CN112700013A - 基于联邦学习的参数配置方法、装置、设备及存储介质 - Google Patents
基于联邦学习的参数配置方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112700013A CN112700013A CN202011645340.1A CN202011645340A CN112700013A CN 112700013 A CN112700013 A CN 112700013A CN 202011645340 A CN202011645340 A CN 202011645340A CN 112700013 A CN112700013 A CN 112700013A
- Authority
- CN
- China
- Prior art keywords
- task flow
- task
- parameter configuration
- federal
- component
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000002452 interceptive effect Effects 0.000 claims abstract description 37
- 230000008859 change Effects 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000008676 import Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44521—Dynamic linking or loading; Link editing at or after load time, e.g. Java class loading
- G06F9/44526—Plug-ins; Add-ons
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Stored Programmes (AREA)
Abstract
本申请公开了一种基于联邦学习的参数配置方法、装置、设备和存储介质，该方法包括：在检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件；在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息；根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置；若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务。本申请提升联邦建模效率，解决现有技术中联邦建模效率低下的技术问题。
Description
技术领域
本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种基于联邦学习的参数配置方法、装置、设备及存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如金融业对基于联邦学习的参数配置也有更高的要求。
在联邦学习建模过程中，目前，都是通过代码方式来配置联邦学习算法的参数，例如将参数配置成json文件，然后发起建模任务，以完成联邦建模任务，但将参数配置成json文件等的代码方式，至少存在以下问题，第一，对于较为复杂的建模任务，编辑或核对都不方便(这是因为算法组件参数的代码量过多如至少几百行)，第二，需要在建模任务运行发起后才有可能识别出参数配置是否有错误，但联邦任务运行时间通常较长，这样导致需要等待较长时间才能看到当次运行效果，再修改参数从而进入下一轮运行，第三，导致业务建模人员学习成本较高、也即，现有联邦参数配置存在便捷性低，校正时间长等，致使目前联邦建模效率低下的问题。
发明内容
本申请的主要目的在于提供一种基于联邦学习的参数配置方法、装置、设备和存储介质，旨在解决现有技术中联邦建模效率低下的技术问题。
为实现上述目的，本申请提供一种基于联邦学习的参数配置方法，所述基于联邦学习的参数配置方法包括：
在检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件；
在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息；
根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置；
若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务。
可选地，所述在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息的步骤，包括：
在检测到所述第一任务流组件的参数配置指令时，获取所述第一任务流组件的运行属性；
若所述运行属性为第一属性时，获取通过交互式得到的各个参与方的统一配置信息，将所述统一配置信息作为所述第一属性的第一任务流组件的配置信息；
若所述运行属性为第二属性时，获取通过交互式得到的各个参与方的角色配置信息，根据所述角色配置信息得到所述第二属性的第一任务流组件的配置信息。
可选地，所述若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务的步骤，包括：
若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件；
在运行所述第一任务流组件的过程中，若检测到所述参数配置的更改指令时，确定所述更改指令的更改参数配置；
获取所述更改参数配置所引发的第二任务流组件，以基于所述第一任务流组件和所述第二任务流组件完成所述第一联邦建模任务。
可选地，所述获取所述更改参数配置所引发的第二任务流组件，以基于所述第一任务流组件和所述第二任务流组件完成所述第一联邦建模任务的步骤，包括：
运行所述第一任务流组件构建的第一任务流，得到第一运行结果；
获取所述更改参数配置所引发的第二任务流组件，运行所述第二任务流组件构建的第二任务流，得到第二运行结果；
比对评估所述第一运行结果与第二运行结果，得到比对结果；
基于所述比对结果，确定目标模型，以完成所述第一联邦建模任务。
可选地，所述若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务的步骤之后，所述方法包括：
若检测到参数模板导出指令时，保存所述参数模板；
若检测到与所述第一联邦建模任务具有相同结构的第二联邦建模任务的导入指令时，导入所述保存的所述参数模板，以完成所述第一联邦建模任务的参数配置。
