[发明专利]基于联邦学习的样本选择方法、系统、电子设备及介质

权利要求书

1.一种基于联邦学习的样本选择方法，所述方法应用于参加联邦学习的服务器，所述服务器与多个子设备通信连接，其特征在于，所述方法包括：

获取训练任务样本，其中，所述训练任务样本包括样本子集，所述训练任务样本由对所述子设备采集到的初始样本集划分得到；

基于预设的联邦学习算法将所述训练任务样本发送至每个所述子设备进行局部更新，得到局部损失函数；

基于预设的梯度下降算法对所述局部损失函数进行计算，得到预测损失函数；

根据所述样本子集对所述预测损失函数进行迭代，得到所述联邦学习的模型参数；

根据所述模型参数对所述样本子集进行选择，得到目标样本。

2.根据权利要求1所述的基于联邦学习的样本选择方法，其特征在于，所述获取训练任务样本，包括：

接收所述子设备采集到的初始样本集；

基于预设的帕累托算法以及样本分布阈值对所述初始样本集进行划分，得到多个所述样本子集；

根据所述样本子集生成所述训练任务样本。

3.根据权利要求1所述的基于联邦学习的样本选择方法，其特征在于，所述基于预设的联邦学习算法将所述训练任务样本发送至每个所述子设备进行局部更新，得到局部损失函数，包括：

将所述训练任务样本分配至多个所述子设备，使得每个所述子设备对分配到的训练任务样本进行局部更新，得到多个分配样本数以及样本权重值；

基于预设的联邦学习算法以及预设的局部损失预测参数对所述分配样本数以及所述样本权重值进行计算，得到所述局部损失函数。

4.根据权利要求1所述的基于联邦学习的样本选择方法，其特征在于，所述基于预设的梯度下降算法对所述局部损失函数进行计算，得到预测损失函数，包括：

基于预设的梯度下降算法对所述局部损失函数进行计算，得到所述局部损失函数的预测函数；

根据所述预测函数得到所述预测损失函数。

5.根据权利要求1所述的基于联邦学习的样本选择方法，其特征在于，所述根据所述样本子集对所述预测损失函数进行迭代，得到所述联邦学习的模型参数，包括：

对所述样本子集进行筛选，得到所述样本子集的第一样本子集；

根据所述第一样本子集对所述预测损失函数进行迭代，得到迭代结果；

根据所述迭代结果确定所述联邦学习的模型参数。

6.根据权利要求5所述的基于联邦学习的样本选择方法，其特征在于，所述根据所述迭代结果确定所述联邦学习的模型参数，包括：

当所述迭代结果满足预设的迭代参数条件，在所述样本子集中确定与所述第一样本子集对应的第二样本子集，根据所述第二样本子集对所述预测损失函数进行迭代以确定满足预设的结束条件的所有迭代样本子集，根据所述迭代样本子集确定所述联邦学习的模型参数；

当所述迭代结果未满足预设的迭代参数条件，对所述第一样本子集进行扩容，得到收敛公式，根据所述收敛公式确定所述联邦学习的模型参数。

7.根据权利要求1所述的基于联邦学习的样本选择方法，其特征在于，所述根据所述模型参数对所述样本子集进行选择，得到目标样本，包括：

根据所述模型参数对所述样本子集进行筛选，得到预测样本子集；

对所述预测样本子集进行计算，得到所述预测样本子集的最小化损失函数；

根据所述最小化损失函数确定所述目标样本。