[發(fā)明專利]機器學習模型的訓練方法、裝置、設備及存儲介質

在審

• 申請?zhí)枺?/td>: 202111443214.2
• 申請日: 2021-11-30
• 公開（公告）號: CN114091689A
• 公開（公告）日: 2022-02-25
• 發(fā)明（設計）人: 黃安埠
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 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?zhí)峁┝艘环N機器學習模型的訓練方法、裝置、設備、計算機可讀存儲介質和計算機程序產品；方法包括：接收多個訓練端設備分別發(fā)送的訓練后的機器學習模型；其中，所述訓練端設備是在所述服務端設備發(fā)送的機器學習模型的基礎上訓練的；確定每個所述訓練后的機器學習模型的測試結果，根據(jù)所述測試結果從多個所述訓練后的機器學習模型中確定滿足近似條件的至少兩個訓練后的機器學習模型；對所述至少兩個訓練后的機器學習模型進行融合處理，得到融合后機器學習模型。通過本申請，能夠有效提高機器學習模型的訓練效率。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種機器學習模型的訓練方法、裝置、設備、計算機可讀存儲介質及計算機程序產品。

背景技術

人工智能(Artificial Intelligence，AI)是利用數(shù)字計算機或者數(shù)字計算機控制的機器模擬、延伸和擴展人的智能，感知環(huán)境、獲取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統(tǒng)。換句話說，人工智能是計算機科學的一個綜合技術，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器。人工智能也就是研究各種智能機器的設計原理與實現(xiàn)方法，使機器具有感知、推理與決策的功能。

在現(xiàn)有的聯(lián)邦學習的技術方案中，服務端設備往往需要對所有訓練端設備發(fā)送的訓練后的機器學習模型進行融合，在訓練端設備發(fā)送的訓練后的機器學習模型數(shù)量龐大的情況下，融合過程會造成嚴重耗時，從而嚴重影響訓練效率。對于如何提高機器學習模型的訓練效率，相關技術尚無有效解決方案。

發(fā)明內容

本申請實施例提供一種機器學習模型的訓練方法、裝置、計算機可讀存儲介質及計算機程序產品，能夠有效提高機器學習模型的訓練效率。

本申請實施例的技術方案是這樣實現(xiàn)的：

本申請實施例提供一種機器學習模型的訓練方法，包括：

接收多個訓練端設備分別發(fā)送的訓練后的機器學習模型；其中，所述訓練端設備是在所述服務端設備發(fā)送的機器學習模型的基礎上訓練的；

確定每個所述訓練后的機器學習模型的測試結果，根據(jù)所述測試結果從多個所述訓練后的機器學習模型中確定滿足近似條件的至少兩個訓練后的機器學習模型；

對所述至少兩個訓練后的機器學習模型進行融合處理，得到融合后機器學習模型。

本申請實施例提供一種機器學習模型的訓練裝置，包括：

接收模塊，用于接收多個訓練端設備分別發(fā)送的訓練后的機器學習模型；其中，所述訓練端設備是在所述服務端設備發(fā)送的機器學習模型的基礎上訓練的；

確定模塊，用于確定每個所述訓練后的機器學習模型的測試結果，根據(jù)所述測試結果從多個所述訓練后的機器學習模型中確定滿足近似條件的至少兩個訓練后的機器學習模型；

融合模塊，用于對所述至少兩個訓練后的機器學習模型進行融合處理，得到融合后機器學習模型。

上述方案中，所述機器學習模型的訓練裝置，還包括：發(fā)送模塊，用于向所述多個訓練端設備發(fā)送所述融合后機器學習模型；其中，所述融合后機器學習模型用于作為所述多個訓練端設備進行下一次訓練的基礎。

上述方案中，所述確定模塊，用于基于測試樣本分別調用所述多個訓練后的機器學習模型，得到每個所述訓練后的機器學習模型的測試結果。

上述方案中，所述確定模塊，還用于從每個所述訓練后的機器學習模型的測試結果中，確定滿足所述近似條件的至少兩個測試結果；將所述至少兩個測試結果對應的訓練后的機器學習模型，確定為滿足近似條件的至少兩個訓練后的機器學習模型。