[發明專利]聯邦學習模型的訓練方法、裝置、電子設備、介質及產品

在審

• 申請號: 202111254690.X
• 申請日: 2021-10-27
• 公開（公告）號: CN113988319A
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 衣志昊
• 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: 北京派特恩知識產權代理有限公司 11270
• 代理人: 趙翠萍;張穎玲

本申請提供了一種聯邦學習模型的訓練方法、裝置、電子設備、計算機可讀存儲介質及計算機程序產品；應用于具有標簽的主動方設備，方法包括：獲取用于訓練聯邦學習模型的樣本的樣本標識，以及本地存儲的樣本的第一樣本特征；發送攜帶樣本標識的樣本確定請求至至少一個被動方設備；其中，樣本確定請求，用于被動方設備從本地樣本特征庫中，篩選得到對應樣本標識的第二樣本特征；接收被動方設備發送的對應樣本確定請求的響應信息；當響應信息指示對應樣本標識的第二樣本特征篩選完成時，結合樣本的第一樣本特征及第二樣本特征，訓練聯邦學習模型。通過本申請，能夠提高篩選訓練樣本的準確性，有效提高聯邦學習系統的建模效率。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種聯邦學習模型的訓練方法、裝置、電子設備、計算機可讀存儲介質以及計算機程序產品。

背景技術

聯邦學習技術是新興的一種隱私保護技術，能夠保證數據在不出本地的前提下，有效聯合各方數據進行模型訓練。

相關聯邦學習模型的訓練過程中，需要建模人工配置大量信息，如撞庫得到的表名、命名空間等。這樣，將大量與模型訓練無關的系統技術細節暴露給了用戶，普通的建模用戶需要仔細閱讀文檔并接受專業人員的指導才能開展聯邦建模工作，由于聯邦建模的撞庫和建模耗時較長，一旦人工配置出錯，會浪費大量的時間，導致建模效率低。

發明內容

本申請實施例提供一種聯邦學習模型的訓練方法、裝置、電子設備、計算機可讀存儲介質及計算機程序產品，能夠提高篩選訓練樣本的準確性，有效提高聯邦學習系統的建模效率。

本申請實施例的技術方案是這樣實現的：

本申請實施例提供一種聯邦學習模型的訓練方法，應用于具有標簽的主動方設備，包括：

獲取用于訓練所述聯邦學習模型的樣本的樣本標識，以及本地存儲的所述樣本的第一樣本特征；

發送攜帶所述樣本標識的樣本確定請求至至少一個被動方設備；

其中，所述樣本確定請求，用于所述被動方設備從本地樣本特征庫中，篩選得到對應所述樣本標識的第二樣本特征；

接收所述被動方設備發送的對應所述樣本確定請求的響應信息；

當所述響應信息指示對應所述樣本標識的第二樣本特征篩選完成時，結合所述樣本的第一樣本特征及所述第二樣本特征，訓練所述聯邦學習模型。

本申請實施例提供一種聯邦學習模型的訓練裝置，包括：

獲取模塊，用于獲取用于訓練所述聯邦學習模型的樣本的樣本標識，以及本地存儲的所述樣本的第一樣本特征；

發送模塊，用于發送攜帶所述樣本標識的樣本確定請求至至少一個被動方設備；其中，所述樣本確定請求，用于所述被動方設備從本地樣本特征庫中，篩選得到對應所述樣本標識的第二樣本特征；

接收模塊，用于接收所述被動方設備發送的對應所述樣本確定請求的響應信息；

訓練模塊，用于當所述響應信息指示對應所述樣本標識的第二樣本特征篩選完成時，結合所述樣本的第一樣本特征及所述第二樣本特征，訓練所述聯邦學習模型。

上述方案中，所述獲取模塊，還用于獲取樣本配置信息，所述樣本配置信息包括樣本特征范圍以及樣本標識，所述樣本特征范圍用于指示訓練所述聯邦學習模型的樣本的樣本特征所歸屬的范圍；

根據所述樣本標識，確定本地樣本特征庫與所述樣本標識對應的本地樣本特征；

根據所述樣本特征范圍，篩選所述本地樣本特征落入所述樣本特征范圍的樣本特征，作為第一樣本特征。

上述方案中，所述獲取模塊，還用于獲取樣本配置信息，所述樣本配置信息包括樣本特征范圍；