CN113887746A - 基于联合学习的降低通信压力的方法及装置 - Google Patents

Abstract

本发明提供了一种基于联合学习的降低通信压力的方法及装置。该方法包括：参与方响应中心节点发送的模型的初始参数；参与方根据初始参数更新本地训练模型，以得到更新后的训练模型；针对更新后的训练模型，按预设周期向中心节点发送更新后的训练模型对应的本地模型的参数；其中，预设周期为，按本地随机下降梯度值为基础进设置间隔传输次数，参与方基于联合学习架构进行模型训练。本发明解决了现有技术中训练模型更新而造成的中心节点与参与方之间的通信压力过大的问题。

Description

基于联合学习的降低通信压力的方法及装置

技术领域

本公开涉及人工智能技术领域，尤其涉及一种基于联合学习的降低通信压力的方法及装置。

背景技术

联合学习是可以一种保护数据隐私的分布数据集的分布式学习范式。

现阶段的联合学习框架包含中心节点和不同的本地参与方，联合学习可以保护用户数据隐私进行联合模型训练，这其中由于中心节点与多个本地参与方需要进行多次重叠的模型更新，导致产生了大量的冗余信息并且占用了大量通信资源。例如，通常有大量的参与方，其与中心节点通信，所有的参与方都参与到训练中，参与方与中心节点要进行多次通信，会导通信压力较大。

因此，这些问题是急需解决的。

发明内容

有鉴于此，本公开实施例提供了一种基于联合学习的降低通信压力的方法、装置、计算机设备及计算机可读存储介质，以解决现有技术中训练模型更新而造成的中心节点与参与方之间的通信压力过大的问题。

本公开实施例的第一方面，提供了一种基于联合学习的降低通信压力的方法，包括：

参与方响应中心节点发送的模型的初始参数；

参与方根据所述初始参数更新本地训练模型，以得到更新后的训练模型；

针对所述更新后的训练模型，按预设周期向中心节点发送所述更新后的训练模型对应的本地模型的参数；

其中，预设周期为，按本地随机下降梯度值为基础进设置间隔传输次数；参与方基于联合学习架构进行模型训练。

本公开实施例的第二方面，提供了一种基于联合学习的降低通信压力的方法，包括：

在联合学习框架中，中心节点接收来自多个参与方发送的更新后的训练模型对应的本地模型的参数；

聚合多个参与方发送的更新后的训练模型对应的本地模型的参数；

将聚合后的多个参与方发送的更新后的训练模型对应的本地模型的参数，发送给需求的参与方，直到对模型训练的频度成收敛状态；

当接收到参与方反馈的引用值的量化处理结果时，对量化处理结果进行反量化处理；

根据反量化处理结果，对引用值进行聚合生成新的全局模型。

其中，参与方基于联合学习架构进行模型训练。

本公开实施例的第三方面，提供了一种基于联合学习的降低通信压力的装置，包括：

参与方响应模块，用于参与方响应中心节点发送的模型的初始参数；

参与方更新模块，用于根据所述初始参数更新本地训练模型，以得到更新后的训练模型；

参与方训练模块，用于针对所述更新后的训练模型，按预设周期向中心节点发送所述更新后的训练模型对应的本地模型的参数；

其中，预设周期为，按本地随机下降梯度值为基础进设置间隔传输次数；参与方基于联合学习架构进行模型训练。

本公开实施例的第四方面，提供了一种基于联合学习的降低通信压力的装置，包括：

中心节点接收模块，用于在联合学习框架中，中心节点接收来自多个参与方发送的更新后的训练模型对应的本地模型的参数；

中心节点聚合模块，用于聚合多个参与方发送的更新后的训练模型对应的本地模型的参数；

中心节点发送模块，用于将聚合后的多个参与方发送的更新后的训练模型对应的本地模型的参数，发送给需求的参与方，直到对模型训练的频度成收敛状态；

中心节点处理模块，用于当接收到参与方反馈的引用值的量化处理结果时，对量化处理结果进行反量化处理；

中心节点输出模块，用于根据反量化处理结果对引用值进行聚合生成新的全局模型；

其中，参与方基于联合学习架构进行模型训练。

本公开实施例的第五方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第六方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：参与方响应中心节点发送的模型的初始参数；参与方根据初始参数更新本地训练模型，以得到更新后的训练模型；针对更新后的训练模型，按预设周期向中心节点发送更新后的训练模型对应的本地模型的参数；其中，预设周期为，按本地随机下降梯度值为基础进设置间隔传输次数；参与方基于联合学习架构进行模型训练，以解决现有技术中训练模型更新而造成的中心节点与参与方之间的通信压力过大的问题。

附图说明

为了更清楚地说明本公开实施例中的技术方案，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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本公开实施例提供的一种联合学习的架构示意图；

图2是本公开实施例提供的一种基于联合学习的降低通信压力的方法的流程图；

图3是本公开实施例提供的另一种基于联合学习的降低通信压力的方法的流程图；

图4是本公开实施例提供的一种基于联合学习的降低通信压力的装置的框图；

图5是本公开实施例提供的另一种基于联合学习的降低通信压力的装置的框图；

图6是本公开实施例提供的一种计算机设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种基于联合学习的降低通信压力的方法和装置。