可选地，所述若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务的步骤，包括：
若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务；
其中，所述第一任务流组件至少包括以下数据导入组件，联邦交集组件，联邦采样组件，联邦归一化组件，纵向联邦特征分箱组件，纵向联邦特征选择组件，编码组件，纵向联邦逻辑回归组件，纵向联邦安全组件，联邦模型评估组件的一个或者多个。
可选地，所述在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息的步骤，包括：
在检测到所述第一任务流组件的参数配置指令时，获取对各第一任务流组件的交互操作任务；
根据所述交互操作任务对所述各第一任务流组件进行操作，得到各第一任务流组件的配置信息。
本申请还提供一种基于联邦学习的参数配置装置，所述基于联邦学习的参数配置装置包括：
第一检测模块，用于在检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件；
第二检测模块，用于在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息；
配置模块，用于根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置；
运行模块，用于若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务。
可选地，所述第二检测模块包括：
第一检测单元，用于在检测到所述第一任务流组件的参数配置指令时，获取所述第一任务流组件的运行属性；
第一获取单元，用于若所述运行属性为第一属性时，获取通过交互式得到的各个参与方的统一配置信息，将所述统一配置信息作为所述第一属性的第一任务流组件的配置信息；
第二获取单元，用于若所述运行属性为第二属性时，获取通过交互式得到的各个参与方的角色配置信息，根据所述角色配置信息得到所述第二属性的第一任务流组件的配置信息。
可选地，所述运行模块包括：
第二检测单元，用于若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件；
第三检测单元，用于在运行所述第一任务流组件的过程中，若检测到所述参数配置的更改指令时，确定所述更改指令的更改参数配置；
第三获取单元，用于获取所述更改参数配置所引发的第二任务流组件，以基于所述第一任务流组件和所述第二任务流组件完成所述第一联邦建模任务。
可选地，所述第三获取单元包括：
运行子单元，用于运行所述第一任务流组件构建的第一任务流，得到第一运行结果；
获取子单元，用于获取所述更改参数配置所引发的第二任务流组件，运行所述第二任务流组件构建的第二任务流，得到第二运行结果；
比对评估子单元，用于比对评估所述第一运行结果与第二运行结果，得到比对结果；
确定子单元，用于基于所述比对结果，确定目标模型，以完成所述第一联邦建模任务。
可选地，所述基于联邦学习的参数配置装置还包括：
第三检测模块，用于若检测到参数模板导出指令时，保存所述参数模板；
第四检测模块，用于若检测到与所述第一联邦建模任务具有相同结构的第二联邦建模任务的导入指令时，导入所述保存的所述参数模板，以完成所述第一联邦建模任务的参数配置。
可选地，所述运行模块还包括：
第四检测单元，用于若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务；
其中，所述第一任务流组件至少包括以下数据导入组件，联邦交集组件，联邦采样组件，联邦归一化组件，纵向联邦特征分箱组件，纵向联邦特征选择组件，编码组件，纵向联邦逻辑回归组件，纵向联邦安全组件，联邦模型评估组件的一个或者多个。
可选地，所述第一检测模块包括：
第五检测单元，用于在检测到所述第一任务流组件的参数配置指令时，获取对各第一任务流组件的交互操作任务；
操作单元，用于根据所述交互操作任务对所述各第一任务流组件进行操作，得到各第一任务流组件的配置信息。
本申请还提供一种基于联邦学习的参数配置设备，所述基于联邦学习的参数配置设备为实体设备，所述基于联邦学习的参数配置设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于联邦学习的参数配置方法的程序，所述基于联邦学习的参数配置方法的程序被处理器执行时可实现如上述的基于联邦学习的参数配置方法的步骤。
本申请还提供一种存储介质，所述存储介质上存储有实现上述基于联邦学习的参数配置方法的程序，所述基于联邦学习的参数配置方法的程序被处理器执行时实现如上述的基于联邦学习的参数配置方法的步骤。
本申请还提供一种计算机程序产品、包括计算机程序，该计算机程序被处理器执行时实现上述的基于联邦学习的参数配置方法的步骤。
本申请提供一种基于联邦学习的参数配置方法、装置、设备及存储介质，与目前通过代码方式配置联邦参数，致使联邦建模效率低下的技术问题相比，本申请通过在检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件；在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息；根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置；若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务。在本申请中，不再是通过代码方式配置联邦参数，而是通过交互式方式得到第一联邦建模任务的各第一任务流组件的配置信息；根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置，以运行所述第一任务流组件，以完成所述第一联邦建模任务。也即，在本申请中，直接将联邦建模任务的参数配置细分为任务流组件的参数配置，进而，通过交互式方式配置任务流组件的参数，以提升参数配置的便捷性，和参数配置的错误识别及时性，提升了联邦建模效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，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为本申请基于联邦学习的参数配置方法第一实施例的流程示意图；
图2为本申请基于联邦学习的参数配置方法第一实施例中步骤S20的步骤细化流程示意图；
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图；
图4为本申请基于联邦学习的参数配置方法的场景示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种基于联邦学习的参数配置方法，在本申请基于联邦学习的参数配置方法的第一实施例中，参照图1，所述基于联邦学习的参数配置方法包括：
