[发明专利]一种基于联邦学习的预测系统及方法

说明书

本发明涉及一种基于联邦学习的预测系统及方法，包括：收集单元，用以收集用户预测请求以确定用户预测请求的关键词数量和实际数据长度；对齐单元，用以将所述收集单元收集到的预测请求进行数据对齐；联邦学习单元，用以将已经对齐的数据进行预测以得到预测结果；反馈单元，用以将预测结果反馈至发出预测请求的用户；控制单元，其分别与所述收集单元和所述对齐单元连接，用以控制用户的预测请求对应数据的对齐过程；从而能够根据关键词数量确定数据长度，进而根据数据长度确定数据容量，进而通过数据容量差值对数据容量进行精确确定以准确判断数据是否对齐，进而能够在确保数据对齐的情况下获得更为准确的预测结果，有效提高了预测结果的准确率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于联邦学习的预测系统及方法。

背景技术

联邦机器学习(Federated machine learning/Federated Learning)，又名联邦学习，联合学习，联盟学习。联邦机器学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。

经历了多年发展，人工智能进入了发展的深入区，已经从概念普及发展到产品验证、落地、审批、商业化方面的探索。

目前，人工智能在各产业的发展需要通过多种工具或设备来收集数据，然而在很多行业，获取高质量的数据难度较大，一方面是由于数据预处理、标注需要投入的工作量巨大，另一方面在于数据的隐私性要求，数据拥有方采取高度保护措施。典型地例如在医疗行业，当前医疗领域标注的数据非常有限，如果多方医疗机构不进行数据交换和整合，则通过人工智能模型训练和预测得到的效果指标不理想，难以落地应用；研究界和企业界目前的情况是把收集数据和使用数据分开，如A方收集数据、B方清洗数据、C方建模训练、D方使用模型。然而，这种数据在实体间转移、交换和交易的形式违反了欧盟在2018年正式施行的法案《通用数据保护条例》(General Data Protection Regulation，GDPR)和中国从2017年实施的《中华人民共和国网络安全法》和《中华人民共和国民法总则》。

所以，通过收集数据的方式进行人工智能模型训练和使用已经不能满足例如医疗等特定行业发展的需求。在数据信息爆炸的时代，数据的网络传输、数据交互范围逐步扩大，为人们信息共享提供便捷，但是在数据网络传输、数据交互过程中存在安全隐患，数据信息被窃取，隐私可能暴露给不可信的第三方，而且在数据传输、数据交互过程中，容易出现信息的不对称性，数据信息中样本编号或者用户编号不同，无法实现数据之间准确的共享，因而，无法在保证数据安全的前提下，进行数据之前准确的对齐共享。

目前，已经有一些基于联邦学习的预测系统及方法，但普遍不能不能通过数据容量差值对数据容量进行精确确定以准确判断数据是否对齐，进而提高预测结果的准确率。

发明内容

为此，本发明提供一种基于联邦学习的预测系统及方法，可以有效解决现有技术中不能通过数据容量差值对数据容量进行精确确定以准确判断数据是否对齐进而导致预测结果准确率低的技术问题。

为实现上述目的，本发明提供一种基于联邦学习的预测系统及方法，包括：

收集单元，用以收集用户预测请求以确定用户预测请求的关键词数量和实际数据长度；

对齐单元，其与所述收集单元连接，用以将所述收集单元收集到的预测请求进行数据对齐；

联邦学习单元，其与所述对齐单元连接，用以将已经对齐的数据进行预测以得到预测结果；

反馈单元，其与所述联邦学习单元连接，用以将预测结果反馈至发出预测请求的用户；

控制单元，其分别与所述收集单元和所述对齐单元连接，用以控制用户的预测请求对应数据的对齐过程；