[发明专利]基于区块链的模型联合训练方法、装置、设备和介质

权利要求书

1.基于区块链的模型联合训练方法，由多方区块链节点中的任一区块链节点执行，包括：

确定本机节点的目标模型的模型关联参数的偏离秘密，以及所述多方区块链节点中其他节点的目标模型的模型关联参数的偏离秘密；

根据所述本机节点的模型关联参数的偏离秘密，以及所述其他节点的模型关联参数的偏离秘密，确定联合模型关联参数；

根据所述联合模型关联参数，对所述本机节点的目标模型进行训练；

其中，所述确定本机节点的目标模型的模型关联参数的偏离秘密，以及所述多方区块链节点中其他节点的目标模型的模型关联参数的偏离秘密，包括：

确定所述本机节点的模型关联参数的整型数据的偏离秘密，以及所述其他节点的模型关联参数的整型数据的偏离秘密；所述模型关联参数的整型数据为所述模型关联参数按照设定放大倍数的放大处理结果；

其中，所述根据所述本机节点的模型关联参数的偏离秘密，以及所述其他节点的模型关联参数的偏离秘密，确定联合模型关联参数，包括：

根据所述本机节点的模型关联参数的整型数据的偏离秘密，以及所述其他节点的模型关联参数的整型数据的偏离秘密，确定中间数据；

按照所述设定放大倍数，对所述中间数据进行缩小处理，得到所述联合模型关联参数。

2.根据权利要求1所述的方法，其中，所述模型关联参数的偏离秘密包括模型参数的偏离秘密；所述联合模型关联参数包括联合模型参数；

所述根据所述本机节点的模型关联参数的偏离秘密，以及所述其他节点的模型关联参数的偏离秘密，确定联合模型关联参数，包括：

根据本机节点的模型参数的偏离秘密，以及所述其他节点的模型参数的偏离秘密，确定联合模型参数；

所述根据所述联合模型关联参数，对所述本机节点的目标模型进行训练，包括：

将所述联合模型参数作为所述本机节点的目标模型的初始模型参数，对相应目标模型进行训练。

3.根据权利要求1所述的方法，其中，所述模型关联参数的偏离秘密包括模型参数变化数据的偏离秘密；所述联合模型关联参数包括联合模型参数变化数据；

所述根据所述本机节点的模型关联参数的偏离秘密，以及所述其他节点的模型关联参数的偏离秘密，确定联合模型关联参数，包括：

根据本机节点的模型参数变化数据的偏离秘密，以及所述其他节点的模型参数变化数据的偏离秘密，确定联合模型参数变化数据；

所述根据所述联合模型关联参数，对所述本机节点的目标模型进行训练，包括：

根据所述联合模型参数变化数据，确定是否满足模型训练终止条件；

根据确定结果，控制对所述本机节点的目标模型进行模型训练。

4.根据权利要求1所述的方法，还包括：

确定所述本机节点的目标模型的模型评价数据的偏离秘密，以及所述其他节点的目标模型的模型评价数据的偏离秘密；

根据所述本机节点的模型评价数据的偏离秘密，以及所述其他节点的模型评价数据的偏离秘密，确定联合模型评价数据。

5.根据权利要求4所述的方法，其中，所述模型评价数据的偏离秘密包括总离差平方和的偏离秘密以及残差平方和的偏离秘密；所述联合模型评价数据包括联合拟合度；

所述根据所述本机节点的模型评价数据的偏离秘密，以及所述其他节点的模型评价数据的偏离秘密，确定联合模型评价数据，包括：

根据所述本机节点的总离差平方和的偏离秘密，以及所述其他节点的总离差平方和的偏离秘密，确定联合总离差平方和；

根据所述本机节点的残差平方和的偏离秘密，以及所述其他节点的残差平方和的偏离秘密，确定联合残差平方和；

根据所述联合总离差平方和以及所述联合残差平方和，确定联合拟合度。