步骤S10，在检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件；
步骤S20，在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息；
步骤S30，根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置；
步骤S40，若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务。
具体步骤如下：
步骤S10，在检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件；
在本实施例中，基于联邦学习的参数配置方法应用于多方联邦建模场景，在多方联邦建模场景中，分为应用方(guest方)和数据源方(host方)，应用方是含有标签的那一方，数据源方是不含标签的那一方，通常在纵向联邦建模过程中，可以有一个guest方和多个host方，在本实施例中，需要说明的是，应用方和数据源方都是参与方，在基于联邦学习的参数配置方法中，具体地，也可以应用于数据源方或者是应用方，或者基于联邦学习的参数配置方法还可以应用于服务器端，其中，在本实施例中，以基于联邦学习的参数配置方法应用于服务器端为例进行具体说明。
在检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件，具体地，在服务器端检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件，其中，用户可以在服务器端的可视化界面上通过点击或者触摸等方式触发第一联邦建模任务，其中，第一联邦建模任务中携带有任务的关联信息，该任务的关联信息包括：联邦任务的联邦参与方，联邦类型，联邦任务流，联邦任务流组件等内容，服务器端在检测到第一联邦建模任务时，确定所述第一联邦建模任务的第一任务流，然后确定第一任务流的各第一任务流组件，其中，需要说明的是，每个第一任务流组件可能关联多个参与方参数的设置，也可能只关联一个参与方参数的设置，但是为了确保满足不同联邦建模任务的需求，对于每个第一任务流组件而言，配置齐全多方运行所需的参数设置，例如，对于第一任务流组件A而言，所有a1，a2，a3，a4，a5，a6等，也配置有b1，b2，b3，b4，b5，b6等，其中，为了确保每个第一任务流组件满足不同联邦建模任务的需求，还可以为每个第一任务流组件设置自定义参数，或者可添加参数选项。
所述若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务的步骤，包括：
步骤S11，若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务；
其中，所述第一任务流组件至少包括以下数据导入组件，联邦交集组件，联邦采样组件，联邦归一化组件，纵向联邦特征分箱组件，纵向联邦特征选择组件，编码组件，纵向联邦逻辑回归组件，纵向联邦安全组件，联邦模型评估组件的一个或者多个。
也即，在本实施例中，第一任务流组件具体可以包括数据导入组件，数据导入组件可以包括特征值缺失比例，最小/最大值，中值，均值，标准差，偏度，峰度等参数，第一任务流组件具体还可以包括联邦交集组件，联邦交集组件的参数包括用户id，用户身份证号码等标识，第一任务流组件具体还可以包括联邦采样组件，联邦采样组件的参数可以是采样类型，采样指标等参数，第一任务流组件具体还可以包括联邦归一化组件，联邦归一化组件可以包括归一化标准等参数，第一任务流组件具体还可以包括纵向联邦特征分箱组件，纵向联邦特征选择组件等，纵向联邦特征分箱组件，纵向联邦特征选择组件等包括分箱条件，选择条件等参数，第一任务流组件具体还可以包括，纵向联邦逻辑回归组件，纵向联邦安全组件，联邦模型评估组件等，对应参数可以包括回归条件，评估标准等。
步骤S20，在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息；
在检测到所述第一任务流组件的参数配置指令时，得到的各第一任务流组件的配置信息，具体地，在检测到所述第一任务流组件的参数配置指令时，获取通过交互式方式得到的各第一任务流组件的配置信息，其中，通过交互式方式得到的各第一任务流组件的配置信息指的是通过交互式得到的各第一任务流组件的参数的具体内容，以及参数的具体范围，其中，第一任务流组件的配置信息还可以包括具体配置的参与方。
参照图2，所述在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息的步骤，包括：
步骤S21，在检测到所述第一任务流组件的参数配置指令时，获取所述第一任务流组件的运行属性；
在本实施例中，在检测到所述第一任务流组件的参数配置指令时，获取所述第一任务流组件的运行属性，其中，运行属性分为共同运行和按参与方角色区分运行，需要说明的是，共同运行的属性又可以细分为全共同运行和部分共同运行。
步骤S22，若所述运行属性为第一属性时，获取通过交互式得到的各个参与方的统一配置信息，将所述统一配置信息作为所述第一属性的第一任务流组件的配置信息；
若所述运行属性为第一属性时即共同运行的属性时，获取通过交互式得到的各个参与方的统一配置信息，将所述统一配置信息作为所述第一属性的第一任务流组件的配置信息，具体地，若所述运行属性为第一属性中的全共同运行的属性时，获取通过交互式(用户在可视化界面上输入选择的参数和参数范围等)得到的各个参与方的统一配置信息(在参与方选项上选择全部参与方)，将所述统一配置信息作为所述全共同运行属性的第一任务流组件的配置信息(各个参与方都一样运行该全共同运行属性的第一任务流组件)，即意味着应用方和数据源方联合运行该算法组件，且双方配置的组件参数一致；若所述运行属性为第一属性中的部分共同运行的属性时，获取通过交互式(用户在可视化界面上输入选择的参数和参数范围等)得到的关联参与方的统一配置信息(在参与方选项上选择关联参与方)，将所述统一配置信息作为所述部分共同运行属性的第一任务流组件的配置信息(各个关联参与方都一样运行该部分共同运行属性的第一任务流组件)，即意味着关联参与方联合运行该算法组件，且双方配置的组件参数一致。
步骤S23，若所述运行属性为第二属性时，获取通过交互式得到的各个参与方的角色配置信息，根据所述角色配置信息得到所述第二属性的第一任务流组件的配置信息。
若所述运行属性为第二属性即按参与方角色(role)区分属性时，获取通过交互式得到的各个参与方的角色配置信息(用户在可视化界面上输入选择的各个参与方的角色配置，对应参数和参数范围等)，根据所述角色配置信息得到所述第二属性的第一任务流组件的配置信息，即意味着某一参与方运行该与其他参与方组件参数不同的算法组件。
