[发明专利]一种计算参与者贡献率的方法及装置

说明书

本发明公开了一种计算参与者贡献率的方法及装置，适用于包括协调者和N个参与者的横向联邦学习系统；其中，方法包括：协调者接收各参与者反馈的N个第一模型参数更新，协调者从N个第一模型参数更新中删除第一参与者反馈的第一模型参数更新，得到N‑1个第一模型参数更新；根据N‑1个第一模型参数更新确定第一联邦模型参数，并将第一联邦模型参数发送给各参与者，第一联邦模型参数用于各参与者进一步训练，直至得到横向联邦学习对应的第一模型；协调者根据第一模型的性能参数和第二模型的性能参数，确定第一参与者的贡献率。该技术方案用以合理评估横向联邦学习中每个参与者的贡献率，有效防止作弊，进而根据贡献率来分配奖励。

技术领域

本发明实施例涉及金融科技领域，尤其涉及一种计算参与者贡献率的方法及装置。

背景技术

随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技转变，机器学习技术也不例外，但由于金融、支付行业的安全性、实时性要求，也对机器学习技术提出的更高的要求。

联邦学习是指通过联合不同的参与者进行机器学习的方法。联邦学习中涉及协调者和参与者，协调者用于根据每个参与者拥有的数据量来评估每个参与者对联合模型的贡献。但是该方式并不能客观反映每个参与者对联合模型的贡献，因为数据的体量不能直接反映参与者对联合模型的贡献。该方式中，协调者不能客观评估参与者的贡献率。

发明内容

本发明实施例提供一种计算参与者贡献率的方法及装置，用以合理评估横向联邦学习中每个参与者的贡献率。

本发明实施例提供的一种计算参与者贡献率的方法，适用于横向联邦学习系统，所述横向联邦学习系统包括协调者和N个参与者，N大于1；

所述方法包括：

采用如下方式确定所述N个参与者中的第一参与者在横向联邦学习模型训练过程中的贡献率，包括：

所述协调者接收各参与者反馈的N个第一模型参数更新；所述第一模型参数更新是各参与者根据各自的训练数据进行模型训练后得到的；

所述协调者从所述N个第一模型参数更新中删除所述第一参与者反馈的第一模型参数更新，得到N-1个第一模型参数更新；

所述协调者根据所述N-1个第一模型参数更新确定第一联邦模型参数，并将所述第一联邦模型参数发送给各参与者，所述第一联邦模型参数用于各参与者进一步进行模型训练，直至得到横向联邦学习对应的第一模型；

所述协调者根据所述第一模型的性能参数和第二模型的性能参数，确定所述第一参与者的贡献率；其中，所述第二模型是所述协调者在横向联邦学习过程中根据各参与者反馈的N个第二模型参数更新确定的第二联邦模型参数得到的。

可选的，所述协调者在接收各参与者反馈的N个第一模型参数更新之前，还包括：

所述协调者向各参与者发送获取请求；

所述协调者接收各参与者对应的第一初始模型参数；所述第一初始模型参数是参与者在接收到所述获取请求后根据所述参与者的训练数据确定的；

所述协调者根据所述各参与者对应的第一初始模型参数、各参与者的预设权重，确定第二初始模型参数；

所述协调者将所述第二初始模型参数记录在所述第一模型的训练请求中发送至所述各参与者，以使所述各参与者根据所述第二初始模型参数和各自的训练数据进行训练。

可选的，所述预设权重是所述协调者至少根据参与者的以下参数中的一项或多项确定：

所述参与者的训练数据的数量、所述参与者的训练数据的质量、所述参与者的训练数据的分布情况、所述参与者的信用评级。