CN109389412B - 一种训练模型的方法、装置、服务设备以及用户设备 - Google Patents

一种训练模型的方法、装置、服务设备以及用户设备 Download PDF

Info

Publication number
CN109389412B
CN109389412B CN201710653221.2A CN201710653221A CN109389412B CN 109389412 B CN109389412 B CN 109389412B CN 201710653221 A CN201710653221 A CN 201710653221A CN 109389412 B CN109389412 B CN 109389412B
Authority
CN
China
Prior art keywords
training
user equipment
model
value
model parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710653221.2A
Other languages
English (en)
Other versions
CN109389412A (zh
Inventor
解岭
李小龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201710653221.2A priority Critical patent/CN109389412B/zh
Publication of CN109389412A publication Critical patent/CN109389412A/zh
Application granted granted Critical
Publication of CN109389412B publication Critical patent/CN109389412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Abstract

本说明书实施例公开了一种训练模型的方法及装置。在本说明书实施例中，用户设备无需向服务设备发送隐私的用户数据，而是由用户设备根据自身存储的用户数据和服务设备发来的模型参数，获得训练中间值，再将得到的训练中间值返回服务设备，由服务设备根据训练中间值确定训练效果表征值，并判断是否满足第一指定条件，若是，则根据该模型参数生成模型，若否，则根据确定出的训练效果表征值调整模型参数继续训练。

