CN110717671A - 一种确定参与方贡献度的方法及装置 - Google Patents

一种确定参与方贡献度的方法及装置 Download PDF

Info

Publication number
CN110717671A
CN110717671A CN201910949894.1A CN201910949894A CN110717671A CN 110717671 A CN110717671 A CN 110717671A CN 201910949894 A CN201910949894 A CN 201910949894A CN 110717671 A CN110717671 A CN 110717671A
Authority
CN
China
Prior art keywords
model
participant
contribution
determining
local
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.)
Granted
Application number
CN201910949894.1A
Other languages
English (en)
Other versions
CN110717671B (zh
Inventor
刘洋
于涵
陈天健
杨强
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.)
WeBank Co Ltd
Original Assignee
WeBank 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 WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN201910949894.1A priority Critical patent/CN110717671B/zh
Publication of CN110717671A publication Critical patent/CN110717671A/zh
Application granted granted Critical
Publication of CN110717671B publication Critical patent/CN110717671B/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种确定参与方贡献度的方法及装置，适用于通过N个参与方获得的横向联邦模型，N大于1，其中，方法包括：根据各参与方的本地模型的模型准确度和预设模型，确定各参与方的本地模型的预期贡献指标；根据横向联邦模型的模型准确度并和预设模型确定横向联邦模型的预期贡献指标；根据N个参与方的本地模型的预期贡献指标和横向联邦模型的预期贡献指标，确定至少一个参与方对横向联邦模型的贡献度。该技术方案用以减少系统的处理压力，提高系统性能，进而提高系统确定贡献度的处理效率。

