[发明专利]联邦机器学习的方法和服务器

说明书

本发明提供了一种使用至少一个处理器的联邦机器学习的方法，所述方法包括：将当前全局机器学习模型传输到复数个数据源中的每一个；分别从所述复数个数据源接收复数个训练更新，所述复数个训练更新中的每一个由相应的所述数据源响应于接收到的所述全局机器学习模型而生成；并且分别基于接收到的所述复数个训练更新以及与所述复数个数据源相关联的复数个数据质量参数来更新所述当前全局机器学习模型，以生成更新的全局机器学习模型。还提供了用于联邦机器学习的相应的服务器。

技术领域

本发明总体上涉及一种联邦机器学习的方法及其服务器。

背景技术

有监督的深度学习算法为各种分类任务(例如图像分类任务)提供了最先进的性能。这些任务的传统途径可能包括三个步骤：(a)集中大型数据存储库，(b)获取这些数据的基本事实注释，以及(c)使用基本事实注释来训练卷积神经网络(CNN)进行分类，然而，这个框架带来了重大的实际挑战。

特别是，数据隐私以及安全问题给创建大型中央数据存储库以进行训练带来了困难。最近的工作已经开发出分散的联邦学习途径，可以在不共享敏感信息的情况下跨多个数据源训练深度学习模型。这些现有的联邦学习途径已经被证明是成功的，但仍然可能存在不准确和/或不可靠的问题，具体取决于它们所训练的数据源。

因此，需要提供一种联邦机器学习的方法及其系统，以寻求克服或至少改善现有联邦机器学习途径或方法中的一个或多个缺陷，例如但不限于，提高联邦机器学习的准确性和/或可靠性。正是在这种背景下开发了本发明。

发明内容

根据本发明的第一方面，提供了一种使用至少一个处理器的联邦机器学习的方法，该方法包括：

将当前全局机器学习模型传输到复数个数据源中的每一个；

分别从复数个数据源接收复数个训练更新，复数个训练更新中的每一个由相应的数据源响应于接收到的全局机器学习模型而生成；并且

分别基于接收到的复数个训练更新以及与复数个数据源相关联的复数个数据质量参数更新当前全局机器学习模型，以生成更新的全局机器学习模型。

根据本发明的第二方面，提供了一种用于联邦机器学习的服务器，包括：

存储器；和

至少一个处理器，通信地耦合到存储器并被配置为：

将当前全局机器学习模型传输到复数个数据源中的每一个；

分别从复数个数据源接收复数个训练更新，复数个训练更新中的每一个由相应的数据源响应于接收到的全局机器学习模型而生成；并且

分别基于接收到的复数个训练更新以及与复数个数据源相关联的复数个数据质量参数更新当前全局机器学习模型，以生成更新的全局机器学习模型。

根据本发明的第三方面，提供了一种计算机程序产品，包含在一个或多个非暂时性计算机可读存储介质中，包括可由至少一个处理器执行以执行联邦机器学习的方法的指令，该方法包括：

将当前全局机器学习模型传输到复数个数据源中的每一个；

分别从复数个数据源接收复数个训练更新，复数个训练更新中的每一个由相应数据源响应于接收到的全局机器学习模型而生成；并且

分别基于接收到的复数个训练更新以及与复数个数据源相关联的复数个数据质量参数更新当前全局机器学习模型，以生成更新的全局机器学习模型。

附图说明

通过以下仅作为示例的书面描述并结合附图，本发明的实施例对于本领域的普通技术人员来说将会更好理解并且显而易见，其中：

图1描绘了根据本发明的各种实施例的使用至少一个处理器的联邦机器学习的方法的流程图；