[发明专利]一种基于多方联邦学习的模型生成方法及系统

说明书

本发明涉及人工智能技术领域，具体提供一种基于多方联邦学习的模型生成方法及系统。本发明的方法包括：参与方服务器将各自预设数量的样本数据上传至云端服务器；云端服务器生成初始模型并发送至参与方服务器；参与方服务器利用各自的样本数据对初始模型训练得到各自的模型参数上传至云端服务器；云端服务器对各自的模型参数进行融合得到融合模型参数并发送至参与方服务器；参与方服务器根据融合模型参数更新本地模型并上传至云端服务器；重复得到融合模型参数并发送至参与方服务器以及根据融合模型参数更新本地模型的步骤直到满足预设条件；云端服务器融合满足预设条件后得到的模型参数并发送至参与方服务器，参与方服务器对其加载获得目标模型。

技术领域

本发明涉及人工智能技术领域，具体提供一种基于多方联邦学习的模型生成方法及系统。

背景技术

现有的多方合作模型生成方法大多使用离线数据拷贝方法，由模型训练组织者将多方数据拷贝至某离线服务器之上，再进行模型训练从而生成目标模型。然而，当参与合作的参与方数量增大时，离线拷贝数据方法无法兼顾多方的数据特性与需求，导致多方合作无法开展，并且离线数据拷贝方法还存在有侵犯数据隐私的风险。

相应地，本领域需要一种新的基于多方联邦学习的模型生成方法及系统来解决上述问题。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决现有技术中模型训练无法处理多方来源数据的问题的一种基于多方联邦学习的模型生成方法及系统。

在第一方面，本发明提供一种基于多方联邦学习的模型生成方法，包括如下步骤：

至少一个参与方服务器将各自预设数量的样本数据上传至云端服务器；

云端服务器根据所述样本数据生成初始模型并发送至所述至少一个参与方服务器；

所述至少一个参与方服务器利用各自的样本数据对所述初始模型进行训练得到各自的模型参数，以上传至所述云端服务器；

所述云端服务器对所述各自的模型参数进行融合得到融合模型参数并发送至所述至少一个参与方服务器；

所述至少一个参与方服务器根据所述融合模型参数更新本地模型，从而得到模型参数以上传至所述云端服务器；

重复所述云端服务器对所述各自的模型参数进行融合得到融合模型参数并发送至所述至少一个参与方服务器以及所述至少一个参与方服务器根据所述融合模型参数更新本地模型，从而得到模型参数以上传至所述云端服务器的步骤直到满足预设条件；

所述云端服务器对满足预设条件后得到的所述至少一个参与方服务器的模型参数进行融合得到最终模型参数并发送至所述至少一个参与方服务器，所述至少一个参与方服务器对所述最终加密模型参数进行加载获得目标模型。

在一个具体实施例中，在所述至少一个参与方服务器将各自预设数量的样本数据上传至云端服务器之前，所述方法还包括：

所述至少一个参与方服务器通过哈希方法加密样本数据标识并将加密结果上传至所述云端服务器；

所述云端服务器通过哈希值比对确认所述至少一个参与方服务器的公共数据索引，以完成对所述至少一个参与方服务器的身份认证。

在一个具体实施例中，所述至少一个参与方服务器利用各自的样本数据对所述初始模型进行训练得到各自的模型参数，以上传至所述云端服务器，包括：

所述参与方服务器利用样本数据对所述初始模型进行训练；

判断训练时间是否满足第一预设时间；

若满足第一预设时间，则获得模型参数；和/或

若不满足第一预设时间，则继续对所述初始模型进行训练；