Description

一种确定参与方贡献度的方法及装置
技术领域
本发明实施例涉及金融科技(Fintech)领域，尤其涉及一种确定参与方贡献度的方法及装置。
背景技术
随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技转变，机器学习技术也不例外，但由于金融、支付行业的安全性、实时性要求，也对机器学习技术提出的更高的要求。
联邦学习是指通过联合不同的参与方进行机器学习的方法。联邦学习中的横向联邦学习是在各个参与方的数据特征重叠较多，而用户重叠较少的情况下，取出参与方的用户数据特征相同而用户不完全相同的那部分数据进行联合机器学习。
现有技术中，横向联邦学习系统根据各参与方的本地数据量确定各参与方对横向联邦学习的贡献度，但各参与方的本地数据可能存在数据质量问题，且各参与方的本地数据的格式和形式不同，质量优化处理方式不同，系统需要针对各参与方的数据进行质量优化处理，但该质量优化处理方式会消耗大量的系统资源，增加系统的处理压力，使得系统性能降低，进而导致系统确定贡献度的处理效率较低。
发明内容
本发明实施例提供一种确定参与方贡献度的方法及装置，用以减少系统的处理压力，提高系统性能，进而提高系统确定贡献度的处理效率。
本发明实施例提供的一种确定参与方贡献度的方法，适用于通过N个参与方获得的横向联邦模型，N大于1；
所述方法包括：
根据各参与方的本地模型的模型准确度和预设模型，确定各参与方的本地模型的预期贡献指标；所述参与方的本地模型是所述参与方根据本地数据训练后确定的；所述预设模型是根据样本模型准确度和样本贡献指标的映射关系经模型训练后确定的；
根据所述横向联邦模型的模型准确度和所述预设模型，确定所述横向联邦模型的预期贡献指标；
根据N个参与方的本地模型的预期贡献指标和所述横向联邦模型的预期贡献指标，确定至少一个参与方对所述横向联邦模型的贡献度。
可选的，所述各参与方的本地模型的模型准确度由下述步骤确定：
将同一测试数据分别输入各参与方的本地模型，得到各参与方的本地模型的预测结果；
根据各参与方的本地模型的预测结果与所述测试数据对应的真实结果，确定各参与方的本地模型的模型准确度；
所述横向联邦模型的模型准确度由下述步骤确定：
将所述同一测试数据输入所述横向联邦模型，得到所述横向联邦模型的预测结果；
根据所述横向联邦模型的预测结果与所述测试数据对应的真实结果，确定所述横向联邦模型的模型准确度。
可选的，所述根据N个参与方的本地模型的预期贡献指标和所述横向联邦模型的预期贡献指标，确定至少一个参与方对所述横向联邦模型的贡献度，包括：
确定N个第一差值；各第一差值为各参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的差值；
针对至少一个参与方，将所述参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的第一差值确定为第二差值；根据所述第二差值和所述N个第一差值，确定所述参与方对所述横向联邦模型的贡献度。
可选的，所述根据样本模型准确度和样本贡献指标的映射关系经模型训练后确定所述预设模型，包括：
获取多个样本数据，每个样本数据对应一个历史模型，所述样本数据中包括与所述样本数据对应的历史模型的样本模型准确度和样本贡献指标；所述历史模型的样本贡献指标是预设时段内使用所述历史模型确定的；
建立所述历史模型的样本模型准确度与样本贡献指标之间的映射关系；
以多个映射关系为所述预设模型的训练数据进行模型训练，确定所述预设模型。
上述技术方案中，根据样本模型准确度和样本贡献指标的映射关系经模型训练后确定预设模型，通过该预设模型确定各参与方的预期贡献指标和横向联邦模型的预期贡献指标，进而确定至少一个参与方对横向联邦模型的贡献度，通过该方式，无需系统针对各参与方的数据进行质量优化处理，可以减少系统的处理压力，提高系统性能，进而提高系统确定贡献度的处理效率。
相应的，本发明实施例还提供了一种确定参与方贡献度的装置，适用于通过N个参与方获得的横向联邦模型，N大于1；
所述装置包括：第一处理单元、第二处理单元和确定单元；
所述第一处理单元，用于根据各参与方的本地模型的模型准确度和预设模型，确定各参与方的本地模型的预期贡献指标；所述参与方的本地模型是所述参与方根据本地数据训练后确定的；所述预设模型是根据样本模型准确度和样本贡献指标的映射关系经模型训练后确定的；
所述第二处理单元，用于根据所述横向联邦模型的模型准确度和所述预设模型，确定所述横向联邦模型的预期贡献指标；
所述确定单元，用于根据N个参与方的本地模型的预期贡献指标和所述横向联邦模型的预期贡献指标，确定至少一个参与方对所述横向联邦模型的贡献度。
