[發(fā)明專(zhuān)利]基于聯(lián)邦少樣本網(wǎng)絡(luò)模型的分類(lèi)方法、系統(tǒng)及電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202010724611.6
• 申請(qǐng)日: 2020-07-24
• 公開(kāi)（公告）號(hào): CN112101403A
• 公開(kāi)（公告）日: 2020-12-18
• 發(fā)明（設(shè)計(jì)）人: 公茂果;汪昆;王釗;王善峰;武越;張明陽(yáng);李豪
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N20/00;G06F21/62
• 代理公司: 西安嘉思特知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61230
• 代理人: 李園園

本發(fā)明公開(kāi)了一種基于聯(lián)邦少樣本網(wǎng)絡(luò)模型的分類(lèi)方法、系統(tǒng)及電子設(shè)備。該方法包括：服務(wù)端獲取待分類(lèi)圖像，對(duì)各個(gè)客戶(hù)端發(fā)起判定請(qǐng)求；每個(gè)客戶(hù)端根據(jù)判定請(qǐng)求，對(duì)自身狀態(tài)參數(shù)判定后反饋是否能參加分類(lèi)任務(wù)的響應(yīng)信號(hào)給服務(wù)端；服務(wù)端根據(jù)反饋的響應(yīng)信號(hào)，將待分類(lèi)圖像分發(fā)給可以參加分類(lèi)任務(wù)的目標(biāo)客戶(hù)端；各個(gè)目標(biāo)客戶(hù)端將待分類(lèi)圖像輸入各自預(yù)先訓(xùn)練的少樣本網(wǎng)絡(luò)模型進(jìn)行分類(lèi)，得到第一分類(lèi)結(jié)果；服務(wù)端對(duì)第一分類(lèi)結(jié)果匯總整理，輸出第二分類(lèi)結(jié)果。本發(fā)明利用多個(gè)只需少量標(biāo)簽數(shù)據(jù)的客戶(hù)端的模型，解決了現(xiàn)有機(jī)器學(xué)習(xí)中數(shù)據(jù)隱私容易被惡意攻擊、污染的問(wèn)題，以及需要大量標(biāo)簽數(shù)據(jù)的問(wèn)題，且具有良好的分類(lèi)精確度和分類(lèi)置信度。

技術(shù)領(lǐng)域

本發(fā)明屬于機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，具體涉及一種基于聯(lián)邦少樣本網(wǎng)絡(luò)模型的分類(lèi)方法、系統(tǒng)及電子設(shè)備。

背景技術(shù)

近年來(lái)人工智能發(fā)展非常迅速，但缺乏標(biāo)簽數(shù)據(jù)和數(shù)據(jù)隱私威脅仍然是人工智能領(lǐng)域面臨的兩個(gè)挑戰(zhàn)。一方面，由于數(shù)據(jù)的價(jià)值以及敏感性，出于公司利潤(rùn)的原因或保護(hù)用戶(hù)隱私的角度，大多數(shù)行中的數(shù)據(jù)仍以孤島的形式存在，數(shù)據(jù)難以得到分享；另一方面，機(jī)器學(xué)習(xí)所需的標(biāo)記數(shù)據(jù)很難獲得，缺少標(biāo)簽數(shù)據(jù)或者標(biāo)簽數(shù)據(jù)很少的情況普遍存在；此外，攻擊者會(huì)通過(guò)給定模型的一些輸出數(shù)據(jù)推導(dǎo)出輸入數(shù)據(jù)，甚至可能恢復(fù)原本訓(xùn)練所用的數(shù)據(jù)集，從而竊取數(shù)據(jù)，造成隱私數(shù)據(jù)泄密。因此，急需一種需要少量的標(biāo)簽數(shù)據(jù)且能有效保護(hù)隱私數(shù)據(jù)的模型框架，以應(yīng)用于標(biāo)簽數(shù)據(jù)少、安全性要求高的人工智能領(lǐng)域。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中存在的上述問(wèn)題，本發(fā)明提供了一種基于聯(lián)邦少樣本網(wǎng)絡(luò)模型的分類(lèi)方法、系統(tǒng)及電子設(shè)備。本發(fā)明要解決的技術(shù)問(wèn)題通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