Description

一种训练模型的方法、装置、服务设备以及用户设备
技术领域
本申请涉及信息技术领域，尤其涉及一种训练模型的方法、装置、服务设备以及用户设备。
背景技术
目前，服务提供商使用自己训练的模型为企业或个人等用户提供预测、风控、预警等服务的模式已经日渐成熟。在这种模式下，服务提供商所提供的服务质量的好坏很大程度上取决于其训练的模型是否准确。
众所周知，用于训练模型的样本越丰富、越多样化，训练得到的模型的准确度也会越高。在上述模式中，服务提供商一般直接采用用户提供的数据作为样本对模型进行训练。
在保护用户隐私不泄露的情况下，在保护用户隐私不泄露的情况下，提高服务提供商的模型的准确度。
发明内容
本说明书实施例提供一种训练模型的方法、装置、服务设备以及用户设备，以解决如何在保护用户隐私不泄露的情况下，提高服务提供商的模型的准确度的问题。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种训练模型的方法，包括：
服务设备向用户设备发送模型参数，以使所述用户设备根据所述模型参数以及所述用户设备自身保存的用户数据获得训练中间值；
接收所述用户设备返回的所述训练中间值；
根据所述训练中间值确定训练效果表征值；
判断所述训练效果表征值是否满足第一指定条件；
若是，则根据所述模型参数生成模型；
否则，根据所述训练效果表征值，对所述模型参数进行调整，并将调整后的模型参数发送给所述用户设备，接收所述用户设备根据所述调整后的模型参数重新获得的训练中间值，根据重新获得的训练中间值重新确定训练效果表征值，直至确定的训练效果表征值满足所述第一指定条件。
本说明书实施例提供的一种训练模型的方法，包括：
用户设备接收服务设备发送的模型参数；
根据所述模型参数以及所述用户设备自身保存的用户数据，获得训练中间值；
向所述服务设备返回所述训练中间值，以使所述服务设备根据所述训练中间值确定训练效果表征值，并在确定所述训练效果表征值满足指定条件时，根据所述模型参数生成模型，或者，在确定所述训练效果表征值不满足指定条件时，根据所述训练效果表征值调整所述模型参数，并将调整后的模型参数发送给所述用户设备继续训练模型。
本说明书实施例提供的一种训练模型的装置，包括：
发送模块，向用户设备发送模型参数，以使所述用户设备根据所述模型参数以及所述用户设备自身保存的用户数据获得训练中间值；
接收模块，接收所述用户设备返回的所述训练中间值；
确定模块，根据所述训练中间值确定训练效果表征值；
判断模块，判断所述训练效果表征值是否满足第一指定条件；
模型生成模块，当所述判断模块的判断结果为是时，根据所述模型参数生成模型；
迭代模块，当所述判断模块的判断结果为否时，根据所述训练效果表征值，对所述模型参数进行调整，并将调整后的模型参数发送给所述用户设备，接收所述用户设备根据所述调整后的模型参数重新获得的训练中间值，根据重新获得的训练中间值重新确定训练效果表征值，直至确定的训练效果表征值满足所述第一指定条件。
本说明书实施例提供的一种训练模型的装置，包括：
接收模块，接收服务设备发送的模型参数；
训练模块，根据所述模型参数以及所述装置自身保存的用户数据，获得训练中间值；
发送模块，向所述服务设备返回所述训练中间值，以使所述服务设备根据所述训练中间值确定训练效果表征值，并在确定所述训练效果表征值满足指定条件时，根据所述模型参数生成模型，或者，在确定所述训练效果表征值不满足指定条件时，根据所述训练效果表征值调整所述模型参数，并将调整后的模型参数发送给所述装置继续训练模型。
本说明书实施例提供的一种服务设备，包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
向用户设备发送模型参数，以使所述用户设备根据所述模型参数以及所述用户设备自身保存的用户数据获得训练中间值；
接收所述用户设备返回的所述训练中间值；
根据所述训练中间值确定训练效果表征值；
判断所述训练效果表征值是否满足第一指定条件；
若是，则根据所述模型参数生成模型；
否则，根据所述训练效果表征值，对所述模型参数进行调整，并将调整后的模型参数发送给所述用户设备，接收所述用户设备根据所述调整后的模型参数重新获得的训练中间值，根据重新获得的训练中间值重新确定训练效果表征值，直至确定的训练效果表征值满足所述第一指定条件。
本说明书实施例提供的一种用户设备，包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
接收服务设备发送的模型参数；
根据所述模型参数以及所述用户设备自身保存的用户数据，获得训练中间值；
向所述服务设备返回所述训练中间值，以使所述服务设备根据所述训练中间值确定训练效果表征值，并在确定所述训练效果表征值满足指定条件时，根据所述模型参数生成模型，或者，在确定所述训练效果表征值不满足指定条件时，根据所述训练效果表征值调整所述模型参数，并将调整后的模型参数发送给所述用户设备继续训练模型。
由以上本说明书实施例提供的技术方案可见，在本说明书实施例中，用户设备无需向服务设备发送隐私的用户数据，而是由用户设备根据自身的用户数据和服务设备发来的模型参数，获得训练中间值，并将训练中间值返回给服务设备，由服务设备根据训练中间值确定训练效果表征值，再根据训练效果表征值调整模型参数继续训练。由于用户设备向服务设备发送的训练中间值并不是隐私，因此，上述方法既可保证用户隐私不泄露，又可根据隐私数据来训练服务提供商的模型，提高模型的准确度。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的训练模型的流程；