可选的，所述第一处理单元，具体用于：
将同一测试数据分别输入各参与方的本地模型，得到各参与方的本地模型的预测结果；
根据各参与方的本地模型的预测结果与所述测试数据对应的真实结果，确定各参与方的本地模型的模型准确度；
所述第二处理单元，具体用于：
将所述同一测试数据输入所述横向联邦模型，得到所述横向联邦模型的预测结果；
根据所述横向联邦模型的预测结果与所述测试数据对应的真实结果，确定所述横向联邦模型的模型准确度。
可选的，所述确定单元，具体用于：
确定N个第一差值；各第一差值为各参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的差值；
针对至少一个参与方，将所述参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的第一差值确定为第二差值；根据所述第二差值和所述N个第一差值，确定所述参与方对所述横向联邦模型的贡献度。
可选的，所述装置还包括：第三处理单元；
所述第三处理单元用于：
获取多个样本数据，每个样本数据对应一个历史模型，所述样本数据中包括与所述样本数据对应的历史模型的样本模型准确度和样本贡献指标；所述历史模型的样本贡献指标是预设时段内使用所述历史模型确定的；
建立所述历史模型的样本模型准确度与样本贡献指标之间的映射关系；
以多个映射关系为所述预设模型的训练数据进行模型训练，确定所述预设模型。
相应的，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述确定参与方贡献度的方法。
相应的，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述确定参与方贡献度的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种横向联邦学习系统的示意图；
图2为本发明实施例提供的确定参与方贡献度所适用的系统架构的示意图；
图3为本发明实施例提供的一种确定参与方贡献度的方法的流程示意图；
图4为本发明实施例提供的一种确定参与方贡献度的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示例性的示出了本发明实施例提供一种横向联邦学习系统，该横向联邦学习系统中可以包括协调者和N个参与方，其中，N大于1。协调者先向参与方发送模型更新请求，模型更新请求中包括调整参数，各参与方根据该调整参数和本地训练数据进行本地模型的训练。各参与方在本地完成参数更新后，会向协调者发送本地训练所获取到的更新参数。协调者对各参与方发送来的更新参数进行融合，将融合后的更新参数确定为调整参数，再次分发给各参与方，以使各参与方进行下一轮的模型训练，直至确定出横向联邦模型。
基于上述描述，如图2示出了适用于本发明确定参与方贡献度所适用的系统架构，该系统架构可以包括参与方本地模型模块201、横向联邦模型模块202、结算模块203、贡献度计算模块204；
其中，参与方本地模型模块201中存储有参与方根据本地数据训练后确定的本地模型；参与方本地模型模块201可以有一个，用于存储多个参与方的本地模型，该参与方本地模型模块201也可以有多个，分别用于存储各自参与方的本地模型。
横向联邦模型模块202中存储有经横向联邦学习系统中各参与方进行横向联邦模型训练后生成的横向联邦模型。
结算模块203中存储有测试数据，该测试数据用于评估各参与方的本地模型的模型准确度，以及用于评估横向联邦模型的模型准确度；结算模块203中还存储有一个预设模型，该预设模型是根据历史上对于模型价值的公开信息经模型训练后确定的，该预设模型用于根据模型准确度预测待预测模型的贡献指标。
一种可实现方式中，获取历史上对于模型价值的公开信息作为样本数据，根据样本模型准确度和样本贡献指标的映射关系进行模型训练确定预设模型。具体的，获取多个样本数据，每个样本数据对应一个历史模型，样本数据中包括与样本数据对应的历史模型的样本模型准确度和样本贡献指标；建立历史模型的样本模型准确度与样本贡献指标之间的映射关系；以多个映射关系为预设模型的训练数据进行模型训练，确定预设模型。其中，历史模型的模型准确度同样是根据上述结算模块203中的同一个测试数据确定的，即在确定各历史模型的模型准确度时，都是采用同一测试数据。历史模型的贡献指标是预设时段内使用历史模型所产生的贡献指标，该预设时段可以为一周、一个月或者其他时长。
举例来说，获取模型准确度数据集A＝(a1，a2，…，aT)和模型使用后的贡献指标数据集V＝(v1，v2，…，vT)，其中，准确度数据集A中的元素与贡献指标数据集V中的元素一一对应，基于准确度数据集A与贡献指标数据集V的对应关系，通过机器学习方法建立模型，其中，机器学习方法如线性回归、非线性回归、神经网络等。