具体地，当选择role的时候，需要为每个role配置不同的参数，如图4所示，首先勾选role的partyID(参与方ID)决定该参与方是否参与该组件的运行，其次，为每个role选择需要设置的参数并配置参数具体值，即每个role需要选择组件中的部分参数进行配置，未必是全部参数都需要设置；再次，由于每个参数的填写均限定了区间、可取值范围或输入格式，因此通过界面方式填写的参数完全避免了参数配置错误或格式错误，可以在任务流开始运行前就达到参数校验目的。
在本实施例中，需要说明的是，由于某一参与方可能运行该与其他参与方组件参数不同的算法组件，而同一组件类型但组件参数不同的算法组件，可以同时被不同的参与方运行。即同一类型算法组件可以是多个的，以供不同参与方基于自身需求分门别类进行设置。
在本实施例中，各第一任务流组件的配置信息可以是人为输入的，当然也可以是导入的数据。
步骤S30，根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置；
在得到所述各第一任务流组件的配置信息后，根据配置信息对所述第一任务流组件进行参数配置。具体地，根据不同第一任务流组件的配置信息对对应第一任务流组件进行参数配置。
步骤S40，若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务。
若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务，具体地，运行所述第一任务流组件都成的任务流，以完成所述第一联邦建模任务。
所述若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务的步骤，包括：
步骤S41，若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件；
步骤S42，在运行所述第一任务流组件的过程中，若检测到所述参数配置的更改指令时，确定所述更改指令的更改参数配置；
步骤S43，获取所述更改参数配置所引发的第二任务流组件，以基于所述第一任务流组件和所述第二任务流组件完成所述第一联邦建模任务。
若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，在运行所述第一任务流组件的过程中，若检测到所述参数配置的更改指令时，确定所述更改指令的更改参数配置，其中，在运行所述第一任务流组件的过程后，若检测到所述参数配置的更改指令时，也可以确定所述更改指令的更改参数配置。
也即，当每个组件的参数都设置完成后，就可以发起任务流的运行了，并可以随时修改组件参数配置，另存后再次发起任务流的运行(获取所述更改参数配置所引发的第二任务流组件)，这样可以同时进行多个任务流，并最终对比模型运行的结果，或者在一个任务流运行后发现模型效果不佳，则进行调参，调参重新运行并最终对比结果，即基于所述第一任务流组件和所述第二任务流组件完成所述第一联邦建模任务。
本申请提供一种基于联邦学习的参数配置方法、装置、设备及存储介质，与目前通过代码方式配置联邦参数，致使联邦建模效率低下的技术问题相比，本申请通过在检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件；在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息；根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置；若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务。在本申请中，不再是通过代码方式配置联邦参数，而是通过交互式方式得到第一联邦建模任务的各第一任务流组件的配置信息；根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置，以运行所述第一任务流组件，以完成所述第一联邦建模任务。也即，在本申请中，直接将联邦建模任务的参数配置细分为任务流组件的参数配置，进而，通过交互式方式配置任务流组件的参数，以提升参数配置的便捷性，和参数配置的错误识别及时性，提升了联邦建模效率。
本申请实施例提供一种基于联邦学习的参数配置方法，在本申请基于联邦学习的参数配置方法的另一实施例中，
所述获取所述更改参数配置所引发的第二任务流组件，以基于所述第一任务流组件和所述第二任务流组件完成所述第一联邦建模任务的步骤，包括：
步骤A1，运行所述第一任务流组件构建的第一任务流，得到第一运行结果；
在本实施例中，运行所述第一任务流组件构建的第一任务流，得到第一运行结果，具体地，运行所述第一任务流组件构建的第一任务流，基于第一任务流，得到第一模型，基于第一模型以及预设验证数据，得到第一模型的第一预测准确度。
步骤A2，获取所述更改参数配置所引发的第二任务流组件，运行所述第二任务流组件构建的第二任务流，得到第二运行结果；
获取所述更改参数配置所引发的第二任务流组件，运行所述第二任务流组件构建的第二任务流，得到第二运行结果，具体地，运行所述第二任务流组件构建的第二任务流，基于第二任务流，得到第二模型，基于第二模型以及预设验证数据，得到第二模型的第二预测准确度。
步骤A3，比对评估所述第一运行结果与第二运行结果，得到比对结果；
比对评估所述第一运行结果与第二运行结果，得到比对结果，具体地，比对评估所述第一预测准确度与第二预测准确度，得到比对结果。
步骤A4，基于所述比对结果，确定目标模型，以完成所述第一联邦建模任务。
基于所述比对结果，确定目标模型，以完成所述第一联邦建模任务。基于所述比对结果，确定预测准确度最高的模型作为目标模型，以完成所述第一联邦建模任务。具体地，若准确度最高的模型为第一模型，则将第一模型设置为目标模型，以完成所述第一联邦建模任务。
在本实施例中，通过运行所述第一任务流组件构建的第一任务流，得到第一运行结果；获取所述更改参数配置所引发的第二任务流组件，运行所述第二任务流组件构建的第二任务流，得到第二运行结果；比对评估所述第一运行结果与第二运行结果，得到比对结果；基于所述比对结果，确定目标模型，以完成所述第一联邦建模任务。在本实施例中，准确确定目标模型，以完成所述第一联邦建模任务。
本申请实施例提供一种基于联邦学习的参数配置方法，在本申请基于联邦学习的参数配置方法的另一实施例中，
所述若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务的步骤之后，所述方法包括：
步骤B1，若检测到参数模板导出指令时，保存所述参数模板；
步骤B2，若检测到与所述第一联邦建模任务具有相同结构的第二联邦建模任务的导入指令时，导入所述保存的所述参数模板，以完成所述第一联邦建模任务的参数配置。