图2是本说明书实施例提供的训练模型的系统示意图；
图3是本说明书实施例提供的另一种训练模型的系统示意；
图4为本说明书实施例提供的一种训练模型的系统架构的示意图；
图5为本说明书实施例提供的另一种训练模型的系统架构的示意图；
图6是本说明书提供的第一种训练模型的装置示意图；
图7是本说明书提供的第二种训练模型的装置示意图；
图8是本说明书实施例提供的服务设备示意图；
图9是本说明书实施例提供的用户设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1是本说明书实施例提供的训练模型的流程，包括以下步骤：
S102：服务设备向用户设备发送模型参数。
在本说明书中，服务设备即为服务提供商的设备，是模型的拥有者，也是需要训练出模型的一方。而用户设备则是存储有训练模型所需的用户数据的设备，这些用户数据往往是隐私数据。
一般训练模型是通过一系列的优化算法，通过迭代，确定出一组模型参数，使后续根据由该模型参数生成的模型得到的结果尽量贴近实际。从某种程度上来讲，模型参数确定得是否准确决定了模型是否准确。
而由于本说明书所要解决的问题就是在保证用户的隐私数据不泄露给服务提供商的前提下，采用用户的隐私数据训练模型，以提高模型的准确性，因此，服务设备可将待训练的模型的模型参数发送给用户设备，或者，服务设备也可将包含模型参数的待训练的模型发送给用户设备，用以由用户设备根据其自身的隐私数据，辅助服务设备对待训练的模型的模型参数进行训练。其中，待训练的模型是由模型参数生成的，也就是说，待训练的模型中包含有模型参数。
于是，在本说明书实施例中，用户设备可在接收到服务设备发送的模型参数后，根据其自身的隐私数据以及接收到的模型参数，获得训练中间值。其中，训练中间值是后续用于确定训练效果表征值的中间值，具体的，当用户设备接收到的是包含模型参数的模型时，可根据接收到的模型和自身保存的用户数据获得的模型输出结果，或者，当用户设备接收到的是模型参数时，也可以是用户设备根据自身保存的用户数据以及接收的模型参数确定其他用于计算训练效果表征值的数值，本说明书对此不做限定。
S104：接收所述用户设备返回的所述训练中间值。
在本说明书中，为了使服务设备确定如何调整该模型，用户设备还可将该训练中间值返回该服务设备。
S106：根据所述训练中间值确定训练效果表征值。
在本说明书中，训练模型的过程是一个迭代训练的过程，本说明书中所述的训练效果表征值就是用于量化每一次迭代训练的效果的数值。具体的，如何确定训练效果表征值的方法与所采用的训练方法相关，例如，当用户设备返回的训练中间值为模型输出结果时，训练效果表征值可以是在一次迭代训练的过程中所得到的模型输出结果与实际结果之间的差异性表征值，本说明书对此不作限定。
S108：判断所述训练效果表征值是否满足第一指定条件，若是，执行步骤S110，否则执行步骤S112。
S110：根据所述模型参数生成模型。
S112：根据所述训练效果表征值，对所述模型参数进行调整，并将调整后的模型参数发送给所述用户设备，接收所述用户设备根据所述调整后的模型参数重新获得的训练中间值，根据重新获得的训练中间值重新确定训练效果表征值，直至确定的训练效果表征值满足所述第一指定条件。
在步骤S108中，服务器可根据该训练效果表征值，判断若根据当前的模型参数生成模型，该模型是否已经达到期望的准确度，若是，则可根据该模型参数生成模型，否则，可通过步骤S112，对该模型参数进行调整，并将调整后的模型参数发送给用户设备，以进行下一次迭代训练。其中，上述的第一指定条件可根据需要设定。
通过上述方法可见，用户设备实质上也参与到了训练模型的过程中，用户设备无需将自身的隐私数据(即上述的用户数据)发送给服务设备，而是根据服务设备发来的模型参数，采用自身的隐私数据直接在该用户设备本地进行训练，并将训练中间值返回服务设备，以使服务设备根据该训练中间值确定训练效果表征值，并决定是否进行下一次迭代训练。由上例可知，训练中间值几乎不能反映出任何用户数据，因此，训练中间值并非是隐私数据，从而上述方法可在不泄露用户的隐私数据的前提下，采用用户的隐私数据训练模型，达到提高模型准确度的目的。
进一步的，由于服务提供商是模型的拥有者，其可能也会将拥有的模型(包含模型参数)视为隐私而不愿透露给用户，因此，在本说明书中，可在用户设备中预先配置用于训练模型的模块。该模块中存储有上述的训练方法。如图2所示。
在图2中，服务提供商在用户设备中预先配置了用于训练模型的模块，该模块具体用于，接收服务设备发送的模型参数，从该模块所在的用户设备中读取用户数据，根据该模型参数和用户数据进，确定训练中间值并返回服务设备。
也就是说，该模块与服务设备的信息交互过程包括：接收服务设备发送的模型参数和向服务设备发送训练中间值。该模块与其所在的用户设备的信息交互包括：读取用户设备中存储的用户数据。该模块与服务设备和用户设备的交互过程并不包括将用户设备中存储的用户数据发送给服务设备或其他设备，也不包括将服务设备发送的模型参数发送给其他设备。这就一方面保证了该模块不会将读取的用户数据发送给服务设备或其他设备，另一方面也保证了该模块中存储的模型参数也不会泄露给其他用户设备。当然，正如前述的，该模块也可接收服务设备发送的包含模型参数的模型，从该模块所在的用户设备中读取用户数据，将用户数据输入模型中，将计算得到的模型输出结果作为训练中间值，并将模型输出结果返回服务设备，本说明书对此不再赘述。