贡献度计算模块204用于根据各参与方的本地模型的预期贡献指标和横向联邦模型的预期贡献指标确定待确定贡献度的参与方对横向联邦模型的贡献度。
图3示例性的示出了本发明实施例提供的一种确定参与方贡献度的方法的流程，该流程可以用于评估横向联邦学习系统的N个参与方中任一个参与方的贡献度，该流程可以由确定参与方贡献度的装置执行。
如图3所示，该流程具体包括：
步骤301，根据各参与方的本地模型的模型准确度和预设模型，确定各参与方的本地模型的预期贡献指标。
在评估参与方贡献度的时候，可以先获取各参与方的本地模型，各参与方的本地模型是各参与方根据本地数据训练后确定的，每个参与方的本地数据不同，则训练完成的本地模型也不同。可以确定各参与方的本地模型的模型准确度，具体的，将同一测试数据分别输入各参与方的本地模型，得到各参与方的本地模型的预测结果；根据各参与方的本地模型的预测结果与测试数据对应的真实结果，确定各参与方的本地模型的测试结果，进而确定出各参与方的本地模型的模型准确度。例如，二分类模型中，测试结果可能包括以下信息中的一个或者多个：真实的正样本个数和负样本个数，模型正确预测的正样本个数，模型错误预测的正样本个数，模型正确预测的负样本个数，模型错误预测的负样本个数，和其它模型性能测试结果相关信息。
将各参与方的本地模型的模型准确度输入至上述预先训练好的预设模型，确定各参与方的预期贡献指标。
步骤302，根据所述横向联邦模型的模型准确度和所述预设模型，确定所述横向联邦模型的预期贡献指标。
该横向联邦模型即通过各参与方参与模型训练后确定的联邦模型。将同一测试数据输入横向联邦模型，得到横向联邦模型的预测结果；根据横向联邦模型的预测结果与测试数据对应的真实结果，确定横向联邦模型的测试结果，进而确定出横向联邦模型的模型准确度。将横向联邦模型的模型准确度输入至上述预先训练好的预设模型，确定横向联邦模型的预期贡献指标。
步骤303，根据N个参与方的本地模型的预期贡献指标和所述横向联邦模型的预期贡献指标，确定至少一个参与方对所述横向联邦模型的贡献度。
由步骤301和步骤302，可以确定出N个参与方中各参与方的本地模型的预期贡献指标和横向联邦模型的预期贡献指标，进而确定各参与方的本地模型的预期贡献指标和横向联邦模型的预期贡献指标的差值，并将该差值确定为各参与方对应的第一差值。
在确定至少一个参与方对横向联邦模型的贡献度时，可以将该参与方对应的第一差值确定为第二差值，即将该参与方的本地模型的预期贡献指标与横向联邦模型的预期贡献指标的第一差值确定为第二差值，进而根据该第二差值和N个第一差值，确定参与方对横向联邦模型的贡献度。具体的，可以是确定N个第一差值的加和，并将第二差值与该N个第一差值的加和的比值确定为该参与方对横向联邦模型的贡献度。
举例来说，设待确定贡献度的参与方i的本地模型参数是qi，根据本地模型参数qi和同一测试数据，确定参与方i的模型准确度ai，根据模型准确度ai和预设模型，确定参与方i的预期贡献指标C(ai)；设横向联邦模型的参数是Q，根据横向联邦模型参数Q和同一测试数据，确定横向联邦模型的模型准确度a，根据模型准确度a和预设模型，确定横向联邦模型的预期贡献指标C(a)，则参与方i的第一差值为vi＝C(a)－C(ai)，此处，若vi为正数，则参与方i从横向联邦模型中获益，若vi为负数，则参与方i对横向联邦模型做出了贡献。参与方i对横向联邦模型的贡献度Bi可以如下述公式：
Figure BDA0002225285120000091
此外，根据各参与方对横向联邦模型的贡献度，可以确定横向联邦训练系统对各参与方的偿付或收取的费用，如上所述，若vi为正数，则横向联邦训练系统需要对参与方i收取费用，若vi为负数，则横向联邦训练系统需要对参与方i偿付费用。具体实现中，对参与方i所收取或偿付的费用可以用横向联邦训练系统的总预算乘以参与方i的贡献度Bi。
另外一种确定参与方贡献度的方式中，可以是将待确定贡献度的参与方的预期贡献指标与横向联邦模型的预期贡献指标做比值，以确定该待确定贡献度的参与方对横向联邦模型的贡献度。
本发明实施例不仅可以确定已有参与方对横向联邦模型的贡献度，还可以确定新增参与方对横向联邦模型的贡献度。一种可实现方式中，获取新增参与方的本地模型，根据同一个测试数据确定新增参与方的本地模型的模型准确度，进而确定该新增参与方的预期贡献指标；将该新增参与方加入横向联邦训练系统，参与横向联邦模型的训练并确定新的横向联邦模型，根据同一个测试数据确定该新的横向联邦模型的模型准确度，进而确定该新的横向联邦模型的预期贡献指标；根据新增参与方的预期贡献指标、已有的各参与方的预期贡献指标、新的横向联邦模型的预期贡献指标，确定该新增参与方对横向联邦模型的贡献度。
