[发明专利]联邦学习建模优化方法、设备、可读存储介质及程序产品

权利要求书

1.一种联邦学习建模优化方法，其特征在于，应用于第一设备，所述联邦学习建模优化方法包括：

获取训练好的特征提取模型和分类模型，并提取第一训练样本、第一噪音数据、所述第一训练样本对应的第一真实分类标签；

获取所述特征提取模型针对于所述第一训练样本生成的第一样本特征，以及待训练特征生成模型针对于所述第一噪音数据和所述第一真实分类标签生成的第二样本特征；

通过所述分类模型对所述第二样本特征进行分类以及通过待训练样本区分模型对所述第一样本特征与所述第二样本特征进行样本区分，在固定所述特征提取模型和所述分类模型的情况下对所述待训练特征生成模型进行迭代优化，得到特征生成模型；

将所述特征生成模型和所述分类模型发送至第二设备，以供第二设备依据各所述第一设备发送的特征生成模型，迭代优化聚合各所述特征生成模型得到的全局特征生成模型以及聚合各所述分类模型得到的全局分类模型，得到目标全局特征生成模型和目标全局分类模型；

接收所述第二设备发送的目标全局特征生成模型和目标全局分类模型，并依据所述目标全局特征生成模型，对所述特征提取模型和所述目标全局分类模型进行迭代优化，得到目标特征提取模型和目标分类模型。

2.如权利要求1所述联邦学习建模优化方法，其特征在于，所述通过所述分类模型对所述第二样本特征进行分类以及通过待训练样本区分模型对所述第一样本特征与所述第二样本特征进行样本区分，在固定所述特征提取模型和所述分类模型的情况下对所述待训练特征生成模型进行迭代优化，得到特征生成模型的步骤包括:

通过所述分类模型对所述第二样本特征进行分类，以及通过待训练第一样本区分模型对所述第一样本特征和所述第二样本特征进行样本区分，计算第一分类损失以及样本区分损失；

依据所述第一分类损失和所述样本区分损失，迭代优化所述待训练特征生成模型，得到所述特征生成模型。

3.如权利要求2所述联邦学习建模优化方法，其特征在于，所述通过所述分类模型对所述第二样本特征进行分类，以及通过待训练第一样本区分模型对所述第一样本特征和所述第二样本特征进行样本区分，计算第一分类损失以及样本区分损失的步骤包括：

依据所述分类模型，对所述第二样本特征进行分类，得到第一预测分类标签；

依据所述第一预测分类标签和所述第一真实分类标签，计算第一分类损失；

依据所述样本区分模型，分别对所述第一样本特征和所述第二样本特征进行二分类，得到二分类结果；

依据所述二分类结果以及所述第一样本特征和所述第二样本特征共同对应的正负样本标签，计算所述样本区分损失。

4.如权利要求1所述联邦学习建模优化方法，其特征在于，所述依据所述目标全局特征生成模型，对所述特征提取模型和所述目标全局分类模型进行迭代优化，得到目标特征提取模型和目标分类模型的步骤包括：

提取第二训练样本、第二噪音数据以及所述第二训练样本对应的第二真实分类标签；

获取所述特征提取模型针对于所述第二训练样本生成的本地样本特征，以及获取所述目标全局特征生成模型针对于所述第二噪音数据和所述第二真实分类标签生成的全局样本特征；

依据所述第二真实分类标签以及所述目标全局分类模型针对于所述本地样本特征生成的第二预测分类标签，计算第二分类损失；

依据所述本地样本特征和所述全局样本特征之间的相似度，计算特征相似度损失；

依据所述第二分类损失和所述特征相似度损失，在固定所述目标全局特征生成模型的情况下迭代优化所述特征提取模型和所述目标全局分类模型，得到所述目标特征提取模型和所述目标分类模型。