从另一个角度来说，在如图2所示的系统中，服务设备和用户设备相互配合，均参与到了训练模型的过程中，因此，如图2所示的系统实质上也是一个分布式的系统。
另外，正如前述，训练模型所采用的样本越丰富，训练出的模型越准确，因此，在实际应用中，服务提供商训练模型可能需要不止一个用户的用户数据，也就是说，上述图1所示的过程中所述的用户设备可能存在多个，且这些用户设备中存储的用户数据至少不完全相同。此时，本说明书中训练模型的系统架构如图3所示。
在图3中，服务设备可将待训练的模型的模型参数发送给每个用户设备，每个用户设备根据该模型参数以及各自保存的用户数据，分别向服务设备返回各自确定出的训练中间值。
由于各用户设备中保存的用户数据不同，也就意味着各用户设备采用的训练样本不同，因此，各用户设备确定出的训练中间值也各不相同。服务设备接收到各用户设备返回的训练中间值后，可根据各用户设备分别返回的训练中间值确定训练效果表征值。其中，服务设备根据各用户设备分别返回的训练效果表征值确定训练效果表征值的方法可以是：分别计算不同用户设备返回的训练中间值对应的训练效果表征值，再确定各训练效果表征值的平均值或中位数，本说明书对此不作限制。
当然，在图3所示的系统中，服务提供商同样可以在每个用户设备中预置与图2中类似的模块，该模块的功能与图2所示的模块相同，这里就不再一一赘述。
进一步的，在本说明书中，为了防止服务设备和用户设备在训练过程中传输的模型参数、训练中间值等训练数据被黑客篡改，还可对这些训练数据进行加密。即，在图1所示的步骤S102中，服务设备向用户设备发送加密的模型参数，用户设备对加密的模型参数进行解密，得到解密的模型参数后，再根据解密的模型参数继续后续的步骤。步骤S104中，用户设备向服务设备发送加密的训练中间值，服务设备对加密的训练中间值进行解密，得到解密的训练中间值，再根据解密的训练中间值继续后续的步骤。
上述的对模型参数和训练中间值进行加密和解密的方法可以由服务设备和用户设备预先约定。
另外，在图3所示的系统中，不同的用户设备的计算能力通常不完全一致，不同的用户设备中存储的用户数据的数量也不完全相同，所以各用户设备计算得到训练中间值所需的时间也可能不同，也就会导致服务设备与各用户设备的迭代次数可能不同。如果某个用户设备的迭代次数与服务设备的迭代次数相差较大，即，用户设备向服务设备返回训练中间值的次数与服务设备调整模型参数的次数相差较大，则说明用户设备返回的训练中间值所基于的模型参数已经是服务设备经过多次调整之前的模型参数，其与当前经过多次调整后的模型参数可能已经相差甚远，基于这样的训练中间值并不能准确的对当前经过多次调整后的模型参数再进行调整了。
因此，在本说明书中，服务设备在确定训练效果表征值时，可以针对每个用户设备，先确定该用户设备返回训练中间值的次数，之后，再根据分别针对每个用户设备确定出的次数，从各用户设备选择满足第二指定条件的用户设备，最后根据选择出的用户设备分别返回的训练中间值，确定训练效果表征值。其中，该第二指定条件可以是：当前迭代训练次数与用户设备返回训练中间值的次数之差小于指定阈值。当前迭代训练次数具体可以是当前各用户设备返回训练中间值的最大次数。
对于不满足上述第二指定条件的用户设备返回的训练中间值，服务设备则可直接忽视，仅根据满足第二指定条件的用户设备返回的训练中间值调整模型参数。调整后，服务设备既要将调整后的模型参数发送给满足第二指定条件的用户设备，也要将调整后的模型参数发送给不满足第二指定条件的用户设备，使不满足第二指定条件的用户设备根据当前调整后的模型参数继续进行迭代训练。
并且，当服务设备确定任一用户设备返回的训练中间值不满足第二指定条件时，该服务设备还可以重置记录的各用户设备返回训练中间值的次数。以便后续服务设备可根据重置后的各用户设备返回的训练中间值的次数，从各用户设备选择满足第二指定条件的用户设备，并根据选择出的户设备分别返回的训练中间值，继续确定训练效果表征值。
其中，服务设备可以根据日志中的接收训练中间值的记录，确定各用户设备返回的训练中间值的次数。
例如，假设存在服务设备、用户设备A以及用户设备B，其中指定阈值为5次。进一步假设，用户设备A返回训练中间值的次数为10次，用户设备B返回的训练中间值的次数为15次，根据当前各用户设备返回的训练中间值的最大次数可确定服务设备迭代训练次数为15次。于是，服务设备可确定用户设备A返回训练中间值的次数与迭代训练次数的差值(即，5次)不小于指定阈值(即，5次)。因此，服务设备可确定用户设备B满足第二指定条件，并且选择用户设备B返回的训练中间值，确定训练效果表征值。之后，服务设备可将根据训练效果表征值调整后的模型参数，再次发送给用户设备A以及用户设备B，以使用户设备A以及用户设备B根据调整后的模型参数分别重新获得训练中间值，并返回服务设备。服务设备则可根据各用户设备重新获得的训练中间值，重新确定训练效果表征值，直至确定的训练效果表征值满足第一指定条件。
进一步地，由于服务设备确定用户设备A不满足第二指定条件，因此服务设备还可重置记录的用户设备A以及用户设备B返回训练中间值的次数。即，此时服务设备中记录的用户设备A以及用户设备B返回训练中间值的次数均重置为0次。则在后续服务设备再次接收到用户设备A以及用户设备B返回训练中间值时，可确定用户设备A以及用户设备B返回训练中间值的次数为1次，并再次确定迭代训练次数为1次，以此类推本说明书对此不再赘述。
下面分别以两种应用场景为例，对图3所示的训练模型的系统架构进行详细说明，如图4以及图5所示。
图4为本说明书实施例提供的一种训练模型的系统架构的示意图，其中，该训练模型用于预测企业盈亏，则通过该训练模型的系统架构训练模型的过程依然可如图1所示。
