[發明專利]基于區塊鏈的神經網絡訓練容器和托管訓練方法

在審

• 申請號: 202110976704.2
• 申請日: 2021-08-24
• 公開（公告）號: CN113792872A
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 張金琳;高航;俞學勱
• 申請（專利權）人: 浙江數秦科技有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06F21/62;G06F21/64
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于區塊鏈的神經網絡訓練容器，其特征在于，

包括模型編號、目標神經網絡模型、主模型、若干個子模型、歷史記錄集、探測模型和目標測試集，新建空容器，分配模型編號，接收用戶提供的神經網絡模型和測試集，分別存入目標神經網絡模型和目標測試集，將目標神經網絡模型拆分為主模型和若干個子模型，子模型數量與第1層的神經元數量相同，所述子模型的輸出為對應的第1層神經元的輸入數，所述子模型的輸入為對應的第1層神經元所連接的輸入層神經元，所述子模型的連接權重等于對應的第1層神經元所連接的輸入層神經元的權重，所述主模型為所述目標神經網絡模型刪除輸入層，并將第1層神經元的輸入更改為對應子模型的輸出，所述歷史記錄集記錄已輸入數據行的哈希值，歷史記錄集周期性將新增的記錄一起提取哈希值，并上傳區塊鏈，存儲相應的區塊高度和區塊哈希值，所述探測模型判斷新數據行是否含有全部輸入字段和輸出字段，若含有全部輸入字段和輸出字段，則探測模型輸出為真，若不含有全部輸入字段和輸出字段，則探測模型輸出為假，將數據行輸入子模型，將子模型的輸出作為主模型的輸入，獲得損失值和梯度值，更新目標神經網絡、主模型和子模型的權系數。

2.根據權利要求1所述的基于區塊鏈的神經網絡訓練容器，其特征在于，

還包括備份點，若干個數據行構成一組，輸入一組數據行進行訓練前，將目標神經網絡模型備份，輸入一組數據訓練后，測試目標神經網絡模型在目標測試集的準確度，若準確度低于備份點處的準確度，則將目標神經網絡退回到備份點，反之，則刪除備份點。

3.根據權利要求1或2所述的基于區塊鏈的神經網絡訓練容器，其特征在于，

還包括標準字段對照表，所述標準字段對照表記錄目標神經網絡模型的每個輸入的標準字段名稱、字段含義和歸一化算子，提供數據行的數據源方根據字段含義，將所提交的數據行的字段名稱關聯對應的標準字段名稱，并使用對應的歸一化算子將字段值歸一化。

4.神經網絡模型托管訓練方法，使用如權利要求1至3任一項所述的基于區塊鏈的神經網絡訓練容器，其特征在于，

包括以下步驟：

建立托管節點，所述托管節點建立神經網絡訓練容器；

所述托管節點接收用戶提供的神經網絡模型和測試集，將神經網絡模型和測試集輸入神經網絡訓練容器，獲得目標神經網絡模型、目標測試集、主模型和若干個子模型；

所述托管節點建立報價和賬單，用戶向所述托管節點的虛擬賬戶轉賬若干個代幣；

擁有數據行的數據源方若接受報價，則將其數據行的哈希值提交給所述托管節點，所述托管節點建立備份點；

所述托管節點將若干個子模型發送給數據源方，數據源方依次將若干個數據行代入子模型，獲得子模型的輸出后，將子模型的輸出發送給所述托管節點；

所述托管節點將子模型的輸出代入主模型，獲得損失值，按照梯度值更新目標神經網絡模型、主模型和子模型；

所述托管節點將更新后的子模型發送給數據源方，數據源方再次計算并反饋子模型的輸出，直到達到訓練結束條件；

所述托管節點將數據行哈希值存入歷史記錄集，所述托管節點在賬單中記錄數據源方和數據行哈希值；

所述托管節點檢查目標神經網絡模型在目標測試集上的準確度，若準確度高于上一個備份點處的準確度，則確認賬單，將上一個備份點后新生成的賬單記錄結賬，將對應數量的代幣轉賬到數據源方的虛擬賬戶，刪除備份點。

5.根據權利要求4所述的神經網絡模型托管訓練方法，其特征在于，

所述數據源方接收到若干個子模型后，對若干個子模型進行隱私安全檢查，若隱私安全檢查不通過，則停止訓練，若隱私安全檢查通過，則計算子模型的輸出提交給所述托管節點。

6.根據權利要求5所述的神經網絡模型托管訓練方法，其特征在于，

所述隱私安全檢查的方法包括：

將子模型中權系數為0的連接刪除；

檢查子模型的輸出是否僅涉及到一個輸入層神經元的連接，若是，則子模型隱私安全檢查不通過，反之，子模型的隱私安全檢查通過；

若全部子模型的隱私安全檢查均通過，則判定隱私安全檢查通過，計算子模型的輸出提交給所述托管節點。