[發明專利]基于聯邦學習的用戶數據分類方法、裝置、設備及介質

在審

• 申請號: 202011085715.3
• 申請日: 2020-10-12
• 公開（公告）號: CN112100295A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 王健宗;肖京;何安珣
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06F21/62;G06N20/00
• 代理公司: 深圳市世聯合知識產權代理有限公司 44385
• 代理人: 汪琳琳

1.一種基于聯邦學習的用戶數據分類方法，其特征在于，包括：

獲取訓練數據，通過所述訓練數據訓練本地模型，并基于每個訓練循環期間所述本地模型的權重矩陣的變化梯度，生成梯度矩陣；

計算所述梯度矩陣的通道的歐幾里得范數，得到計算結果，并將所述計算結果以張量的形式進行保存；

將預先設定的上載速率的作為通道選擇閾值，從所述計算結果中，選擇符合所述通道選擇閾值的通道，作為目標通道，并將所述目標通道中的梯度矩陣作為目標梯度矩陣，其中，所述通道對應有所述訓練數據的處理生成后的梯度矩陣；

選擇參數非零的所述目標梯度矩陣，作為服務器的權重；

根據所述服務器的權重，對所述本地模型進行更新,得到更新后的本地模型；

基于所述更新后的本地模型，對用戶數據進行分類。

2.根據權利要求1所述的基于聯邦學習的用戶數據分類方法，其特征在于，所述獲取訓練數據，通過所述訓練數據訓練本地模型，并基于每個訓練循環期間所述本地模型的權重矩陣的變化梯度，生成梯度矩陣包括：

獲取用戶數據，并對所述用戶數據進行解析，得到本地模型的通用用戶，并獲取所述通用用戶的對應數據，作為所述訓練數據；

通過所述訓練數據訓練本地模型，并基于每個訓練循環期間所述本地模型的權重矩陣的變化梯度，生成得到梯度矩陣。

3.根據權利要求1所述的基于聯邦學習的用戶數據分類方法，其特征在于，所述將預先設定的上載速率的作為通道選擇閾值，從所述計算結果中，選擇符合所述通道選擇閾值的通道，作為目標通道，并將所述目標通道中的梯度矩陣作為目標梯度矩陣包括：

將所述計算結果轉化為一階張量的形式，并將所述計算結果進行排序，得到排序結果；

計算所述預先設定的上載速率的分位數，得到上載速率的分位數；

將所述上載速率的分位數作為通道選擇閾值，選擇所述排序結果中符合所述通道選擇閾值的通道，作為目標通道；

獲取所述目標通道中的梯度矩陣，并將所述目標通道中的梯度矩陣作為所述目標梯度矩陣。

4.根據權利要求3所述的基于聯邦學習的用戶數據分類方法，其特征在于，所述將所述分位數結果作為通道選擇閾值，選擇所述排序結果中符合所述通道選擇閾值的通道，作為目標通道包括：

在所述排序結果中，選擇高于所述上載速率的分位數且其他參數為零的通道，作為所述目標通道。

5.根據權利要求1至4任一項所述的基于聯邦學習的用戶數據分類方法，其特征在于，所述根據所述服務器的權重，對所述本地模型進行更新包括：

將所述服務器的權重傳送到本地模型中，并通過服務器的權重對所述梯度矩陣進行更新，得到更新矩陣；

通過所述更新矩陣對所述本地模型進行更新。

6.根據權利要求5所述的基于聯邦學習的用戶數據分類方法，其特征在于，在所述將所述服務器的權重傳送到本地模型中，并通過服務器的權重對所述梯度矩陣進行更新，得到更新矩陣之前，所述方法包括：

通過線性整流函數對本地模型的隱藏層進行激活，與S形函數對本地模型的輸出層進行激活，構建人工神經網絡；

通過所述人工神經網絡對連接層的神經元進行死亡率的預測，其中，每兩個神經元間的連接都代表一個對于通過所述連接層的服務器的權重。

7.根據權利要求1所述的基于聯邦學習的用戶數據分類方法，其特征在于，將所述訓練數據存儲于區塊鏈中。