[发明专利]基于联邦学习的数据交互方法、装置、设备及存储介质

说明书

本申请提供了一种基于联邦学习的数据交互方法、装置、设备、存储介质及程序产品，所述方法包括：服务端设备接收客户端设备发送的携带有主任务数据交互请求；根据加密特征生成伪任务，加密特征是由参与联邦学习的至少一个客户端设备持有的本地特征进行加密处理得到的；基于主任务和伪任务构建并训练初始模型，得到全局模型；将全局模型发送至发送请求的目标客户端设备，以使目标客户端设备从全局模型中去除伪任务对应的伪任务子模型，得到主任务子模型。通过加入伪任务，改变训练模型结构，能够实现提高模型的安全性，防止模型被反向攻击导致私有数据泄露，从而提高客户端私有数据的保密性。

技术领域

本申请涉及人工智能技术领域，涉及但不限于一种基于联邦学习的数据交互方法、装置、设备、存储介质及程序产品。

背景技术

随着数字经济的发展，数字经济也演变成“数据经济”，其特点是数据本身成为了重要的生产要素，而数据的交易和流通要满足数据监管及保护数据隐私的要求。在数据安全领域，联邦学习作为一种新型的隐私保护数据交互方案，在数据不出本地的前提下，能有效联合各参与方(如企业)联合建模，从而实现“共同富裕”，成为当下人工智能领域备受关注的热点。

联邦学习的防御是联邦学习应用中非常重要的一环，虽然联邦学习具有“数据不动模型动，数据可用不可见”的特点，即能够保证在训练的过程中，私有数据不会离开客户端本地。但是，客户端将模型传输至服务端的过程中，模型参数的明文传输也有可能导致客户端私有数据被反向攻击，存在安全隐患。因此如何防止模型参数被窃取是防止客户端本地数据泄露亟需解决的问题之一。

发明内容

本申请实施例提供一种基于联邦学习的数据交互方法、装置、设备、计算机可读存储介质及计算机程序产品，基于多任务学习的防御策略能够提高联邦学习模型的安全性，防止模型的参数被反向攻击导致私有数据泄露，从而提高客户端私有数据的保密性。

本申请实施例提供一种基于联邦学习的数据交互方法，应用于服务端设备，所述方法包括：

接收客户端设备发送的数据交互请求，所述请求携带有主任务；

根据加密特征生成伪任务，所述加密特征是由参与联邦学习的至少一个客户端设备持有的本地特征进行加密处理得到的；

基于所述主任务和所述伪任务，构建并训练初始模型，得到全局模型；

将所述全局模型发送至目标客户端设备，以使所述目标客户端设备从所述全局模型中去除所述伪任务对应的伪任务子模型，得到主任务子模型，所述目标客户端设备为发送所述请求的客户端设备。

在一些实施例中，所述基于所述主任务和所述伪任务，构建并训练初始模型，得到全局模型，包括：

根据所述主任务和所述伪任务，构建多任务的初始模型，所述初始模型的特征和/或参数，不同于基于所述主任务构建的模型的特征和/或参数；

将所述初始模型发送至参与联邦学习的各客户端设备，以使所述各客户端设备分别对所述初始模型进行训练，得到训练好的本地模型；

接收所述各客户端设备发送的训练好的本地模型，并对各训练好的本地模型进行聚合处理，得到中间模型；

当所述中间模型符合预设收敛条件时，将所述中间模型确定为全局模型。

在一些实施例中，所述基于所述主任务和所述伪任务，构建并训练初始模型，得到全局模型，还包括：

当所述中间模型不符合预设收敛条件时，将所述中间模型发送至所述各客户端设备，以使所述各客户端设备分别对所述中间模型进行训练，得到更新后的本地模型；

接收所述各客户端设备发送的更新后的本地模型，并对各更新后的本地模型进行聚合处理，得到更新后的中间模型。