在本说明书实施例中，以f(x)表示用于预测企业盈亏模型为例进行说明，x为用户数据，f(x)中的模型参数为w1、w2、……wm。假设代价函数为cost＝L(h(w1，w2……wm，A1，A2……Am，B1，B2……Bm))，可根据公式
Figure GDA0003468654450000111
调整模型参数。其中，Cost即为训练效果表征值，h(w1，w1……wm，A1，A2……Am，B1，B2……Bm)为用户设备返回的训练中间值，w′j表示调整后的模型参数，wj表示未调整过的模型参数，j＝1～m。A1～Am为用户设备A中存储的用户数据，B1～Bm为用户设备B中存储的用户数据，
Figure GDA0003468654450000112
为根据不同的用户设备返回的训练中间值确定的调整值，
Figure GDA0003468654450000113
函数依训练模型的方法而定。
通过图4所示的系统架构的示意图，可见用户设备A以及用户设备B分别属于不同的两个企业，服务设备向该用户设备A以及该用户设备B分别发送模型参数。另外，在训练用于预测企业盈亏的模型的场景下，用户数据可以是企业用户的财务报表。而由于不同企业的财务报表中的数据的类型通常是相同的(如，净利润、应交税费、营业收入等等可视为不同类型的数据)。因此，服务设备可向各用户设备发送相同的模型参数，即，服务设备发送给各用户设备的模型参数w1、w2、……wm均是相同的。
各用户设备可根据接收到的模型参数以及自身存储的用户数据，计算得到训练中间值并返回该服务设备。其中，用户设备A中存储的用户数据{A1,A2……Am}即为用户设备A计算训练中间值时采用的用户数据x，用户设备B中存储的用户数据{B1,B2……Bm}即为用户设备B计算训练中间值时采用的f(x)输入的用户数据x。当然，若服务设备向用户设备A以及用户设备B发送的是包含模型参数的待训练的模型f(x)，则用户数据x可直接输入模型f(x)中，并以模型输出结果为训练中间值，本说明书对此不做限定。
当然，不同的用户设备中存储的用户数据的类型也可能不完全相同，例如，用户设备A中存储的用户数据{A1,A2……Am-1}，用户设备B中存储的用户数据{B2,B3……Bm}。也就是说对于某些模型参数，不同的用户设备中可能并没有与这些模型参数对应的用户数据。则当用户设备中没有与这些模型参数对应的用户数据时，可以将这些模型参数置为0。如上例中，可将向用户设备A发送的模型参数wm置为0，将向用户设备B发送的模型参数w1置为0。反之，上述模型参数wm以及w1也可均不置为0，则根据用户设备A返回的训练中间值，服务设备可以训练调整模型参数w1，根据用户设备B返回的训练中间值，服务设备可以训练调整模型参数wm。而服务设备可根据用户设备A以及用户设备B分别返回的训练中间值，训练调整模型f(x)中全部的模型参数w1～wm。
在本说明书实施例中，步骤S106中根据所述训练中间值确定训练效果表征值时，服务设备可根据各用户设备返回的训练中间值，采用上述的公式cost＝L(h(w1，w2……wm，A1，A2……Am，B1，B2……Bm))确定训练效果表征值。若训练效果表征值满足第一指定条件，则根据模型参数w1～wm生成模型，否则，可根据公式
Figure GDA0003468654450000121
调整各模型参数，并将调整后的模型参数重新发送给用户设备A和用户设备B，以开始下一次迭代训练。
图5为本说明书实施例提供的另一种训练模型的系统架构的示意图，其中，该训练模型用于评价一个人的信用能力，则通过该训练模型的系统架构训练模型的过程也可如图1所示。
继续以公式f(x)表示用于评价信用能力模型为例进行说明，x为用户数据，f(x)中的模型参数为w1、w2、……wm。假设代价函数为
Figure GDA0003468654450000132
可根据公式
Figure GDA0003468654450000131
调整模型参数。
通过图5所示的系统架构的示意图，可见用户设备A以及用户设备B分别属于不同的两个企业，服务设备向该用户设备A以及该用户设备B分别发送模型参数。
其中，在训练用于评价信用能力的模型的场景下，用户数据可以是一个人在各机构产生的信用记录。针对某人而言，其往往会在多个机构处产生信用记录，不同的企业中存储的同一个人的用户数据的类型可能是不同的。例如，企业A向个人C发放贷款，则企业A中可能存储C的抵押信息，企业B为C办理理财产品，则企业B中可能存储C的年化收益率，针对同一个人C来说，若C既在企业A中贷款，又在企业B中购买理财产品，则在企业A与企业B中存储的C的用户数据类型可能不同。而模型f(x)需要综合C在企业A和企业B中产生的用户数据，来对C的信用能力进行评价。因此，在本说明书实施例中，服务设备向各用户设备发送的模型参数可以是不完全相同的。
假设用户设备A中存储的C的用户数据为{A1，A2……Ag}，用户设备B中存储的C的用户数据为{Ag+1，Ag+2……Am}，而模型f(x)中与用户数据{A1，A2……Ag}对应的模型参数为w1、w2、……wg，与用户数据{Ag+1，Ag+2……Am}对应的模型参数为wg+1、wg+2、……wm。则在服务设备向用户A发送的模型参数wg+1、wg+2、……wm可以为0，在服务设备向用户B发送的模型参数w1、w2、……wg可以为0。
当然，在不同设备中存储的用户数据可能存在相同的部分(例如，对于同一个用户来说，该用户的姓名、年龄、性别等等可能在不同机构中均有存储)。于是，在本说明书实施例中，不同的用户设备保存的用户数据的类型可能部分相同。服务设备在向不同用户设备发送模型参数时，模型参数也可部分相同。
