值以及敏感性，出于公司利润的原因或保护用户隐私的角度，大多数行中的数据仍以孤岛的形式存在，数据难以得到分享；另一方面，机器学习所需的标记数据很难获得，缺少标签数据或者标签数据很少的情况普遍存在；此外，攻击者会通过给定模型的一些输出数据推导出输入数据，甚至可能恢复原本训练所用的数据集，从而窃取数据，造成隐私数据泄密。因此，急需一种需要少量的标签数据且能有效保护隐私数据的模型框架，以应用于标签数据少、安全性要求高的人工智能领域。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于联邦少样本网络模型的分类方法、系统及电子设备。本发明要解决的技术问题通过以下技术方案实现：

第一方面，本发明实施例提供了一种基于联邦少样本网络模型的分类方法，包括：

服务端获取待分类图像，对各个客户端发起是否能参加分类任务的判定请求；

每个客户端根据所述判定请求，对自身状态参数判定后反馈是否能参加分类任务的响应信号给所述服务端；

所述服务端根据各个客户端反馈的响应信号，将所述待分类图像分发给可以参加分类任务的目标客户端；

各个目标客户端将所述待分类图像输入各自预先训练的少样本网络模型进行分类，得到第一分类结果；并将所述第一分类结果上传至所述服务端；所述少样本网络模型包括小样本网络模型和半监督网络模型中的至少一种；

所述服务端对各个目标客户端的第一分类结果汇总整理，输出第二分类结果。

可选的，在输出第二分类结果之前还包括：

所述服务端对汇总整理后的第一分类结果进行差分隐私保护。

可选的，所述预先训练的少样本网络模型的训练方法，包括：

所述客户端下载公共数据，并整合所述公共数据和所述客户端自身的私有数据，得到模型训练参数；所述公共数据存储于所述服务端或独立于所述服务端之外的公共存储装置上；

所述客户端将所述模型训练参数输入所述客户端的少样本网络模型，生成所述预先训练的少样本网络模型。

第二方面，本发明实施例提供了一种基于联邦少样本网络模型的分类方法，应用于客户端，所述方法包括：

客户端接收是否能参加分类任务的判定请求，对自身状态参数判定后反馈是否能参加分类任务的响应信号给服务端；所述是否能参加分类任务的判定请求由所述服务端发起；

接收待分类图像，并将其输入预先训练的少样本网络模型进行分类后输出第一分类结果；并将所述第一分类结果上传至所述服务端；所述少样本网络模型包括小样本网络模型和半监督网络模型中的至少一种；所述待分类图像由所述服务端根据所述响应信号分发。

可选的，所述预先训练的少样本网络模型的训练方法，包括：