上述技术方案中，根据样本模型准确度和样本贡献指标的映射关系经模型训练后确定预设模型，通过该预设模型确定各参与方的预期贡献指标和横向联邦模型的预期贡献指标，进而确定至少一个参与方对横向联邦模型的贡献度，通过该方式，无需系统针对各参与方的数据进行质量优化处理，可以减少系统的处理压力，提高系统性能，进而提高系统确定贡献度的处理效率。
基于同一发明构思，图4示例性的示出了本发明实施例提供的一种确定参与方贡献度的装置的结构，所述装置可适用于通过N个参与方获得的横向联邦模型，N大于1；所述装置可以执行确定参与方贡献度的方法的流程。
所述装置包括：第一处理单元401、第二处理单元402和确定单元403；
所述第一处理单元401，用于根据各参与方的本地模型的模型准确度和预设模型，确定各参与方的本地模型的预期贡献指标；所述参与方的本地模型是所述参与方根据本地数据训练后确定的；所述预设模型是根据样本模型准确度和样本贡献指标的映射关系经模型训练后确定的；
所述第二处理单元402，用于根据所述横向联邦模型的模型准确度和所述预设模型，确定所述横向联邦模型的预期贡献指标；
所述确定单元403，用于根据N个参与方的本地模型的预期贡献指标和所述横向联邦模型的预期贡献指标，确定至少一个参与方对所述横向联邦模型的贡献度。
可选的，所述第一处理单元401，具体用于：
将同一测试数据分别输入各参与方的本地模型，得到各参与方的本地模型的预测结果；
根据各参与方的本地模型的预测结果与所述测试数据对应的真实结果，确定各参与方的本地模型的模型准确度；
所述第二处理单元402，具体用于：
将所述同一测试数据输入所述横向联邦模型，得到所述横向联邦模型的预测结果；
根据所述横向联邦模型的预测结果与所述测试数据对应的真实结果，确定所述横向联邦模型的模型准确度。
可选的，所述确定单元403，具体用于：
确定N个第一差值；各第一差值为各参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的差值；
针对至少一个参与方，将所述参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的第一差值确定为第二差值；根据所述第二差值和所述N个第一差值，确定所述参与方对所述横向联邦模型的贡献度。
可选的，所述装置还包括：第三处理单元404；
所述第三处理单元404用于：
获取多个样本数据，每个样本数据对应一个历史模型，所述样本数据中包括与所述样本数据对应的历史模型的样本模型准确度和样本贡献指标；所述历史模型的样本贡献指标是预设时段内使用所述历史模型确定的；
建立所述历史模型的样本模型准确度与样本贡献指标之间的映射关系；
以多个映射关系为所述预设模型的训练数据进行模型训练，确定所述预设模型。
基于同一发明构思，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述确定参与方贡献度的方法。
基于同一发明构思，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述确定参与方贡献度的方法。
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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种确定参与方贡献度的方法，其特征在于，适用于通过N个参与方获得的横向联邦模型，N大于1；
所述方法包括：
根据各参与方的本地模型的模型准确度和预设模型，确定各参与方的本地模型的预期贡献指标；所述参与方的本地模型是所述参与方根据本地数据训练后确定的；所述预设模型是根据样本模型准确度和样本贡献指标的映射关系经模型训练后确定的；
根据所述横向联邦模型的模型准确度和所述预设模型，确定所述横向联邦模型的预期贡献指标；
根据N个参与方的本地模型的预期贡献指标和所述横向联邦模型的预期贡献指标，确定至少一个参与方对所述横向联邦模型的贡献度。
2.如权利要求1所述的方法，其特征在于，所述各参与方的本地模型的模型准确度由下述步骤确定：
将同一测试数据分别输入各参与方的本地模型，得到各参与方的本地模型的预测结果；
根据各参与方的本地模型的预测结果与所述测试数据对应的真实结果，确定各参与方的本地模型的模型准确度；
所述横向联邦模型的模型准确度由下述步骤确定：
将所述同一测试数据输入所述横向联邦模型，得到所述横向联邦模型的预测结果；