在本实施例中，还可以进行参数的复用(即进行模型参数的导入与导出)：即若检测到参数模板导出指令时，保存所述参数模板，若检测到与所述第一联邦建模任务具有相同结构的第二联邦建模任务的导入指令时，导入所述保存的所述参数模板，以完成所述第一联邦建模任务的参数配置，即本实施例中可以保存参数模版并进行导出，导出时将会生成一份参数配置文件(可以保存为json、python等多种格式，可以用于各种不同的计算环境)，这样可以在其他的联邦建模任务中同类组件的参数设置时快速导入，而无需重新配置；另外，参数保存既可以对某个组件的参数进行保存，又可以对整个任务流的参数配置进行保存，例如发起一个相同结构的建模任务(组件以及组件连线顺序均相同)，直接导入某个任务流的参数配置，在此基础上再稍微调整参数，就可以达到快速配置参数的效果；
在本实施例中，若检测到参数模板导出指令时，保存所述参数模板；若检测到与所述第一联邦建模任务具有相同结构的第二联邦建模任务的导入指令时，导入所述保存的所述参数模板，以完成所述第一联邦建模任务的参数配置。在本实施例中，可以进行参数的复用，提升用户体验。
本申请实施例提供一种基于联邦学习的参数配置方法，在本申请基于联邦学习的参数配置方法的另一实施例中，所述基于所述预设预测模型对所述待处理数据进行预测处理，得到预测结果的步骤之后，包括：
所述在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息的步骤，包括：
步骤C1，在检测到所述第一任务流组件的参数配置指令时，获取对各第一任务流组件的交互操作任务；
步骤C2，根据所述交互操作任务对所述各第一任务流组件进行操作，得到各第一任务流组件的配置信息。
在本实施例中，在检测到所述第一任务流组件的参数配置指令时，获取对各第一任务流组件的交互操作任务，根据所述交互操作任务对所述各第一任务流组件进行操作，得到各第一任务流组件的配置信息，也即，在本实施中，通过交互操作任务对所述各第一任务流组件进行操作，得到各第一任务流组件的配置信息，以提升交互性。
参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示，该基于联邦学习的参数配置设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该基于联邦学习的参数配置设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的基于联邦学习的参数配置设备结构并不构成对基于联邦学习的参数配置设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及基于联邦学习的参数配置程序。操作系统是管理和控制基于联邦学习的参数配置设备硬件和软件资源的程序，支持基于联邦学习的参数配置程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与基于联邦学习的参数配置系统中其它硬件和软件之间通信。
在图3所示的基于联邦学习的参数配置设备中，处理器1001用于执行存储器1005中存储的基于联邦学习的参数配置程序，实现上述任一项所述的基于联邦学习的参数配置方法的步骤。
本申请基于联邦学习的参数配置设备具体实施方式与上述基于联邦学习的参数配置方法各实施例基本相同，在此不再赘述。
本申请还提供一种基于联邦学习的参数配置装置，所述基于联邦学习的参数配置装置包括：
第一检测模块，用于在检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件；
第二检测模块，用于在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息；
配置模块，用于根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置；
运行模块，用于若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务。
可选地，所述第二检测模块包括：
第一检测单元，用于在检测到所述第一任务流组件的参数配置指令时，获取所述第一任务流组件的运行属性；
第一获取单元，用于若所述运行属性为第一属性时，获取通过交互式得到的各个参与方的统一配置信息，将所述统一配置信息作为所述第一属性的第一任务流组件的配置信息；
第二获取单元，用于若所述运行属性为第二属性时，获取通过交互式得到的各个参与方的角色配置信息，根据所述角色配置信息得到所述第二属性的第一任务流组件的配置信息。
可选地，所述运行模块包括：
第二检测单元，用于若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件；
第三检测单元，用于在运行所述第一任务流组件的过程中，若检测到所述参数配置的更改指令时，确定所述更改指令的更改参数配置；
第三获取单元，用于获取所述更改参数配置所引发的第二任务流组件，以基于所述第一任务流组件和所述第二任务流组件完成所述第一联邦建模任务。
可选地，所述第三获取单元包括：
运行子单元，用于运行所述第一任务流组件构建的第一任务流，得到第一运行结果；
获取子单元，用于获取所述更改参数配置所引发的第二任务流组件，运行所述第二任务流组件构建的第二任务流，得到第二运行结果；
比对评估子单元，用于比对评估所述第一运行结果与第二运行结果，得到比对结果；
确定子单元，用于基于所述比对结果，确定目标模型，以完成所述第一联邦建模任务。
可选地，所述基于联邦学习的参数配置装置还包括：
第三检测模块，用于若检测到参数模板导出指令时，保存所述参数模板；
第四检测模块，用于若检测到与所述第一联邦建模任务具有相同结构的第二联邦建模任务的导入指令时，导入所述保存的所述参数模板，以完成所述第一联邦建模任务的参数配置。
可选地，所述运行模块还包括：
第四检测单元，用于若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务；
其中，所述第一任务流组件至少包括以下数据导入组件，联邦交集组件，联邦采样组件，联邦归一化组件，纵向联邦特征分箱组件，纵向联邦特征选择组件，编码组件，纵向联邦逻辑回归组件，纵向联邦安全组件，联邦模型评估组件的一个或者多个。
可选地，所述第一检测模块包括：
第五检测单元，用于在检测到所述第一任务流组件的参数配置指令时，获取对各第一任务流组件的交互操作任务；
操作单元，用于根据所述交互操作任务对所述各第一任务流组件进行操作，得到各第一任务流组件的配置信息。
本申请基于联邦学习的参数配置装置的具体实施方式与上述基于联邦学习的参数配置方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种存储介质，且所述存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的基于联邦学习的参数配置方法的步骤。
