[发明专利]机器学习模型的训练方法、装置、电子设备及存储介质

说明书

本申请提供了一种机器学习模型的训练方法、装置；方法包括：基于共享样本集以及训练方设备的私有样本集，对训练方设备的机器学习模型进行训练，得到训练后的机器学习模型；基于共享样本集，调用训练后的机器学习模型进行预测处理，得到预测值集合；向服务方设备发送预测值集合，预测值集合用于供服务方设备结合其他训练方设备发送的预测值集合进行融合处理，得到融合值集合；接收服务方设备发送的融合值集合，并根据融合值集合更新共享样本集；更新后的共享样本集与私有样本集，用于供训练方设备对机器学习模型进行下一轮的训练。通过本申请，能够充分利用多方样本数据减少模型训练耗时，提升模型训练效率。

技术领域

本申请涉及人工智能技术，尤其涉及一种机器学习模型的训练方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

背景技术

人工智能(Artificial Intelligence，AI)涉及领域广泛，并发挥越来越重要的价值。机器学习作为人工智能的技术子集，在多个应用领域取得了突破性成果，尤其是在金融领域，能够基于有限的用户数据来预测用户信用，从而为相关业务的开展提供重要依据，以规避金融风险。

以联邦学习为例，是一种基于数据隐私保护技术实现的分布式训练范式，它能保证训练数据在不出本地的前提下，联合多个参与方共同训练一个全局的共享模型。然而，由于共享全局模型，每个参与方只能使用统一的模型结构。但在很多应用场景中，每个参与方要解决的问题可能不相同，需要的模型也不同，相关技术提供的联邦学习训练方案，无法满足各参与方训练个性化机器学习模型的需求。

发明内容

本申请实施例提供一种机器学习模型的训练方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够满足训练方设备训练个性化机器学习模型的需求，并且能够充分利用多方样本数据减少模型训练耗时，提升模型训练效率。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种机器学习模型的训练方法，应用于训练方设备，包括：

基于共享样本集以及所述训练方设备的私有样本集，对所述训练方设备的机器学习模型进行训练，得到训练后的所述机器学习模型；

基于所述共享样本集，调用训练后的所述机器学习模型进行预测处理，得到预测值集合；

向服务方设备发送所述预测值集合，所述预测值集合用于供所述服务方设备结合其他训练方设备发送的预测值集合进行融合处理，得到融合值集合；

接收所述服务方设备发送的所述融合值集合，并根据所述融合值集合更新所述共享样本集；其中，更新后的所述共享样本集与所述私有样本集，用于供所述训练方设备对所述机器学习模型进行下一轮的训练。

本申请实施例提供一种机器学习模型的训练装置，包括：

训练模块，用于基于共享样本集以及所述训练方设备的私有样本集，对所述训练方设备的机器学习模型进行训练，得到训练后的所述机器学习模型；

预测模块，用于接收各所述训练方设备发送的对应所述共享样本集的共享预测值；并对所述共享预测值进行融合处理，得到与各所述共享样本对应的融合值；

第一发送模块，用于向服务方设备发送所述预测值集合；其中，所述预测值集合用于供所述服务方设备结合其他训练方设备发送的预测值集合进行融合处理，得到融合值集合；

接收模块，用于接收所述服务方设备发送的所述融合值集合，并根据所述融合值集合更新所述共享样本集；其中，更新后的所述共享样本集与所述私有样本集，用于供所述训练方设备对所述机器学习模型进行下一轮的训练。

上述方案中，所述接收模块，还用于针对所述共享样本集中每个共享样本执行以下处理：

获取所述融合值集合与所述共享样本对应的融合值，基于所述融合值替换所述共享样本的标签。