第一方面，本發(fā)明實(shí)施例提供了一種基于聯(lián)邦少樣本網(wǎng)絡(luò)模型的分類(lèi)方法，包括：

服務(wù)端獲取待分類(lèi)圖像，對(duì)各個(gè)客戶(hù)端發(fā)起是否能參加分類(lèi)任務(wù)的判定請(qǐng)求；

每個(gè)客戶(hù)端根據(jù)所述判定請(qǐng)求，對(duì)自身狀態(tài)參數(shù)判定后反饋是否能參加分類(lèi)任務(wù)的響應(yīng)信號(hào)給所述服務(wù)端；

所述服務(wù)端根據(jù)各個(gè)客戶(hù)端反饋的響應(yīng)信號(hào)，將所述待分類(lèi)圖像分發(fā)給可以參加分類(lèi)任務(wù)的目標(biāo)客戶(hù)端；

各個(gè)目標(biāo)客戶(hù)端將所述待分類(lèi)圖像輸入各自預(yù)先訓(xùn)練的少樣本網(wǎng)絡(luò)模型進(jìn)行分類(lèi)，得到第一分類(lèi)結(jié)果；并將所述第一分類(lèi)結(jié)果上傳至所述服務(wù)端；所述少樣本網(wǎng)絡(luò)模型包括小樣本網(wǎng)絡(luò)模型和半監(jiān)督網(wǎng)絡(luò)模型中的至少一種；

所述服務(wù)端對(duì)各個(gè)目標(biāo)客戶(hù)端的第一分類(lèi)結(jié)果匯總整理，輸出第二分類(lèi)結(jié)果。

可選的，在輸出第二分類(lèi)結(jié)果之前還包括：

所述服務(wù)端對(duì)匯總整理后的第一分類(lèi)結(jié)果進(jìn)行差分隱私保護(hù)。

可選的，所述預(yù)先訓(xùn)練的少樣本網(wǎng)絡(luò)模型的訓(xùn)練方法，包括：

所述客戶(hù)端下載公共數(shù)據(jù)，并整合所述公共數(shù)據(jù)和所述客戶(hù)端自身的私有數(shù)據(jù)，得到模型訓(xùn)練參數(shù)；所述公共數(shù)據(jù)存儲(chǔ)于所述服務(wù)端或獨(dú)立于所述服務(wù)端之外的公共存儲(chǔ)裝置上；

所述客戶(hù)端將所述模型訓(xùn)練參數(shù)輸入所述客戶(hù)端的少樣本網(wǎng)絡(luò)模型，生成所述預(yù)先訓(xùn)練的少樣本網(wǎng)絡(luò)模型。

第二方面，本發(fā)明實(shí)施例提供了一種基于聯(lián)邦少樣本網(wǎng)絡(luò)模型的分類(lèi)方法，應(yīng)用于客戶(hù)端，所述方法包括：

客戶(hù)端接收是否能參加分類(lèi)任務(wù)的判定請(qǐng)求，對(duì)自身狀態(tài)參數(shù)判定后反饋是否能參加分類(lèi)任務(wù)的響應(yīng)信號(hào)給服務(wù)端；所述是否能參加分類(lèi)任務(wù)的判定請(qǐng)求由所述服務(wù)端發(fā)起；

接收待分類(lèi)圖像，并將其輸入預(yù)先訓(xùn)練的少樣本網(wǎng)絡(luò)模型進(jìn)行分類(lèi)后輸出第一分類(lèi)結(jié)果；并將所述第一分類(lèi)結(jié)果上傳至所述服務(wù)端；所述少樣本網(wǎng)絡(luò)模型包括小樣本網(wǎng)絡(luò)模型和半監(jiān)督網(wǎng)絡(luò)模型中的至少一種；所述待分類(lèi)圖像由所述服務(wù)端根據(jù)所述響應(yīng)信號(hào)分發(fā)。

可選的，所述預(yù)先訓(xùn)練的少樣本網(wǎng)絡(luò)模型的訓(xùn)練方法，包括：