本申请存储介质具体实施方式与上述基于联邦学习的参数配置方法各实施例基本相同，在此不再赘述。
本申请还提供一种计算机程序产品、包括计算机程序，该计算机程序被处理器执行时实现上述的基于联邦学习的参数配置方法的步骤。
本申请计算机程序产品的具体实施方式与上述基于联邦学习的参数配置方法各实施例基本相同，在此不再赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。
Claims (11)
1.一种基于联邦学习的参数配置方法，其特征在于，所述基于联邦学习的参数配置方法包括：
在检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件；
在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息；
根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置；
若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务。
2.如权利要求1所述基于联邦学习的参数配置方法，其特征在于，所述在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息的步骤，包括：
在检测到所述第一任务流组件的参数配置指令时，获取所述第一任务流组件的运行属性；
若所述运行属性为第一属性时，获取通过交互式得到的各个参与方的统一配置信息，将所述统一配置信息作为所述第一属性的第一任务流组件的配置信息；
若所述运行属性为第二属性时，获取通过交互式得到的各个参与方的角色配置信息，根据所述角色配置信息得到所述第二属性的第一任务流组件的配置信息。
3.如权利要求1所述基于联邦学习的参数配置方法，其特征在于，所述若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务的步骤，包括：
若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件；
在运行所述第一任务流组件的过程中，若检测到所述参数配置的更改指令时，确定所述更改指令的更改参数配置；
获取所述更改参数配置所引发的第二任务流组件，以基于所述第一任务流组件和所述第二任务流组件完成所述第一联邦建模任务。
4.如权利要求3所述基于联邦学习的参数配置方法，其特征在于，所述获取所述更改参数配置所引发的第二任务流组件，以基于所述第一任务流组件和所述第二任务流组件完成所述第一联邦建模任务的步骤，包括：
运行所述第一任务流组件构建的第一任务流，得到第一运行结果；
获取所述更改参数配置所引发的第二任务流组件，运行所述第二任务流组件构建的第二任务流，得到第二运行结果；
比对评估所述第一运行结果与第二运行结果，得到比对结果；
基于所述比对结果，确定目标模型，以完成所述第一联邦建模任务。
5.如权利要求1-4任一项所述基于联邦学习的参数配置方法，其特征在于，所述若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务的步骤之后，所述方法包括：
若检测到参数模板导出指令时，保存所述参数模板；
若检测到与所述第一联邦建模任务具有相同结构的第二联邦建模任务的导入指令时，导入所述保存的所述参数模板，以完成所述第一联邦建模任务的参数配置。
6.如权利要求1所述基于联邦学习的参数配置方法，其特征在于，所述若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务的步骤，包括：
若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务；
其中，所述第一任务流组件至少包括以下数据导入组件，联邦交集组件，联邦采样组件，联邦归一化组件，纵向联邦特征分箱组件，纵向联邦特征选择组件，编码组件，纵向联邦逻辑回归组件，纵向联邦安全组件，联邦模型评估组件的一个或者多个。
7.如权利要求1所述基于联邦学习的参数配置方法，其特征在于，所述在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息的步骤，包括：
在检测到所述第一任务流组件的参数配置指令时，获取对各第一任务流组件的交互操作任务；
根据所述交互操作任务对所述各第一任务流组件进行操作，得到各第一任务流组件的配置信息。
8.一种基于联邦学习的参数配置装置，其特征在于，所述基于联邦学习的参数配置装置包括：
第一检测模块，用于在检测到第一联邦建模任务时，确定所述第一联邦建模任务的各第一任务流组件；
第二检测模块，用于在检测到所述第一任务流组件的参数配置指令时，获取通过交互式得到的各第一任务流组件的配置信息；
配置模块，用于根据所述各第一任务流组件的配置信息，对所述第一任务流组件进行参数配置；
运行模块，用于若检测到所有第一任务流组件都完成参数配置时，运行所述第一任务流组件，以完成所述第一联邦建模任务。
9.一种基于联邦学习的参数配置设备，其特征在于，所述基于联邦学习的参数配置设备包括：存储器、处理器以及存储在存储器上的用于实现所述基于联邦学习的参数配置方法的程序，
所述存储器用于存储实现基于联邦学习的参数配置方法的程序；
所述处理器用于执行实现所述基于联邦学习的参数配置方法的程序，以实现如权利要求1至7中任一项所述基于联邦学习的参数配置方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有实现基于联邦学习的参数配置方法的程序，所述实现基于联邦学习的参数配置方法的程序被处理器执行以实现如权利要求1至7中任一项所述基于联邦学习的参数配置方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011645340.1A CN112700013A (zh) | 2020-12-30 | 2020-12-30 | 基于联邦学习的参数配置方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011645340.1A CN112700013A (zh) | 2020-12-30 | 2020-12-30 | 基于联邦学习的参数配置方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112700013A true CN112700013A (zh) | 2021-04-23 |
Family
