[發明專利]聯邦學習建模優化方法、設備、可讀存儲介質及程序產品

在審

• 申請號: 202111151142.4
• 申請日: 2021-09-29
• 公開（公告）號: CN113792892A
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 康焱;吳岳洲
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06N20/20
• 分類號: G06N20/20
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 王徑武

1.一種聯邦學習建模優化方法，其特征在于，應用于第一設備，所述聯邦學習建模優化方法包括：

獲取訓練好的特征提取模型和分類模型，并提取第一訓練樣本、第一噪音數據、所述第一訓練樣本對應的第一真實分類標簽；

獲取所述特征提取模型針對于所述第一訓練樣本生成的第一樣本特征，以及待訓練特征生成模型針對于所述第一噪音數據和所述第一真實分類標簽生成的第二樣本特征；

通過所述分類模型對所述第二樣本特征進行分類以及通過待訓練樣本區分模型對所述第一樣本特征與所述第二樣本特征進行樣本區分，在固定所述特征提取模型和所述分類模型的情況下對所述待訓練特征生成模型進行迭代優化，得到特征生成模型；

將所述特征生成模型和所述分類模型發送至第二設備，以供第二設備依據各所述第一設備發送的特征生成模型，迭代優化聚合各所述特征生成模型得到的全局特征生成模型以及聚合各所述分類模型得到的全局分類模型，得到目標全局特征生成模型和目標全局分類模型；

接收所述第二設備發送的目標全局特征生成模型和目標全局分類模型，并依據所述目標全局特征生成模型，對所述特征提取模型和所述目標全局分類模型進行迭代優化，得到目標特征提取模型和目標分類模型。

2.如權利要求1所述聯邦學習建模優化方法，其特征在于，所述通過所述分類模型對所述第二樣本特征進行分類以及通過待訓練樣本區分模型對所述第一樣本特征與所述第二樣本特征進行樣本區分，在固定所述特征提取模型和所述分類模型的情況下對所述待訓練特征生成模型進行迭代優化，得到特征生成模型的步驟包括:

通過所述分類模型對所述第二樣本特征進行分類，以及通過待訓練第一樣本區分模型對所述第一樣本特征和所述第二樣本特征進行樣本區分，計算第一分類損失以及樣本區分損失；

依據所述第一分類損失和所述樣本區分損失，迭代優化所述待訓練特征生成模型，得到所述特征生成模型。

3.如權利要求2所述聯邦學習建模優化方法，其特征在于，所述通過所述分類模型對所述第二樣本特征進行分類，以及通過待訓練第一樣本區分模型對所述第一樣本特征和所述第二樣本特征進行樣本區分，計算第一分類損失以及樣本區分損失的步驟包括：

依據所述分類模型，對所述第二樣本特征進行分類，得到第一預測分類標簽；

依據所述第一預測分類標簽和所述第一真實分類標簽，計算第一分類損失；

依據所述樣本區分模型，分別對所述第一樣本特征和所述第二樣本特征進行二分類，得到二分類結果；

依據所述二分類結果以及所述第一樣本特征和所述第二樣本特征共同對應的正負樣本標簽，計算所述樣本區分損失。

4.如權利要求1所述聯邦學習建模優化方法，其特征在于，所述依據所述目標全局特征生成模型，對所述特征提取模型和所述目標全局分類模型進行迭代優化，得到目標特征提取模型和目標分類模型的步驟包括：

提取第二訓練樣本、第二噪音數據以及所述第二訓練樣本對應的第二真實分類標簽；

獲取所述特征提取模型針對于所述第二訓練樣本生成的本地樣本特征，以及獲取所述目標全局特征生成模型針對于所述第二噪音數據和所述第二真實分類標簽生成的全局樣本特征；

依據所述第二真實分類標簽以及所述目標全局分類模型針對于所述本地樣本特征生成的第二預測分類標簽，計算第二分類損失；

依據所述本地樣本特征和所述全局樣本特征之間的相似度，計算特征相似度損失；

依據所述第二分類損失和所述特征相似度損失，在固定所述目標全局特征生成模型的情況下迭代優化所述特征提取模型和所述目標全局分類模型，得到所述目標特征提取模型和所述目標分類模型。