具体的，服务设备在向用户设备发送模型参数时，可先确定各用户设备中存储的用户数据的类型，再根据用户设备中存储的用户数据类型，确定向各用户设备发送的模型参数。
例如，用户设备A中存储的C的用户数据为{A1，A2……Ag，Am}，用户设备B中存储的C的用户数据为{A1，Ag+1，Ag+2……Am}。于是，服务设备可以确定用户设备A与用户设备B中存在相同类型的用户数据(如，在用户设备A以及用户设备B中分别存储的用户数据A1的类型相同，分别存储的用户数据Am的类型相同)，在模型f(x)中分别对应模型参数w1以及wm。则该服务设备可以按照各用户设备中存储的用户数据的类型，确定向各用户设备发送的模型参数。也就是说对于模型参数w1以及wm来说，可以均存在于向用户设备A以及用户设备B发送的各模型参数中。即，模型参数w1以及wm均可不为0。
或者，该服务设备可以在向用户设备A以及设备用户B分别发送模型参数时，保证向一个用户设备发送的模型参数w1以及wm不为0，而向其余用户设备发送的模型参数w1以及wm可以为0。
具体的，服务设备可先确定各用户设备中存储的用户数据的类型，并确定在不同用户设备中重复出现的用户数据的类型，之后，针对每种重复出现的用户数据类型，选择任一一个用户设备，向该用户设备发送的该模型参数不为0，而向其余用户设备发送的该模型参数为0。
将不完全相同的模型参数分别发送给用户设备A和用户设备B后，训练调整模型参数的过程与上述图4所示的过程基本相同，这里就不再一一赘述。
以上是本说明书提供的训练模型的方法，基于同样的思路，本说明书还提供了相应的训练模型的装置和设备，如图6～9所示。
图6为本说明书提供的第一种训练模型的装置示意图，具体包括：
发送模块402，向用户设备发送模型参数，以使所述用户设备根据所述模型参数以及所述用户设备自身保存的用户数据获得训练中间值；
接收模块404，接收所述用户设备返回的所述训练中间值；
确定模块406，根据所述训练中间值确定训练效果表征值；
判断模块408，判断所述训练效果表征值是否满足第一指定条件；
模型生成模块410，当所述判断模块408的判断结果为是时，根据所述模型参数生成模型；
迭代模块412，当所述判断模块408的判断结果为否时，根据所述训练效果表征值，对所述模型参数进行调整，并将调整后的模型参数发送给所述用户设备，接收所述用户设备根据所述调整后的模型参数重新获得的训练中间值，根据重新获得的训练中间值重新确定训练效果表征值，直至确定的训练效果表征值满足所述第一指定条件。
所述用户设备为多个；
所述确定模块406，根据各用户设备分别返回的训练中间值，确定训练效果表征值。
所述确定模块406，针对每个用户设备，确定该用户设备返回训练中间值的次数，根据分别针对每个用户设备确定出的次数，从各用户设备选择满足第二指定条件的用户设备，根据选择出的用户设备分别返回的训练中间值，确定训练效果表征值。
所述发送模块402，向用户设备发送加密的模型参数；
所述接收模块404，接收所述用户设备返回的加密的训练中间值。
图7为本说明书提供的第二种训练模型的装置示意图，具体包括：
接收模块502，接收服务设备发送的模型参数；
训练模块504，根据所述模型参数以及所述装置自身保存的用户数据，获得训练中间值；
发送模块506，向所述服务设备返回所述训练中间值，以使所述服务设备根据所述训练中间值确定训练效果表征值，并在确定所述训练效果表征值满足指定条件时，根据所述模型参数生成模型，或者，在确定所述训练效果表征值不满足指定条件时，根据所述训练效果表征值调整所述模型参数，并将调整后的模型参数发送给所述装置继续训练模型。
所述接收模块502，接收服务设备发送的加密的模型参数；
所述发送模块506，向所述服务设备返回加密的训练中间值。
图8为本说明书实施例提供的服务设备示意图，包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
向用户设备发送模型参数，以使所述用户设备根据所述模型参数以及所述用户设备自身保存的用户数据获得训练中间值；
接收所述用户设备返回的所述训练中间值；
根据所述训练中间值确定训练效果表征值；
判断所述训练效果表征值是否满足第一指定条件；
若是，则根据所述模型参数生成模型；
否则，根据所述训练效果表征值，对所述模型参数进行调整，并将调整后的模型参数发送给所述用户设备，接收所述用户设备根据所述调整后的模型参数重新获得的训练中间值，根据重新获得的训练中间值重新确定训练效果表征值，直至确定的训练效果表征值满足所述第一指定条件。
图9为本说明书实施例提供的用户设备示意图，包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
接收服务设备发送的模型参数；
根据所述模型参数以及所述用户设备自身保存的用户数据，获得训练中间值；
向所述服务设备返回所述训练中间值，以使所述服务设备根据所述训练中间值确定训练效果表征值，并在确定所述训练效果表征值满足指定条件时，根据所述模型参数生成模型，或者，在确定所述训练效果表征值不满足指定条件时，根据所述训练效果表征值调整所述模型参数，并将调整后的模型参数发送给所述用户设备继续训练模型。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种训练模型的方法，包括：
服务设备向用户设备发送加密的模型参数，以使所述用户设备根据所述模型参数以及所述用户设备自身保存的用户数据获得训练中间值；