ID=75514365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011645340.1A Pending CN112700013A (zh) | 2020-12-30 | 2020-12-30 | 基于联邦学习的参数配置方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112700013A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113934470A (zh) * | 2021-10-19 | 2022-01-14 | 京东科技控股股份有限公司 | 联邦学习框架的构建方法、使用方法及相关设备 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050177414A1 (en) * | 2004-02-11 | 2005-08-11 | Sigma Dynamics, Inc. | Method and apparatus for automatically and continuously pruning prediction models in real time based on data mining |
| US20140172944A1 (en) * | 2012-12-13 | 2014-06-19 | Level 3 Communications, Llc | Invalidation systems, methods, and devices |
| CN104778320A (zh) * | 2015-04-13 | 2015-07-15 | 北京仿真中心 | 一种可配置的hla联邦成员构建方法及系统 |
| CN110825476A (zh) * | 2019-10-31 | 2020-02-21 | 深圳前海微众银行股份有限公司 | 联邦学习工作流界面的显示方法、装置、终端及介质 |
| CN111369009A (zh) * | 2020-03-04 | 2020-07-03 | 南京大学 | 一种能容忍不可信节点的分布式机器学习方法 |
| CN111368901A (zh) * | 2020-02-28 | 2020-07-03 | 深圳前海微众银行股份有限公司 | 基于联邦学习的多方联合建模方法、设备和介质 |
| CN111538598A (zh) * | 2020-04-29 | 2020-08-14 | 深圳前海微众银行股份有限公司 | 联邦学习建模方法、装置、设备及可读存储介质 |
| CN111600707A (zh) * | 2020-05-15 | 2020-08-28 | 华南师范大学 | 一种在隐私保护下的去中心化联邦机器学习方法 |
| CN111666460A (zh) * | 2020-05-27 | 2020-09-15 | 中国平安财产保险股份有限公司 | 基于隐私保护的用户画像生成方法、装置及存储介质 |
| CN111797999A (zh) * | 2020-07-10 | 2020-10-20 | 深圳前海微众银行股份有限公司 | 纵向联邦建模优化方法、装置、设备及可读存储介质 |
| CN111860864A (zh) * | 2020-07-23 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 纵向联邦建模优化方法、设备及可读存储介质 |
| WO2020225772A1 (en) * | 2019-05-07 | 2020-11-12 | Imagia Cybernetics Inc. | Method and system for initializing a neural network |
| CN111950739A (zh) * | 2020-08-13 | 2020-11-17 | 深圳前海微众银行股份有限公司 | 基于区块链的数据处理方法、装置、设备及介质 |
| CN112001500A (zh) * | 2020-08-13 | 2020-11-27 | 星环信息科技（上海）有限公司 | 基于纵向联邦学习系统的模型训练方法、设备及存储介质 |
| WO2020253775A1 (zh) * | 2019-06-18 | 2020-12-24 | 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 |
| CN112149171A (zh) * | 2020-10-27 | 2020-12-29 | 腾讯科技（深圳）有限公司 | 联邦神经网络模型的训练方法、装置、设备及存储介质 |
-
2020
- 2020-12-30 CN CN202011645340.1A patent/CN112700013A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050177414A1 (en) * | 2004-02-11 | 2005-08-11 | Sigma Dynamics, Inc. | Method and apparatus for automatically and continuously pruning prediction models in real time based on data mining |
| US20140172944A1 (en) * | 2012-12-13 | 2014-06-19 | Level 3 Communications, Llc | Invalidation systems, methods, and devices |
| CN104778320A (zh) * | 2015-04-13 | 2015-07-15 | 北京仿真中心 | 一种可配置的hla联邦成员构建方法及系统 |
| WO2020225772A1 (en) * | 2019-05-07 | 2020-11-12 | Imagia Cybernetics Inc. | Method and system for initializing a neural network |
| WO2020253775A1 (zh) * | 2019-06-18 | 2020-12-24 | 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 |
| CN110825476A (zh) * | 2019-10-31 | 2020-02-21 | 深圳前海微众银行股份有限公司 | 联邦学习工作流界面的显示方法、装置、终端及介质 |
| CN111368901A (zh) * | 2020-02-28 | 2020-07-03 | 深圳前海微众银行股份有限公司 | 基于联邦学习的多方联合建模方法、设备和介质 |
| CN111369009A (zh) * | 2020-03-04 | 2020-07-03 | 南京大学 | 一种能容忍不可信节点的分布式机器学习方法 |
