[發明專利]基于半監督學習的聯邦建模方法、設備及可讀存儲介質

有效

• 申請號: 201810913118.1
• 申請日: 2018-08-10
• 公開（公告）號: CN109284313B
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 劉洋;楊強;陳天健;范濤;成柯葳
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 胡海國;魏蘭

1.一種基于半監督學習的聯邦建模方法，其特征在于，所述基于半監督學習的聯邦建模方法包括以下步驟：

第一終端接收第二終端發送的初始模型參數，并依據所述初始模型參數對樣本數據執行標注操作，以將所述樣本數據劃分為標注的樣本數據和未標注的樣本數據，其中，所述初始模型參數由所述第二終端依據存儲在所述第二終端中的標注的樣本數據對待訓練模型進行訓練迭代得到；

所述第一終端和所述第二終端依據各自標注的樣本數據對初始化后的待訓練模型的模型參數進行聯合訓練迭代，直至初始化后的待訓練模型收斂；

所述第一終端依據收斂時的模型參數，對未標注的樣本數據執行標注操作，并在標注操作完成之后，計算未標注樣本比例；

確定所述未標注樣本比例是否小于或等于預設閾值；

若所述未標注樣本比例小于或等于預設閾值，則以當前模型參數建立模型，否則執行步驟：所述第一終端和所述第二終端依據各自標注的樣本數據對初始化后的待訓練模型的模型參數進行聯合訓練迭代，直至初始化后的待訓練模型收斂。

2.如權利要求1所述的基于半監督學習的聯邦建模方法，其特征在于，依據所述初始模型參數對樣本數據執行標注操作的步驟包括：

依據所述初始模型參數對樣本數據進行預測，得到樣本預測結果；

依據所述樣本預測結果，對所述樣本數據執行標注操作。

3.如權利要求1所述的基于半監督學習的聯邦建模方法，其特征在于，所述計算未標注樣本比例的步驟包括：

統計所述樣本數據中未標記的本地樣本的個數，記為未標注樣本數，并統計所述樣本數據的總樣本數；

用所述未標注樣本數除以所述總樣本數，得到未標注樣本比例。

4.如權利要求1-3中任一項所述的基于半監督學習的聯邦建模方法，其特征在于，所述第一終端和所述第二終端依據各自標注的樣本數據對初始化后的待訓練模型的模型參數進行聯合訓練迭代，直至初始化后的待訓練模型收斂的步驟包括：

所述第一終端依據存儲在所述第一終端本地的標注的樣本數據對初始化后的待訓練模型的模型參數進行訓練迭代，得到加密的第一損失值和第一梯度值；

接收所述第二終端發送的加密的第二損失值和第二梯度值，其中，所述第二終端依據存儲在所述第二終端本地的標注的樣本數據對初始化后的待訓練模型的模型參數進行訓練迭代，得到加密的第二損失值和第二梯度值；

依據加密的第一損失值和第二損失值，計算加密的第三損失值，并依據加密的第一梯度值和第二梯度值，計算加密的第三梯度值；

將加密的第三損失值和第三梯度值傳輸至第三終端，其中，所述第三終端對加密的第三損失值和第三梯度值進行解密，并依據解密的第三損失值，確定待訓練模型是否收斂，若待訓練模型收斂，則將收斂時的模型參數發送給所述第一終端，否則將解密的第三損失值發送至所述第一終端和所述第二終端，以更新所述第一終端和所述第二終端的本地梯度，并繼續執行聯合訓練迭代，直至待訓練模型收斂。

5.如權利要求4所述的基于半監督學習的聯邦建模方法，其特征在于，所述第三終端依據解密的第三損失值，確定待訓練模型是否收斂的步驟包括：

所述第三終端獲取前一次所述第一終端發送的加密的歷史損失值，并對加密的歷史損失值進行解密；

計算解密的第三損失值與歷史損失值之間的差值，并判斷所述差值是否小于或等于預設差值；

若所述差值小于或等于預設差值，則確定待訓練模型收斂，否則確定待訓練模型未收斂。

6.如權利要求4所述的基于半監督學習的聯邦建模方法，其特征在于，所述基于半監督學習的聯邦建模方法還包括：

所述第三終端產生一組公有密鑰和私有密鑰，并將所述公有密鑰傳輸至所述第一終端和所述第二終端，由所述第一終端和所述第二終端分別存儲所述公有密鑰。