根据所述横向联邦模型的预测结果与所述测试数据对应的真实结果，确定所述横向联邦模型的模型准确度。
3.如权利要求1所述的方法，其特征在于，所述根据N个参与方的本地模型的预期贡献指标和所述横向联邦模型的预期贡献指标，确定至少一个参与方对所述横向联邦模型的贡献度，包括：
确定N个第一差值；各第一差值为各参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的差值；
针对至少一个参与方，将所述参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的第一差值确定为第二差值；根据所述第二差值和所述N个第一差值，确定所述参与方对所述横向联邦模型的贡献度。
4.如权利要求1至3任一项所述的方法，其特征在于，所述根据样本模型准确度和样本贡献指标的映射关系经模型训练后确定所述预设模型，包括：
获取多个样本数据，每个样本数据对应一个历史模型，所述样本数据中包括与所述样本数据对应的历史模型的样本模型准确度和样本贡献指标；所述历史模型的样本贡献指标是预设时段内使用所述历史模型确定的；
建立所述历史模型的样本模型准确度与样本贡献指标之间的映射关系；
以多个映射关系为所述预设模型的训练数据进行模型训练，确定所述预设模型。
5.一种确定参与方贡献度的装置，其特征在于，适用于通过N个参与方获得的横向联邦模型，N大于1；
所述装置包括：第一处理单元、第二处理单元和确定单元；
所述第一处理单元，用于根据各参与方的本地模型的模型准确度和预设模型，确定各参与方的本地模型的预期贡献指标；所述参与方的本地模型是所述参与方根据本地数据训练后确定的；所述预设模型是根据样本模型准确度和样本贡献指标的映射关系经模型训练后确定的；
所述第二处理单元，用于根据所述横向联邦模型的模型准确度和所述预设模型，确定所述横向联邦模型的预期贡献指标；
所述确定单元，用于根据N个参与方的本地模型的预期贡献指标和所述横向联邦模型的预期贡献指标，确定至少一个参与方对所述横向联邦模型的贡献度。
6.如权利要求5所述的装置，其特征在于，所述第一处理单元，具体用于：
将同一测试数据分别输入各参与方的本地模型，得到各参与方的本地模型的预测结果；
根据各参与方的本地模型的预测结果与所述测试数据对应的真实结果，确定各参与方的本地模型的模型准确度；
所述第二处理单元，具体用于：
将所述同一测试数据输入所述横向联邦模型，得到所述横向联邦模型的预测结果；
根据所述横向联邦模型的预测结果与所述测试数据对应的真实结果，确定所述横向联邦模型的模型准确度。
7.如权利要求5所述的装置，其特征在于，所述确定单元，具体用于：
确定N个第一差值；各第一差值为各参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的差值；
针对至少一个参与方，将所述参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的第一差值确定为第二差值；根据所述第二差值和所述N个第一差值，确定所述参与方对所述横向联邦模型的贡献度。
8.如权利要求5至7任一项所述的装置，其特征在于，所述装置还包括：第三处理单元；
所述第三处理单元用于：
获取多个样本数据，每个样本数据对应一个历史模型，所述样本数据中包括与所述样本数据对应的历史模型的样本模型准确度和样本贡献指标；所述历史模型的样本贡献指标是预设时段内使用所述历史模型确定的；
建立所述历史模型的样本模型准确度与样本贡献指标之间的映射关系；
以多个映射关系为所述预设模型的训练数据进行模型训练，确定所述预设模型。
9.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至4任一项所述的方法。
10.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1至4任一项所述的方法。
CN201910949894.1A 2019-10-08 2019-10-08 一种确定参与方贡献度的方法及装置 Active CN110717671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910949894.1A CN110717671B (zh) 2019-10-08 2019-10-08 一种确定参与方贡献度的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910949894.1A CN110717671B (zh) 2019-10-08 2019-10-08 一种确定参与方贡献度的方法及装置

