[发明专利]基于区块链的联邦聚合优化方法、装置及电子设备

权利要求书

1.一种基于区块链的联邦聚合优化方法，其特征在于，所述方法包括：

数据需求方向联盟区块链发布联邦学习任务，并将需求初始模型上传至所述联盟区块链；所述需求初始模型由所述数据需求方对初始模型进行第一本地训练后生成；

所述数据需求方将所述需求初始模型与参与初始模型进行聚合，生成聚合模型；所述参与初始模型由待测试的参与方对通过联盟区块链接收到的所述需求初始模型进行第二本地训练生成；

所述数据需求方对所述聚合模型进行训练，并判断训练后的所述聚合模型是否满足收敛条件，如果满足，则向所述参与方提供奖励。

2.根据权利要求1所述的基于区块链的联邦聚合优化方法，其特征在于，对所述聚合模型进行训练的步骤，包括：

数据需求方在参与方列表中随机选取任意一个参与方，并基于所述参与方上传的参与初始模型的参数进行训练，直至所有待测试的参与方选取完毕；所述参与方列表包括所有待测试的参与方。

3.根据权利要求2所述的基于区块链的联邦聚合优化方法，其特征在于，数据需求方随机选取任意一个待测试的参与方，并基于所述待测试的参与方上传的参与初始模型的参数进行训练的步骤，包括：

将当前所述待测试的参与方的所述参与初始模型与所述需求初始模型进行联邦聚合，生成第一聚合模型；

利用测试集对所述第一聚合模型进行测试，获取所述第一聚合模型的第一模型精度；

如果所述第一模型精度高于所述需求初始模型的模型精度，则将当前所述待测试的参与方标记为1；

如果所述第一模型精度不高于所述需求初始模型的模型精度，则将当前所述待测试的参与方剔除。

4.根据权利要求3所述的基于区块链的联邦聚合优化方法，其特征在于，还包括：

创建第一聚合列表，并将所述需求初始模型加入所述第一聚合列表；

基于所述第一模型精度和所述需求初始模型的模型精度，判断每个所述待测试的参与方对应的所述参与初始模型的模型提升精度；

将目标参与初始模型加入所述第一聚合列表，生成第二聚合列表；所述目标参与初始模型为所述模型提升精度最小的参与初始模型。

5.根据权利要求4所述的基于区块链的联邦聚合优化方法，其特征在于，还包括：

将当前剩余的参与方组成新的参与方列表；所述当前剩余的参与方包括：除所述目标参与初始模型的参与方以及剔除的参与方之外的所有待测试参与方；

在新的参与方列表中随机选取任意一个参与方，并将所述参与方对应的参与初始模型与所述第二聚合列表中的目标参与初始模型进行聚合。

6.根据权利要求5所述的基于区块链的联邦聚合优化方法，其特征在于，还包括：重复执行以下步骤，直至所有待测试的参与方均加入聚合列表：

基于所述第一模型精度和所述需求初始模型的模型精度，判断每个所述待测试的参与方对应的所述参与初始模型的模型提升精度；

将新的目标参与初始模型加入所述第二聚合列表，生成新的第二聚合列表；所述新的目标参与初始模型为，在新的参与方列表中所述模型提升精度最小的参与初始模型。

7.根据权利要求6所述的基于区块链的联邦聚合优化方法，其特征在于，还包括：

将最终的第二聚合列表内的所有模型进行联邦聚合，生成新的初始模型作为聚合优化模型。

8.一种基于区块链的联邦聚合优化装置，其特征在于，所述装置包括：

上传模块，用于数据需求方向联盟区块链发布联邦学习任务，并将需求初始模型上传至所述联盟区块链；所述需求初始模型由所述数据需求方对初始模型进行第一本地训练后生成；

第二模型生成模块，用于所述数据需求方将所述需求初始模型与参与初始模型进行聚合，生成聚合模型；所述参与初始模型由待测试的参与方通过联盟区块链接收到的对所述需求初始模型进行第二本地训练生成；

判断模块，用于所述数据需求方对所述聚合模型进行训练，并判断训练后的所述聚合模型是否满足收敛条件，如果满足，则向所述参与方提供奖励。