接收所述用户设备返回的加密的所述训练中间值；
根据所述训练中间值确定训练效果表征值；
判断所述训练效果表征值是否满足第一指定条件；
若是，则根据所述模型参数生成模型；
否则，根据所述训练效果表征值，对所述模型参数进行调整，并将调整后的模型参数发送给所述用户设备，接收所述用户设备根据所述调整后的模型参数重新获得的训练中间值，根据重新获得的训练中间值重新确定训练效果表征值，直至确定的训练效果表征值满足所述第一指定条件。
2.如权利要求1所述的方法，所述用户设备为多个；
根据所述训练中间值确定训练效果表征值，具体包括：
根据各用户设备分别返回的训练中间值，确定训练效果表征值。
3.如权利要求2所述的方法，根据各用户设备分别返回的训练中间值，确定训练效果表征值，具体包括：
针对每个用户设备，确定该用户设备返回训练中间值的次数；
根据分别针对每个用户设备确定出的次数，从各用户设备选择满足第二指定条件的用户设备；
根据选择出的用户设备分别返回的训练中间值，确定训练效果表征值。
4.一种训练模型的方法，包括：
用户设备接收服务设备发送的加密的模型参数；
根据所述模型参数以及所述用户设备自身保存的用户数据，获得训练中间值；
向所述服务设备返回加密的所述训练中间值，以使所述服务设备根据所述训练中间值确定训练效果表征值，并在确定所述训练效果表征值满足指定条件时，根据所述模型参数生成模型，或者，在确定所述训练效果表征值不满足指定条件时，根据所述训练效果表征值调整所述模型参数，并将调整后的模型参数发送给所述用户设备继续训练模型。
5.一种训练模型的装置，包括：
发送模块，向用户设备发送加密的模型参数，以使所述用户设备根据所述模型参数以及所述用户设备自身保存的用户数据获得训练中间值；
接收模块，接收所述用户设备返回的加密的所述训练中间值；
确定模块，根据所述训练中间值确定训练效果表征值；
判断模块，判断所述训练效果表征值是否满足第一指定条件；
模型生成模块，当所述判断模块的判断结果为是时，根据所述模型参数生成模型；
迭代模块，当所述判断模块的判断结果为否时，根据所述训练效果表征值，对所述模型参数进行调整，并将调整后的模型参数发送给所述用户设备，接收所述用户设备根据所述调整后的模型参数重新获得的训练中间值，根据重新获得的训练中间值重新确定训练效果表征值，直至确定的训练效果表征值满足所述第一指定条件。
6.如权利要求5所述的装置，所述用户设备为多个；
所述确定模块，根据各用户设备分别返回的训练中间值，确定训练效果表征值。
7.如权利要求6所述的装置，所述确定模块，针对每个用户设备，确定该用户设备返回训练中间值的次数；根据分别针对每个用户设备确定出的次数，从各用户设备选择满足第二指定条件的用户设备，根据选择出的用户设备分别返回的训练中间值，确定训练效果表征值。
8.一种训练模型的装置，包括：
接收模块，接收服务设备发送的加密的模型参数；
训练模块，根据所述模型参数以及所述装置自身保存的用户数据，获得训练中间值；
发送模块，向所述服务设备返回加密的所述训练中间值，以使所述服务设备根据所述训练中间值确定训练效果表征值，并在确定所述训练效果表征值满足指定条件时，根据所述模型参数生成模型，或者，在确定所述训练效果表征值不满足指定条件时，根据所述训练效果表征值调整所述模型参数，并将调整后的模型参数发送给所述装置继续训练模型。
9.一种服务设备，包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
向用户设备发送加密的模型参数，以使所述用户设备根据所述模型参数以及所述用户设备自身保存的用户数据获得训练中间值；
接收所述用户设备返回的加密的所述训练中间值；
根据所述训练中间值确定训练效果表征值；
判断所述训练效果表征值是否满足第一指定条件；
若是，则根据所述模型参数生成模型；
否则，根据所述训练效果表征值，对所述模型参数进行调整，并将调整后的模型参数发送给所述用户设备，接收所述用户设备根据所述调整后的模型参数重新获得的训练中间值，根据重新获得的训练中间值重新确定训练效果表征值，直至确定的训练效果表征值满足所述第一指定条件。
10.一种用户设备，包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
接收服务设备发送的加密的模型参数；
根据所述模型参数以及所述用户设备自身保存的用户数据，获得训练中间值；
向所述服务设备返回加密的所述训练中间值，以使所述服务设备根据所述训练中间值确定训练效果表征值，并在确定所述训练效果表征值满足指定条件时，根据所述模型参数生成模型，或者，在确定所述训练效果表征值不满足指定条件时，根据所述训练效果表征值调整所述模型参数，并将调整后的模型参数发送给所述用户设备继续训练模型。
CN201710653221.2A 2017-08-02 2017-08-02 一种训练模型的方法、装置、服务设备以及用户设备 Active CN109389412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710653221.2A CN109389412B (zh) 2017-08-02 2017-08-02 一种训练模型的方法、装置、服务设备以及用户设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710653221.2A CN109389412B (zh) 2017-08-02 2017-08-02 一种训练模型的方法、装置、服务设备以及用户设备