| CN111538598A (zh) * | 2020-04-29 | 2020-08-14 | 深圳前海微众银行股份有限公司 | 联邦学习建模方法、装置、设备及可读存储介质 |
| CN111600707A (zh) * | 2020-05-15 | 2020-08-28 | 华南师范大学 | 一种在隐私保护下的去中心化联邦机器学习方法 |
| CN111666460A (zh) * | 2020-05-27 | 2020-09-15 | 中国平安财产保险股份有限公司 | 基于隐私保护的用户画像生成方法、装置及存储介质 |
| CN111797999A (zh) * | 2020-07-10 | 2020-10-20 | 深圳前海微众银行股份有限公司 | 纵向联邦建模优化方法、装置、设备及可读存储介质 |
| CN111860864A (zh) * | 2020-07-23 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 纵向联邦建模优化方法、设备及可读存储介质 |
| CN111950739A (zh) * | 2020-08-13 | 2020-11-17 | 深圳前海微众银行股份有限公司 | 基于区块链的数据处理方法、装置、设备及介质 |
| CN112001500A (zh) * | 2020-08-13 | 2020-11-27 | 星环信息科技（上海）有限公司 | 基于纵向联邦学习系统的模型训练方法、设备及存储介质 |
| CN112149171A (zh) * | 2020-10-27 | 2020-12-29 | 腾讯科技（深圳）有限公司 | 联邦神经网络模型的训练方法、装置、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| FUXUN YU等: "Jeterogeneous Federated Learning", 《ARXIV》, 15 August 2020 (2020-08-15), pages 1 - 9 * |
| YUFENG ZHAN等: "A Learning-Based Incentive Mechanism for Federated Learning", 《IEEE INTERNET OF THINGS JOURNAL》, vol. 7, no. 7, 31 July 2020 (2020-07-31), pages 6360 - 6368, XP011798226, DOI: 10.1109/JIOT.2020.2967772 * |
| 周俊等: "联邦学习安全与隐私保护研究综述", 《西华大学学报(自然科学版)》, vol. 39, no. 4, 31 August 2020 (2020-08-31), pages 9 - 17 * |
| 张新宇: "联邦式仿真运行数据处理的共同支持框架研究", 《中国博士学位论文全文数据库 信息科技辑》, vol. 2011, no. 5, 15 May 2011 (2011-05-15), pages 138 - 73 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113934470A (zh) * | 2021-10-19 | 2022-01-14 | 京东科技控股股份有限公司 | 联邦学习框架的构建方法、使用方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109343845A (zh) | 一种代码文件生成方法和装置 | |
| US20210365767A1 (en) | Method and device for operator registration processing based on deep learning and electronic device | |
| CN107273104B (zh) | 一种配置数据结构的处理方法及装置 | |
| WO2020253066A1 (zh) | 页面管理方法、装置、计算机设备及存储介质 | |
| WO2021204145A1 (zh) | 验证方法、装置、设备和存储介质 | |
| US11106908B2 (en) | Techniques to determine document recognition errors | |
| CN108388512A (zh) | 数据处理方法和服务器 | |
| CN113608805A (zh) | 掩膜预测方法、图像处理方法、显示方法及设备 | |
| CN115829929A (zh) | 产品表面图像的缺陷检测方法、装置、设备及存储介质 | |
| CN112700013A (zh) | 基于联邦学习的参数配置方法、装置、设备及存储介质 | |
| CN107844645B (zh) | 基于bim的协作发起方法及装置 | |
| CN111079059A (zh) | 页面检查方法、装置、设备及计算机可读存储介质 | |
| CN108415890B (zh) | 置顶显示单元格的方法、终端设备及计算机可读存储介质 | |
| CN113626022A (zh) | 物模型创建方法、装置、存储介质及电子设备 | |
| CN112380094A (zh) | 一种rpa业务流程处理方法及装置 | |
| CN107632760A (zh) | 书写笔迹圈选方法及装置、触摸设备、可读存储介质 | |
| CN111949510A (zh) | 测试处理方法、装置、电子设备及可读存储介质 | |
| JP2020525963A (ja) | メディア特徴の比較方法及び装置 | |
| CN107515821B (zh) | 控件测试方法和装置 | |
| CN111553375B (zh) | 使用变换以验证计算机视觉质量 | |
| CN107077272B (zh) | 响应于用户动作而确定启用直接操纵的命中测试 | |
| US20180053325A1 (en) | Ribbon to quick access toolbar icon conversion | |
| CN111737372A (zh) | 地图数据生成方法和装置 | |
| CN111080148A (zh) | Erp系统的净值计算方法、装置、电子设备以及存储介质 | |
| US20190318652A1 (en) | Use of intelligent scaffolding to teach gesture-based ink interactions |
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 |