[发明专利]基于联邦学习的客户端贡献计算方法和装置

权利要求书

1.一种基于联邦学习的客户端贡献计算方法，其特征在于，包括：

获取联邦学习模型训练过程中若干客户端执行模型训练后回传的迭代模型，所述迭代模型为客户端使用本地数据进行一轮模型训练后获得的模型；

根据所述若干客户端执行模型训练后回传的迭代模型，分别计算出各客户端当前训练轮次对应的贡献值并记录于训练记录表中，所述训练记录表中包含有联邦学习模型训练过程中各客户端每一训练轮次对应的贡献值；

从所述训练记录表中提取所有属于目标客户端的贡献值并进行求和处理，以生成所述目标客户端在此次联邦学习模型训练过程中的总贡献值。

2.根据权利要求1所述的基于联邦学习的客户端贡献计算方法，其特征在于，根据所述若干客户端执行模型训练后回传的迭代模型，分别计算出各客户端当前训练轮次对应的贡献值的步骤，包括：

将所述若干客户端执行模型训练后回传的迭代模型聚合更新到联邦学习模型中获得第一全局模型，计算出所述第一全局模型的性能分值；

通过排除目标客户端的迭代模型，将其余各客户端的迭代模型聚合更新到联邦学习模型中获得第二全局模型，计算出所述第二全局模型的性能分值；

将所述第一全局模型的性能分值与所述第二全局模型的性能分值进行比较，获得所述客户端当前训练轮次对应的贡献值，所述目标客户端为所述若干客户端中的任一客户端。

3.根据权利要求2所述的基于联邦学习的客户端贡献计算方法，其特征在于，将所述第一全局模型的性能分值与所述第二全局模型的性能分值进行比较，获得所述客户端当前训练轮次对应的贡献值的步骤中，客户端当前训练轮次对应的贡献值由以下关系式进行推算获得：

其中，表示为经过第r轮次训练后更新所有客户端迭代模型所获得的全局模型的性能分值，表示为经过第r轮次训练后更新除了目标客户端i以外的所有客户端迭代模型所获得的全局模型的性能分值，c表示为参与联邦学习模型训练过程的客户端数量。

4.根据权利要求3所述的基于联邦学习的客户端贡献计算方法，其特征在于，从所述训练记录表中提取所有属于目标客户端的贡献值并进行求和处理，以生成所述目标客户端在此次联邦学习模型训练过程中的总贡献值的步骤中，目标客户端在此次联邦学习模型训练过程中的总贡献值由以下关系式进行推算获得：

或

其中，表示为经过第r轮次训练后更新所有客户端迭代模型所获得的全局模型的性能分值，表示为经过第r轮次训练后更新除了目标客户端i以外的所有客户端迭代模型所获得的全局模型的性能分值，c表示为参与联邦学习模型训练过程的客户端数量，r_end是联邦学习任务结束时的模型训练进行的轮数。

5.根据权利要求1所述的基于联邦学习的客户端贡献计算方法，其特征在于，获取联邦学习模型训练过程中若干客户端执行模型训练后回传的迭代模型的步骤，包括：

获取联邦学习模型训练任务，所述训练任务中包含有初始化训练模型以及任务配置参数；

将所述初始化训练模型下发至若干客户端中分别进行训练，使所述若干客户端执行模型训练后回传迭代模型，其中，所述若干客户端的选择和数量根据所述任务配置参数设定。

6.根据权利要求5所述的基于联邦学习的客户端贡献计算方法，其特征在于，将所述初始化训练模型下发至若干客户端中分别进行训练，使所述若干客户端执行模型训练后回传迭代模型的步骤，还包括：

触发所述若干客户端各自识别自身在当前训练轮次执行模型训练时所使用的计算数据量信息以及基站分配信道的带宽和传输功率信息；

在使所述若干客户端执行模型训练后回传迭代模型时，将识别到的客户端自身在当前训练轮次执行模型训练时所使用的计算数据量信息以及基站分配信道的带宽和传输功率信息一并进行回传。