Publications (2)

Publication Number Publication Date
CN110717671A true CN110717671A (zh) 2020-01-21
CN110717671B CN110717671B (zh) 2021-08-31

Family

ID=69212231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910949894.1A Active CN110717671B (zh) 2019-10-08 2019-10-08 一种确定参与方贡献度的方法及装置

Country Status (1)

Country Link
CN (1) CN110717671B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111522669A (zh) * 2020-04-29 2020-08-11 深圳前海微众银行股份有限公司 横向联邦学习系统优化方法、装置、设备及可读存储介质
CN111539810A (zh) * 2020-04-30 2020-08-14 深圳前海微众银行股份有限公司 防诈骗方法、装置、系统、设备及存储介质
CN111753996A (zh) * 2020-06-24 2020-10-09 中国建设银行股份有限公司 一种方案确定模型的优化方法、装置、设备及存储介质
CN111754000A (zh) * 2020-06-24 2020-10-09 清华大学 质量感知的边缘智能联邦学习方法及系统
CN111967610A (zh) * 2020-08-18 2020-11-20 中国银行股份有限公司 基于区块链的联邦学习激励方法、装置、设备及存储介质
CN112784994A (zh) * 2020-12-31 2021-05-11 浙江大学 基于区块链的联邦学习数据参与方贡献值计算和激励方法
CN113254943A (zh) * 2021-05-25 2021-08-13 深圳市洞见智慧科技有限公司 一种基于纵向联邦学习的模型贡献度评估系统
CN113297593A (zh) * 2021-05-14 2021-08-24 同盾控股有限公司 基于隐私计算的贡献度计算方法及装置、设备、介质
CN113902134A (zh) * 2021-09-29 2022-01-07 光大科技有限公司 一种贡献评估处理方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040128506A1 (en) * 2002-12-31 2004-07-01 International Business Machines Corporation Method and system for authentication in a heterogeneous federated environment
CN109165683A (zh) * 2018-08-10 2019-01-08 深圳前海微众银行股份有限公司 基于联邦训练的样本预测方法、装置及存储介质
CN109167695A (zh) * 2018-10-26 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的联盟网络构建方法、设备及可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040128506A1 (en) * 2002-12-31 2004-07-01 International Business Machines Corporation Method and system for authentication in a heterogeneous federated environment
CN109165683A (zh) * 2018-08-10 2019-01-08 深圳前海微众银行股份有限公司 基于联邦训练的样本预测方法、装置及存储介质
CN109167695A (zh) * 2018-10-26 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的联盟网络构建方法、设备及可读存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111522669A (zh) * 2020-04-29 2020-08-11 深圳前海微众银行股份有限公司 横向联邦学习系统优化方法、装置、设备及可读存储介质
CN111539810A (zh) * 2020-04-30 2020-08-14 深圳前海微众银行股份有限公司 防诈骗方法、装置、系统、设备及存储介质
CN111753996A (zh) * 2020-06-24 2020-10-09 中国建设银行股份有限公司 一种方案确定模型的优化方法、装置、设备及存储介质
CN111754000A (zh) * 2020-06-24 2020-10-09 清华大学 质量感知的边缘智能联邦学习方法及系统
CN111754000B (zh) * 2020-06-24 2022-10-14 清华大学 质量感知的边缘智能联邦学习方法及系统
CN111967610A (zh) * 2020-08-18 2020-11-20 中国银行股份有限公司 基于区块链的联邦学习激励方法、装置、设备及存储介质
CN111967610B (zh) * 2020-08-18 2024-02-23 中国银行股份有限公司 基于区块链的联邦学习激励方法、装置、设备及存储介质
CN112784994A (zh) * 2020-12-31 2021-05-11 浙江大学 基于区块链的联邦学习数据参与方贡献值计算和激励方法
CN112784994B (zh) * 2020-12-31 2023-03-03 浙江大学 基于区块链的联邦学习数据参与方贡献值计算和激励方法
CN113297593A (zh) * 2021-05-14 2021-08-24 同盾控股有限公司 基于隐私计算的贡献度计算方法及装置、设备、介质
CN113254943A (zh) * 2021-05-25 2021-08-13 深圳市洞见智慧科技有限公司 一种基于纵向联邦学习的模型贡献度评估系统
CN113902134A (zh) * 2021-09-29 2022-01-07 光大科技有限公司 一种贡献评估处理方法及装置

Also Published As

Publication number Publication date
CN110717671B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN110717671B (zh) 一种确定参与方贡献度的方法及装置
CN110782042B (zh) 横向联邦和纵向联邦联合方法、装置、设备及介质
CN110610242B (zh) 一种联邦学习中参与者权重的设置方法及装置
WO2019205325A1 (zh) 确定用户风险等级的方法、终端设备及计算机可读存储介质
CN108833458B (zh) 一种应用推荐方法、装置、介质及设备
CN109976998B (zh) 一种软件缺陷预测方法、装置和电子设备
CN110490335A (zh) 一种计算参与者贡献率的方法及装置
CN108416619B (zh) 一种消费间隔时间预测方法、装置及可读存储介质
CN103853786A (zh) 数据库参数的优化方法与系统
CN111815169B (zh) 业务审批参数配置方法及装置
CN112396211B (zh) 一种数据预测方法及装置、设备和计算机存储介质
CN110147367A (zh) 一种温度缺失数据填补方法、系统及电子设备
CN111415027A (zh) 构建件量预测模型的方法和装置
CN111091460A (zh) 一种数据处理方法及装置
CN110634060A (zh) 一种用户信用风险的评估方法、系统、装置及存储介质
CN111986191A (zh) 一种建筑施工验收方法及系统
CN117370748A (zh) 虚拟资源数据预测方法、装置、计算机设备和存储介质
CN109993374B (zh) 货物量预测方法及装置
CN111369063A (zh) 组卷模型训练方法、组卷方法及相关装置
CN111340212A (zh) 一种数据联盟的信誉度确定方法及装置
CN113297310B (zh) 一种物联网中区块链分片验证者选取的方法
CN114154415A (zh) 设备寿命的预测方法及装置
CN114692888A (zh) 系统参数处理方法、装置、设备及存储介质
CN112541514A (zh) 事件发布方法、服务器、终端及存储介质
CN114492905A (zh) 基于多模型融合的客诉率预测方法、装置和计算机设备

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
GR01 Patent grant
GR01 Patent grant