Publications (2)

Publication Number Publication Date
CN109389412A CN109389412A (zh) 2019-02-26
CN109389412B true CN109389412B (zh) 2022-03-04

Family

ID=65412338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710653221.2A Active CN109389412B (zh) 2017-08-02 2017-08-02 一种训练模型的方法、装置、服务设备以及用户设备

Country Status (1)

Country Link
CN (1) CN109389412B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797869A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 模型训练方法、装置、存储介质及电子设备
CN112101562B (zh) * 2019-06-18 2024-01-30 第四范式（北京）技术有限公司 机器学习建模过程的实现方法和系统
CN110298185A (zh) * 2019-06-28 2019-10-01 北京金山安全软件有限公司 一种模型训练方法、装置、电子设备及存储介质
CN111241746B (zh) * 2020-01-09 2024-01-26 深圳前海微众银行股份有限公司 向前模型选择方法、设备和可读存储介质
CN111539012B (zh) * 2020-03-19 2021-07-20 重庆特斯联智慧科技股份有限公司 一种边缘化架构的隐私数据分布存储系统和方法
CN113935826B (zh) * 2021-10-21 2022-06-21 阿尔法时刻科技(深圳)有限公司 一种基于用户隐私的信贷账户管理方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872361A (zh) * 2010-06-25 2010-10-27 镇江金全软件有限公司 一种面向关联规则挖掘的隐私数据保护方法
CN101930582A (zh) * 2010-08-06 2010-12-29 中国工商银行股份有限公司 一种支持多语言的数据转换设备及银行交易系统
CN102663232A (zh) * 2012-03-13 2012-09-12 江苏润和软件股份有限公司 一种面向用户能效评估的多维仿真分析系统及其方法
CN103605749A (zh) * 2013-11-20 2014-02-26 同济大学 一种基于多参数干扰的隐私保护关联规则数据挖掘方法
CN104346629A (zh) * 2014-10-24 2015-02-11 华为技术有限公司 一种模型参数训练方法、装置及系统
CN104931028A (zh) * 2015-06-30 2015-09-23 北京联合大学 一种基于深度学习的三轴磁电子罗盘误差补偿方法
CN105407112A (zh) * 2014-08-19 2016-03-16 中兴通讯股份有限公司 一种设备能力的学习方法、装置和系统
CN105760932A (zh) * 2016-02-17 2016-07-13 北京物思创想科技有限公司 数据交换方法、数据交换装置及计算装置
CN105989441A (zh) * 2015-02-11 2016-10-05 阿里巴巴集团控股有限公司 模型参数调整方法和装置
CN106022360A (zh) * 2016-05-11 2016-10-12 蒋林智 一种统计学习中基于密文的数据二分类方法
CN106204091A (zh) * 2015-05-28 2016-12-07 阿里巴巴集团控股有限公司 数据处理方法和装置
CN106327251A (zh) * 2016-08-22 2017-01-11 北京小米移动软件有限公司 模型训练系统和方法
CN106909666A (zh) * 2017-02-27 2017-06-30 广东工业大学 一种基于多参数扰动的数据挖掘隐私保护方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104252479B (zh) * 2013-06-27 2018-05-18 华为技术有限公司 信息的处理方法、装置和系统
US9563854B2 (en) * 2014-01-06 2017-02-07 Cisco Technology, Inc. Distributed model training
US20150324686A1 (en) * 2014-05-12 2015-11-12 Qualcomm Incorporated Distributed model learning
US20160306360A1 (en) * 2015-04-17 2016-10-20 Electro-Motive Diesel, Inc. System and method for autonomous control of locomotives
CN106951925B (zh) * 2017-03-27 2021-04-30 成都晓多科技有限公司 数据处理方法、装置、服务器及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872361A (zh) * 2010-06-25 2010-10-27 镇江金全软件有限公司 一种面向关联规则挖掘的隐私数据保护方法
CN101930582A (zh) * 2010-08-06 2010-12-29 中国工商银行股份有限公司 一种支持多语言的数据转换设备及银行交易系统
CN102663232A (zh) * 2012-03-13 2012-09-12 江苏润和软件股份有限公司 一种面向用户能效评估的多维仿真分析系统及其方法
CN103605749A (zh) * 2013-11-20 2014-02-26 同济大学 一种基于多参数干扰的隐私保护关联规则数据挖掘方法
CN105407112A (zh) * 2014-08-19 2016-03-16 中兴通讯股份有限公司 一种设备能力的学习方法、装置和系统
CN104346629A (zh) * 2014-10-24 2015-02-11 华为技术有限公司 一种模型参数训练方法、装置及系统
CN105989441A (zh) * 2015-02-11 2016-10-05 阿里巴巴集团控股有限公司 模型参数调整方法和装置
CN106204091A (zh) * 2015-05-28 2016-12-07 阿里巴巴集团控股有限公司 数据处理方法和装置
CN104931028A (zh) * 2015-06-30 2015-09-23 北京联合大学 一种基于深度学习的三轴磁电子罗盘误差补偿方法
CN105760932A (zh) * 2016-02-17 2016-07-13 北京物思创想科技有限公司 数据交换方法、数据交换装置及计算装置
CN106022360A (zh) * 2016-05-11 2016-10-12 蒋林智 一种统计学习中基于密文的数据二分类方法
CN106327251A (zh) * 2016-08-22 2017-01-11 北京小米移动软件有限公司 模型训练系统和方法
CN106909666A (zh) * 2017-02-27 2017-06-30 广东工业大学 一种基于多参数扰动的数据挖掘隐私保护方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
嵌入式隐Markov模型和神经网络人脸识别;薛斌党;《中国博士学位论文全文数据库 信息科技辑》;20030615(第02期);第I138-27页 *

Also Published As

Publication number Publication date
CN109389412A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
CN109389412B (zh) 一种训练模型的方法、装置、服务设备以及用户设备
CN109309652B (zh) 一种训练模型的方法及装置
CN110955907B (zh) 一种基于联邦学习的模型训练方法
CN109426732B (zh) 一种数据处理方法及装置
Berenguer‐Rico et al. Regime shifts in stock–flow I (2)–I (1) systems: the case of US fiscal sustainability
US10248802B2 (en) Digital rights management using geographic and temporal traits
US11070646B1 (en) Methods and systems for selection of remote services
Rasines et al. Splitting strategies for post-selection inference
US11954692B2 (en) Mitigating user dissatisfaction related to a product
CN109428900B (zh) 一种数据处理的方法及装置
US20230336344A1 (en) Data processing methods, apparatuses, and computer devices for privacy protection
CN115238826B (zh) 一种模型训练的方法、装置、存储介质及电子设备
US9602563B2 (en) Selective content delivery in a real-time streaming environment
CN107070871A (zh) 一种身份验证的方法及装置
US20180267998A1 (en) Contextual and cognitive metadata for shared photographs
US10271099B2 (en) Deep movie analysis based on cognitive controls in cinematography
US20190102799A1 (en) Methods and systems for offering financial products
US20210182288A1 (en) Providing oblivious data transfer between computing devices
US20200364666A1 (en) Server and control method thereof
CN106250999A (zh) 预测流失率的方法、装置和系统
US20200293911A1 (en) Performing data processing based on decision tree
US20200167662A1 (en) Performing data processing based on decision tree
CN114513469A (zh) 分布式系统的流量整形方法、装置和存储介质
CN110738562B (zh) 一种风险提醒信息的生成方法、装置及设备
CN111191795B (zh) 一种训练机器学习模型的方法、装置及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20191204

Address after: P.O. Box 31119, grand exhibition hall, hibiscus street, 802 West Bay Road, Grand Cayman, ky1-1205, Cayman Islands

Applicant after: Innovative advanced technology Co., Ltd

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Co., Ltd.

REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40004777

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant