[发明专利]一种面向数据流通的联邦学习忘却机制及方法

权利要求书

1.一种面向数据流通的联邦学习忘却机制及方法，其特征在于，该方法包括如下步骤：

步骤一：通过联邦学习框架训练数据，生成局部模型，以局部模型代替数据在市场中直接流通，实现数据在市场中的隐式流动；然后在服务器内进行模型聚合，生成全局模型；

步骤二：基于面向质量的任务分配算法QTA建立买方市场，数据卖方将其预算发送到服务器，计算销售价格返回给买方选择；如果付款，该交易将被记录，视为加入联邦合作；

步骤三：通过基于夏普利值奖励机制计算参与方对全局模型的贡献度，进而计算该参与方的奖金分配；

步骤四：当用户要求退出市场并撤回数据时，服务器通过惩罚机制对模型的影响进行计算，以确定赔偿金的金额；

步骤五：对于要退出市场的目标用户，采用逆转联邦学习的忘却机制进行数据撤销。

2.根据权利要求1所述的一种面向数据流通的联邦学习忘却机制及方法，其特征在于，所述步骤一的具体步骤如下：

1.1请求者向数据交易市场发出交易请求，交易市场受理请求者的购买需求；

1.2交易市场中的数据在不同的设备中分布式地训练成本地模型；

1.3生成的本地模型经由数据交易市场中的服务器，将局部模型聚合为全局模型；

1.4将该全局模型出售给请求者。

3.根据权利要求1或2所述的一种面向数据流通的联邦学习忘却机制及方法，其特征在于，所述步骤二的过程如下：

2.1请求者对它的任务有一个预算，每个具有合适数据的设备在接收请求后都将生成一个预期的销售价格，所有设备所生成的销售价格将构成一组可供选择的销售价格；

2.2销售价格更新：根据请求者的预算，每个设备生成数据的销售价格，并将该数据价格和此设备所具有的数据量，发送到服务器中，服务器对这些销售价格进行重新计算，从而进行销售价格更新；

2.3服务器向买方报价：服务器更新销售价格，并得到一个销售价格向量，向买方发起报价，供买方进行选择；销售价格更新的计算方式为将数据传输的费用加入到最终的模型成本中；服务器的利润是计算设备的单位数据量付款和单位数据价格之间的差额减去传输成本乘以交易数据总量；

2.4请求者贪婪选择：服务器根据销售价格向量，为请求者采用贪婪策略选择设备，直到请求者的预算耗尽；

贪婪策略具体如下：服务器在生成了销售价格向量后，在发起者的给定预算下，每次都优先为请求者选择价格最低的数据模型，随后将该数据的价格从销售价格中删去，更新请求者的预算，再重新进行价格最低的数据模型的选择，循环往复，直至请求者的预算耗尽。

4.根据权利要求1或2所述的一种面向数据流通的联邦学习忘却机制及方法，其特征在于，所述步骤三中，奖励机制的过程如下：

通过夏普利值来评估多方用户在联邦学习中所做出的贡献度，并依据各方贡献度来合理分配励，利用夏普利值计算各方用户的公式如下：

其中，π∈Π为所有参与方的一种排列，为排列π中排在之前的参与方组合；v为价值函数；参与方i的夏普利值理解为i在所有加入联邦次序下的边际贡献期望，即枚举所有可能加入联邦顺序下参与方i给联邦带来的期望价值增益作为i对联邦的贡献，通过该贡献，即可搭建奖励机制，若总的各方贡献度为Φ，第i个参与方的贡献度为φ_i，整个数据流通交易市场金额为O，那么第i个用户的奖励为：

其中φ_i为该参与方的贡献度评分，且满足：

参与方加入联邦合作过程为：参与方提交申请，市场进行计算现有各参与方总贡献值，接着利用夏普利值计算当参与方数据加入市场后其独自的贡献度，接着按其占比乘以总的奖金即为该参与方加入市场后所获得的奖励。