[发明专利]一种基于众包方式和激励机制的联邦学习系统

说明书

本发明公开了一种基于众包方式和激励机制的联邦学习系统，包括：基础数据层，用于存储联邦学习系统的数据；业务响应层，用于响应于系统用户的任务请求，根据任务请求采用众包方式进行所述联邦学习系统的任务管理，系统用户包括任务发布者和任务参与者；辅助训练层，用于根据激励机制辅助联邦学习系统的联邦学习全局模型训练，激励机制包括任务分配机制、声誉机制和奖励机制；用户交互层，用于支撑系统用户与联邦学习系统的交互，实现用户操作与数据结果的可视化。本发明能够对参与者、任务以及训练策略进行统一管理，并通过设计的激励机制鼓励数据拥有者持续参与联邦学习任务，可广泛应用于联邦学习技术领域。

技术领域

本发明涉及联邦学习技术领域，尤其是一种基于众包方式和激励机制的联邦学习系统。

背景技术

过去几年，我们见证了人工智能的飞速发展。训练人工智能模型需要十分庞大的数据，为了获取足量的数据，传统的方式是收集数据，并将数据传输至一个具有高性能的中心点建立模型。然而，这种方式近来以不再适用。随着人工智能在各行各业的应用落地，人们对于用户隐私和数据安全的关注度不断提高。数据拥有者只允许数据保存在自己手中，这样数据便成为了各自孤立的孤岛，使得传统的人工智能模型难以得到有效训练。

针对隐私保护和数据孤岛问题，谷歌于2016年率先提出联邦学习，用于智能手机上的语言预测模型的更新。联邦学习解决以上问题的方法为：由每一个数据拥有者训练一个模型，之后让各个数据拥有者的模型彼此交流，最终通过模型聚合得到一个全局模型。联邦学习架构由协调方(训练全局模型)和参与方(训练本地模型)两部分构成。在整个联邦学习过程中，参与方只上传本地模型的参数，并不将原始数据发送至服务器，因此数据可以不出本地,只需将模型更新传输到服务器进行聚合,实现全局模型的更新，但是目前没有成熟的系统能够有效调动并管理各方数据拥有者支撑联邦学习。

发明内容

有鉴于此，本发明实施例提供一种基于众包方式和激励机制的联邦学习系统，能够对参与者、任务以及训练策略进行统一管理，并通过设计的激励机制鼓励数据拥有者持续参与联邦学习任务。

本发明实施例的第一方面提供了一种基于众包方式和激励机制的联邦学习系统，包括：

基础数据层，用于存储联邦学习系统的数据；

业务响应层，用于响应于系统用户的任务请求，根据所述任务请求采用众包方式进行所述联邦学习系统的任务管理，所述系统用户包括任务发布者和任务参与者；

辅助训练层，用于根据激励机制辅助所述联邦学习系统的联邦学习全局模型训练，所述激励机制包括任务分配机制、声誉机制和奖励机制；

用户交互层，用于支撑所述系统用户与所述联邦学习系统的交互，实现用户操作与数据结果的可视化。

可选地，所述基础数据层，包括：

用户信息数据库，用于存储所述联邦学习系统的用户信息数据；

任务信息数据库，用于存储所述联邦学习系统的任务信息数据；

模型测试结果数据库，用于存储任务所述任务请求中各个任务标定的所述联邦学习全局模型的测试结果数据；

训练策略数据库，用于存储所述任务请求中各个任务聚合模型参数的策略数据。

可选地，所述业务响应层，包括：

任务发布与接收模块，用于支撑所述任务发布者发布联邦学习任务和所述任务参与者接收联邦学习任务；

任务市场模块，用于支撑所述任务参与者和所述任务发布者进行任务搜寻；

任务管理模块，用于支撑所述任务发布者进行任务管理，所述任务管理包括任务信息处理、任务数据下载和奖励支付处理；