[发明专利]联邦学习中参与方贡献量计算方法、系统、设备及介质

说明书

本发明提供了一种联邦学习中参与方贡献量计算方法、系统、设备及介质，该方法包括：创建由多个参与方进行横向联邦学习的任务，各个所述参与方配置为基于本地训练数据进行模型训练，得到本地模型参数；获取多个参与方的本地模型参数，计算得到第一联邦学习模型，且各个所述参与方的本地训练数据分别划分到多个数据箱中；分别计算删除各个所述参与方中各个所述数据箱时所述第一联邦学习模型的损失，作为所述参与方对应于被删除的数据箱的贡献量；对于各个所述参与方，基于该参与方对应于所有数据箱的贡献量，计算该参与方的贡献量。本发明实现了横向联邦学习中参与方贡献量的自动计算，计算方式简单，且计算结果准确率高。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种联邦学习中参与方贡献量计算方法、系统、设备及介质。

背景技术

联邦学习、安全多方计算已逐渐成为解决数据安全共享的主要方法和技术。在联邦学习系统中，为了科学合理分配数据提供方在联邦学习系统中的收益，并激励更多的拥有大数据量和高数据质量的数据提供方加入联邦学习系统，提供一种科学合理的数据提供方贡献量自动设置方法是必要的。当前仅有的自动设置方法较少，总结如下：

(1)从期望收益分配角度考虑，考虑期望指标(准确率等)与实际计算值之间的差值，并利用Softmax函数转换为权重，即为贡献值；该方法需要可信第三方或协调方参与计算，且对收益和损失皆采用期望值法，概率难界定；

(2)从边际损失的角度衡量数据提供方离开联邦学习系统时所产生的损失即为贡献量。该方法同样需要可信第三方或协调方参与计算，且对数据提供方离开联邦学习系统时的损失计算为不放回一次性计算，离开顺序严重影响模型性能，测算欠缺公平性，计算复杂度高。

发明内容

针对现有技术中的问题，本发明的目的在于提供一种联邦学习中参与方贡献量计算方法、系统、设备及介质，实现横向联邦学习中参与方贡献量的自动计算，计算方式简单，且计算结果准确率高。

本发明实施例提供一种联邦学习中参与方贡献量计算方法，包括如下步骤：

创建由多个参与方进行横向联邦学习的任务，各个所述参与方配置为基于本地训练数据进行模型训练，得到本地模型参数；

获取多个参与方的本地模型参数，计算得到第一联邦学习模型，且各个所述参与方的本地训练数据分别划分到多个数据箱中；

分别计算删除各个所述参与方中各个所述数据箱时所述第一联邦学习模型的损失，作为所述参与方对应于被删除的数据箱的贡献量；

对于各个所述参与方，基于该参与方对应于所有数据箱的贡献量，计算该参与方的贡献量。

在一些实施例中，所述创建由多个参与方进行联邦学习的任务，包括如下步骤：

将一所述参与方作为任务发起方；

所述任务发起方创建由多个参与方进行横向联邦学习的任务，各个所述参与方配置为基于本地训练数据进行训练得到本地模型参数后，发送至所述任务发起方。

在一些实施例中，所述参与方配置为采用如下步骤将本地训练数据划分为多个数据箱：

所述参与方对排序后的本地训练数据基于相似性指标进行分箱，使得同一数据箱中的本地训练数据的相似性指标小于预设指标阈值。

在一些实施例中，所述参与方对排序后的本地训练数据基于相似性指标进行分箱之前，还包括如下步骤：

所述参与方按照特征对本地训练数据进行排序。

在一些实施例中，所述分别计算删除各个所述参与方中各个所述数据箱时所述第一联邦学习模型的损失，作为所述参与方对应于被删除的数据箱的贡献量，包括如下步骤：