[发明专利]基于联邦学习的模型训练方法、装置、系统、设备和介质

说明书

本发明实施例涉及一种基于联邦学习的模型训练方法、装置、系统、设备和介质，具体涉及人工智能/机器学习技术领域，方法包括：基于本地数据对本地模型进行训练，将训练后的本地模型算法参数发送给公有云端服务器，以使所述公有云端服务器验证是否需要采用所接收的所述算法参数更新联合模型算法参数；接收所述公有云端服务器推送的更新后的联合模型算法参数；若验证需要采用所接收的所述联合模型算法参数更新本地模型，则将本地模型算法参数更新为所接收的联合模型算法参数。本发明实施例的技术方案能够在保证工业数据安全的同时，保证了模型训练的效果。

技术领域

本发明实施例涉及人工智能技术领域，具体涉及一种基于联邦学习的模型训练方法、装置、系统、电子设备、及存储介质。

背景技术

工业数据是工业信息化的核心，尤其是制造业企业在生产运营中对工业数据有着高度的依赖，例如工艺参数、设备运行数据、生产数据等一系列工业数据是影响制造生产的关键数据，这些数据的安全直接关系到制造生产线的稳定运行，数据的丢失、恶意篡改或者错误都会导致整条产线的停产，对工业生产造成巨大的损失。此外，关乎国计民生的关键企业，工业数据的外泄也会影响到国家安全。出于对工业数据的保护，制造企业出于数据安全的考虑，对外不共享也不传输数据，导致数据孤岛形成，这成为当前人工智能技术在工业场景落地和持续优化的挑战。在工业智能化过程中，如何有效的既保护数据安全也能够使用充足的数据量进行模型训练，解决人工智能模型持续优化的问题成为制造业技术发展的关键所在。

为保障工业企业数据安全，目前大多采用私有云方案，数据不出厂，数据安全可靠，但由于数据不开放，不共享，导致工业数据分散，优质数据少，影响了数据模型训练和优化，不足以支撑人工智能技术落地实现。

发明内容

有鉴于此，本发明实施例提供一种基于联邦学习的模型训练方法、装置、电子设备、及存储介质，以在保证工业数据安全的同时，保证了模型训练的效果。

本发明实施例的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明实施例的实践而习得。

在本公开的第一方面，本发明实施例提供了一种基于联邦学习的模型训练方法，由各私有云端服务器执行，包括：

基于本地数据对本地模型进行训练，将训练后的本地模型算法参数发送给公有云端服务器，以使所述公有云端服务器验证是否需要采用所接收的所述算法参数更新联合模型算法参数；

接收所述公有云端服务器推送的更新后的联合模型算法参数；

若验证需要采用所接收的所述联合模型算法参数更新本地模型，则将本地模型算法参数更新为所接收的联合模型算法参数。

于一实施例中，验证是否需要采用所接收的所述联合模型算法参数更新本地模型包括：

采用先验数据集计算本地模型的效果指标得到第一指标值；

将本地模型算法参数替换为所接收的所述联合模型算法参数后，采用所述先验数据集计算替换算法参数后的本地模型的效果指标得到第二指标值；

根据所述第一指标值和所述第二指标值的大小确定是否需要采用所接收的所述联合模型算法参数更新本地模型。

于一实施例中，所述公有云端服务器验证是否需要采用所接收的所述算法参数更新联合模型算法参数包括：

采用先验数据集计算联合模型的效果指标得到第三指标值；

将联合模型的算法参数替换为所接收的所述本地模型算法参数后，采用所述先验数据集计算替换算法参数后的联合模型的效果指标得到第四指标值；

根据所述第三指标值和所述第四指标值的大小确定是否需要采用所接收的所述本地模型算法参数更新联合模型。

于一实施例中，所述效果指标包括准确率和/或召回率。