[发明专利]纵向联邦学习的学习模式参数更新方法和电子装置

权利要求书

1.一种纵向联邦学习的学习模式参数更新方法，其特征在于，包括：

发起方在区块链中发布学习任务，所述区块链中的节点对所述学习任务完成共识；

所述发起方获取与所述学习任务对应的参与方，并将所述参与方的信息上链，所述区块链中的节点对所述参与方的信息完成共识；

所述发起方和所述参与方确定学习模式，并由所述发起方将所述学习模式上链；

在所述区块链中的节点对所述学习模式完成共识之后，所述区块链向所述发起方和所述参与方返回训练开始信号。

2.根据权利要求1所述的纵向联邦学习的学习模式参数更新方法，其特征在于，在所述发起方具有与所述学习任务对应的总模型，且仅需要所述参与方的数据特征的情况下，所述学习模式包括：

所述发起方将所述学习任务拆分得到多个并行的分布式学习任务，并根据所述参与方的数据特征将所述分布式学习任务分配至不同的所述参与方执行。

3.根据权利要求1所述的纵向联邦学习的学习模式参数更新方法，其特征在于，在所述发起方具有与所述学习任务对应的总模型，且需要所述参与方的子模型和数据的情况下，所述学习模式包括：

每个成员方的本地训练结果作为隐藏信息，其中，所述成员方包括所述发起方和所述参与方；

每个所述成员方将所有的所述隐藏信息再次进行机器学习训练，得到所述总模型的参数。

4.根据权利要求1所述的纵向联邦学习的学习模式参数更新方法，其特征在于，在所述发起方具有与所述学习任务对应的总模型，且需要所述参与方的数据特征和子模型的情况下，所述学习模式包括：

所述发起方将所述学习任务拆分得到多个并行的分布式学习任务，并根据所述参与方的数据特征将所述分布式学习任务分配至不同的所述参与方执行，得到初始学习模型；

所述发起方将所述初始学习模型作为所述发起方的子模型，并根据所述子模型获取本地训练结果；

每个成员方的本地训练结果作为隐藏信息，每个所述成员方将所有的所述隐藏信息再次进行机器学习训练，得到所述总模型的参数，其中，所述成员方包括所述发起方和所述参与方。

5.根据权利要求1所述的纵向联邦学习的学习模式参数更新方法，其特征在于，在所述发起方不具有与所述学习任务对应的总模型的情况下，所述学习模式还包括：

每个成员方在对应成员方本地将训练结果输入基准模型进行融合，获取融合度，其中，所述成员方包括所述发起方和所述参与方；

在所述融合度大于或者等于融合阈值的情况下，每个所述成员方将所有所述成员方的训练结果输入上级训练模型进行训练。

6.根据权利要求1所述的纵向联邦学习的学习模式参数更新方法，其特征在于，所述发起方获取与所述学习任务对应的参与方包括以下至少之一：

所述发起方根据所述任务信息中的任务需求，获取所述参与方；

所述发起方获取申请信息，将所述申请信息对应的申请方作为所述参与方。

7.根据权利要求6所述的纵向联邦学习的学习模式参数更新方法，其特征在于，所述发起方获取申请信息，将所述申请信息对应的申请方作为所述参与方之后包括：

所述发起方对所述参与方的数据和数据特征进行清洗和审核，剔除所述数据和/或数据特征与所述任务需求不一致的参与方。

8.根据权利要求6所述的纵向联邦学习的学习模式参数更新方法，其特征在于，所述发起方获取申请信息，将所述申请信息对应的申请方作为所述参与方之后还包括：

所述发起方和所述参与方对各自的数据进行加密，所述发起方剔除加密后所述数据与所述任务需求不一致的参与方。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的纵向联邦学习的学习模式参数更新方法。

10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至8中任一项所述的纵向联邦学习的学习模式参数更新方法。