[發明專利]一種確定聯邦學習參與方的方法及裝置

在審

• 申請號: 202010103026.4
• 申請日: 2020-02-19
• 公開（公告）號: CN111325351A
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 劉洋;于涵;陳天健;楊強
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06Q40/00
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 鄒雅瑩

本發明提供一種確定聯邦學習參與方的方法及裝置。其中方法包括：接收申請方發送的加入請求，該加入請求中包括當前機會成本值；根據申請方的預估函數和所述申請方的當前請求加入次數，確定該申請方的預估機會成本值；其中，預估函數是根據申請方針對聯邦學習的歷史機會成本值和歷史請求加入次數生成的；所述歷史機會成本值不超出所述申請方歷史所屬的參與方類型所對應的成本區間；最后，在所述當前機會成本值不大于所述預估機會成本值時，確定該申請方為聯邦學習的參與方。采用上述方法，可以評估參與方機會成本，防止參與方的機會成本虛報過高，維護了聯邦的收益與信譽。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種確定聯邦學習參與方的方法及裝置。

背景技術

隨著計算機技術的發展，人工智能技術近來在金融領域中應用愈加廣泛，其中，大數據是人工智能產業化中不可或缺的基石。由于行業競爭、隱私安全、行政手續復雜等問題，數據常常是以孤島的形式存在的；甚至在同一個公司的不同部門之間實現數據集中整合也面臨著重重阻力。在現實中想要將分散在各地、各個機構的數據進行整合幾乎是不可能的，因此，企業目前正面臨著數據隱私保護和數據孤島這兩方面的難題，為了解決這兩大難題，聯邦學習應運而生。

聯邦學習是一種新型的通過分布式訓練及加密技術幫助企業在無需公開隱私數據的情況下共同訓練高質量聯合機器學習模型的方法。聯邦學習能有效幫助多個參與方在滿足用戶隱私保護、數據安全和政府法規的要求下，進行數據使用和機器學習建模。但在橫向聯邦學習的場景下，參與方之間一般存在競爭關系。例如，由幾家銀行組成的聯盟通過橫向聯邦學習共同訓練一個向用戶推薦金融產品的機器學習模型。雖然聯邦學習模型可以提高參與方的模型質量，但是相對于一個本來市場份額較小、數據較少的參與方A和一個本來市場份額較大、數據較多的參與方B來說，參加這個聯盟可能使參與方A和參與方B的市場總體量增大，但也可能造成參與方A的市場占有率增加，參與方B的市場占有率的下降。因此，相對來說，參與方B所付出的成本要多于參與方A所付出的成本，這種成本在這里稱之為“機會成本”。如果聯盟不能有效通過激勵機制補償參與方的機會成本，很有可能導致這部分擁有高質量、大數據集的參與方流失，影響聯盟的長期可持續發展。

因此，現在亟需一種確定聯邦學習參與方的方法及裝置，用于獲得更接近聯邦學習參與方的真實機會成本的預估機會成本，使得聯邦學習可以有效的評估參與方機會成本。

發明內容

本發明實施例提供一種確定聯邦學習參與方的方法及裝置，用于獲得更接近聯邦學習參與方的真實機會成本的預估機會成本，使得聯邦學習可以有效的評估參與方機會成本。

第一方面，本發明實施例提供一種確定聯邦學習參與方的方法，該方法包括：

接收申請方發送的加入請求，所述加入請求包括當前機會成本值；根據所述申請方的預估函數和所述申請方的當前請求加入次數，確定所述申請方的預估機會成本值；所述預估函數是根據所述申請方針對所述聯邦學習的歷史機會成本值和歷史請求加入次數生成的；所述歷史機會成本值不超出所述申請方歷史所屬的參與方類型所對應的成本區間；在所述當前機會成本值不大于所述預估機會成本值時，確定所述申請方為所述聯邦學習的參與方。

采用上述方法，通過獲取歷史加入請求記錄中的加入請求，得到歷史機會成本值，通過歷史機會成本值和歷史請求加入次數生成預估函數，由此，預估函數的生成可以得到更接近申請方的真實機會成本值的預估機會成本值。再將獲取的申請方發送的加入請求中的當前機會成本值與預估機會成本值比較，若當前機會成本值不大于預估機會成本值，則可以看做申請方此次上報的機會成本值比較接近真實機會成本值，判定申請方可以加入聯邦學習；否則判定當前機會成本值過高，拒絕加入聯邦學習；如此，可以有效的判斷申請方上報的當前機會成本值是否飄高，防止造成聯邦學習的損失。