[发明专利]基于联邦学习的用户数据分类方法、装置、设备及介质

权利要求书

1.一种基于联邦学习的用户数据分类方法，其特征在于，包括：

获取训练数据，通过所述训练数据训练本地模型，并基于每个训练循环期间所述本地模型的权重矩阵的变化梯度，生成梯度矩阵；

计算所述梯度矩阵的通道的欧几里得范数，得到计算结果，并将所述计算结果以张量的形式进行保存；

将预先设定的上载速率的作为通道选择阈值，从所述计算结果中，选择符合所述通道选择阈值的通道，作为目标通道，并将所述目标通道中的梯度矩阵作为目标梯度矩阵，其中，所述通道对应有所述训练数据的处理生成后的梯度矩阵；

选择参数非零的所述目标梯度矩阵，作为服务器的权重；

根据所述服务器的权重，对所述本地模型进行更新,得到更新后的本地模型；

基于所述更新后的本地模型，对用户数据进行分类。

2.根据权利要求1所述的基于联邦学习的用户数据分类方法，其特征在于，所述获取训练数据，通过所述训练数据训练本地模型，并基于每个训练循环期间所述本地模型的权重矩阵的变化梯度，生成梯度矩阵包括：

获取用户数据，并对所述用户数据进行解析，得到本地模型的通用用户，并获取所述通用用户的对应数据，作为所述训练数据；

通过所述训练数据训练本地模型，并基于每个训练循环期间所述本地模型的权重矩阵的变化梯度，生成得到梯度矩阵。

3.根据权利要求1所述的基于联邦学习的用户数据分类方法，其特征在于，所述将预先设定的上载速率的作为通道选择阈值，从所述计算结果中，选择符合所述通道选择阈值的通道，作为目标通道，并将所述目标通道中的梯度矩阵作为目标梯度矩阵包括：

将所述计算结果转化为一阶张量的形式，并将所述计算结果进行排序，得到排序结果；

计算所述预先设定的上载速率的分位数，得到上载速率的分位数；

将所述上载速率的分位数作为通道选择阈值，选择所述排序结果中符合所述通道选择阈值的通道，作为目标通道；

获取所述目标通道中的梯度矩阵，并将所述目标通道中的梯度矩阵作为所述目标梯度矩阵。

4.根据权利要求3所述的基于联邦学习的用户数据分类方法，其特征在于，所述将所述分位数结果作为通道选择阈值，选择所述排序结果中符合所述通道选择阈值的通道，作为目标通道包括：

在所述排序结果中，选择高于所述上载速率的分位数且其他参数为零的通道，作为所述目标通道。

5.根据权利要求1至4任一项所述的基于联邦学习的用户数据分类方法，其特征在于，所述根据所述服务器的权重，对所述本地模型进行更新包括：

将所述服务器的权重传送到本地模型中，并通过服务器的权重对所述梯度矩阵进行更新，得到更新矩阵；

通过所述更新矩阵对所述本地模型进行更新。

6.根据权利要求5所述的基于联邦学习的用户数据分类方法，其特征在于，在所述将所述服务器的权重传送到本地模型中，并通过服务器的权重对所述梯度矩阵进行更新，得到更新矩阵之前，所述方法包括：

通过线性整流函数对本地模型的隐藏层进行激活，与S形函数对本地模型的输出层进行激活，构建人工神经网络；

通过所述人工神经网络对连接层的神经元进行死亡率的预测，其中，每两个神经元间的连接都代表一个对于通过所述连接层的服务器的权重。

7.根据权利要求1所述的基于联邦学习的用户数据分类方法，其特征在于，将所述训练数据存储于区块链中。