[發明專利]基于聯邦學習的機器學習方法、電子裝置和存儲介質

有效

• 申請號: 202011291430.5
• 申請日: 2020-11-18
• 公開（公告）號: CN112101579B
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 李偉;邱煒偉;蔡亮;汪小益;嚴楊
• 申請（專利權）人: 杭州趣鏈科技有限公司
• 主分類號: G06N20/20
• 分類號: G06N20/20
• 代理公司: 杭州華進聯浙知識產權代理有限公司 33250
• 代理人: 范麗霞

本申請涉及一種基于聯邦學習的機器學習方法、電子裝置和存儲介質，其中，該基于聯邦學習的機器學習方法包括：聯邦學習的發起方和參與方確定聯邦學習參數，發起方與參與方均為聯邦學習過程的成員方，每個成員方根據聯邦學習參數在對應成員方本地將對應成員方的特征數據進行聚類，得到聚類結果，并對聚類結果進行加密得到加密聚類結果，協調方對所有成員方的加密聚類結果中的聚類中心進行配對得到聚類中心對，對聚類中心對中的聚類中心進行加權聚合得到加權聚類中心，協調方將加權聚類中心回傳至每個成員方進行迭代計算。通過本申請，解決了基于分布式學習實現機器學習的方法，導致數據隱私性不足的問題，確保了數據安全，提高了數據的隱私性。

技術領域

本申請涉及數據處理技術領域，特別是涉及基于聯邦學習的機器學習方法、電子裝置和存儲介質。

背景技術

隨著人工智能的發展，底層的機器學習技術對數據量的需求越來越大，例如，在金融領域，需要對用戶的數據進行分析實現用戶分類，在醫療領域，對患者的數據進行分析實現患者分類。

在相關技術中，基于大數據的背景，可以采用分布式學習進行數據處理，具體地，分布式學習是將中心化的數據拆分到多個服務器中進行訓練，以提升處理大批量的數據的能力。但是分布式學習在數據共享之后直接對數據進行計算分析，對數據本身的隱私性保護不足。

目前針對相關技術中基于分布式學習實現數據處理的方法，導致數據隱私性不足的問題，尚未提出有效的解決方案。

發明內容

本申請實施例提供了一種基于聯邦學習的機器學習方法、電子裝置和存儲介質，以至少解決相關技術中基于分布式學習實現數據處理的方法，導致數據隱私性不足的問題。

第一方面，本申請實施例提供了一種基于聯邦學習的機器學習方法，包括：

聯邦學習的發起方和參與方確定聯邦學習參數，所述發起方與所述參與方均為聯邦學習過程的成員方；

每個所述成員方根據所述聯邦學習參數在對應成員方本地將對應成員方特征數據進行聚類，得到聚類結果，并對所述聚類結果進行加密，得到加密聚類結果；

協調方對所有成員方的所述加密聚類結果中的聚類中心進行配對，得到聚類中心對，并對所述聚類中心對中的聚類中心進行加權聚合，得到加權聚類中心；

所述協調方將所述加權聚類中心回傳至每個所述成員方，所述成員方根據所述加權聚類中心進行迭代計算，得到機器學習處理模型參數。

第二方面，本申請實施例提供了一種電子裝置，包括存儲器、處理器以及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如上述第一方面所述的基于聯邦學習的機器學習方法。

第三方面，本申請實施例提供了一種存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現如上述第一方面所述的基于聯邦學習的機器學習方法。

相比于相關技術，本申請實施例提供的基于聯邦學習的機器學習方法，通過聯邦學習的發起方和參與方確定聯邦學習參數，發起方與參與方均為聯邦學習過程的成員方，每個成員方根據聯邦學習參數在對應成員方本地將對應成員方的特征數據進行聚類，得到聚類結果，并對聚類結果進行加密，得到加密聚類結果，協調方對所有成員方的加密聚類結果中的聚類中心進行配對，得到聚類中心對，并對聚類中心對中的聚類中心進行加權聚合，得到加權聚類中心，協調方將加權聚類中心回傳至每個成員方，進行迭代計算，得到機器學習處理模型參數，解決了基于分布式學習實現數據處理的方法，導致數據隱私性不足的問題，確保了數據安全，提高了數據的隱私性。

附圖說明

此處所說明的附圖用來提供對本申請的進一步理解，構成本申請的一部分，本申請的示意性實施例及其說明用于解釋本申請，并不構成對本申請的不當限定。在附圖中：