联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：

(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。

(2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。

(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。

(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。

基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。

下面将结合附图详细说明根据本公开实施例的基于联合学习的降低通信压力的和装置。

图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。

在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，参与方的数量不限于如上所述的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。

图2是本公开实施例提供的一种基于联合学习的降低通信压力的方法的流程图。图2的基于联合学习的降低通信压力的方法可以由图1的终端设备或服务器执行。为了进一地说明本发明方案，中心节点可以是服务器或多个服务器集成的设备；参与方可以是多个终端设备。如图2所示，该基于联合学习的降低通信压力的方法包括：

S201，参与方响应中心节点发送的模型的初始参数，其中，参与方基于联合学习架构进行模型训练。

S202，参与方根据初始参数更新本地训练模型，以得到更新后的训练模型。

具体地，可以通过响应中心节点的下发的模型的初始参数；确定当前训练模型的训练轮数；根据训练轮数，将本地训练模型与初始参数进行匹配；当匹配成功时，参与方对本地训练模型进行更新。

进一步地，在参与方对本地训练模型多轮数更新后，参与方获取中心节点下发的多个训练模型及训练模型对应的引用值；参与方将引用值进行均值计算，并得到均值结果；对均值结果进行量化处理，并将量化处理的结果上传到中心结点。

S203，针对更新后的训练模型，按预设周期向中心节点发送更新后的训练模型对应的本地模型的参数。其中，预设周期为，按本地随机下降梯度值为基础进设置间隔传输次数。

具体地，对于预设周期，可以进一步举例说明：假设在参与方运行N次本地迭代后，那么参与方与中心节点进行了K＝N/n轮通信。增大n可以减少固定迭代次数N的通信次数，进而降低通信成本。N为运行的本地迭代次数；n为预设周期。

根据本公开实施例提供的技术方案，对于联合学习认证的参与方通过响应中心节点发送的模型的初始参数更新本地训练模型，以得到更新后的训练模型；然后，针对更新后的训练模型，按预设周期向中心节点发送所述更新后的训练模型对应的本地模型的参数；其中，预设周期为，按本地随机下降梯度值为基础进设置间隔传输次数。以降低参与方因更新训练模型造成的通信压力。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

图3是本公开实施例提供的一种基于联合学习的降低通信压力的方法的流程图。图3的基于联合学习的降低通信压力的方法可以由图1的终端设备或服务器执行。为了进一地说明本发明方案，中心节点可以是服务器或多个服务器集成的设备；参与方可以是多个终端设备。如图3所示，该基于联合学习的降低通信压力的方法包括：

S301，在联合学习框架中，中心节点接收来自多个参与方发送的更新后的训练模型对应的本地模型的参数；其中，参与方基于联合学习架构进行模型训练。

S302，聚合多个参与方发送的更新后的训练模型对应的本地模型的参数。

具体地，可以通过从当前参与联合学习的多个参与方中，随机选取至少两个参与方进行模型训练；然后，按预设的传输周期值作为模型训练轮数对训练模型进行训练，以得到新的训练模型；最后，将新的训练模型发送给随机选取的参与方。

S303，将聚合后的多个参与方发送的更新后的训练模型对应的本地模型的参数，发送给需求的参与方，直到对模型训练的频度成收敛状态。

具体地，可能通过确定当前参与方的数量和各个参与方对本地模型迭代的次数；然后，根据当前参与方的数量和各个参与方对本地模型迭代的次数，调整参与方上传训练模型的周期。

S304，当接收到参与方反馈的引用值的量化处理结果时，对量化处理结果进行反量化处理。

S305，根据反量化处理结果对引用值进行聚合生成新的全局模型。

根据本公开实施例提供的技术方案，中心节点通过接收来自多个被联合学习认证的参与方发送的更新后的训练模型对应的本地模型的参数；聚合多个参与方发送的更新后的训练模型对应的本地模型的参数；将聚合后的多个参与方发送的更新后的训练模型对应的本地模型的参数，发送给需求的参与方，直到对模型训练的频度成收敛状态；当接收到参与方反馈的引用值的量化处理结果时，对量化处理结果进行反量化处理；根据反量化处理结果，对引用值进行聚合生成新的全局模型。以解决现有技术中训练模型更新而造成的中心节点与参与方之间的通信压力过大的问题。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是本公开实施例提供的一种基于联合学习的降低通信压力的装置的示意图。如图4所示，该基于联合学习的降低通信压力的装置包括：

参与方响应模块401，被配置为用于参与方响应中心节点发送的模型的初始参数，其中，参与方基于联合学习架构进行模型训练；

参与方更新模块402，被配置为用于根据所述初始参数更新本地训练模型，以得到更新后的训练模型；

参与方训练模块403，被配置为用于针对所述更新后的训练模型，按预设周期向中心节点发送所述更新后的训练模型对应的本地模型的参数；其中，预设周期为，按本地随机下降梯度值为基础进设置间隔传输次数。

根据本公开实施例提供的技术方案，通过对于联合学习认证的参与方通过响应中心节点发送的模型的初始参数更新本地训练模型，以得到更新后的训练模型；然后，针对更新后的训练模型，按预设周期向中心节点发送所述更新后的训练模型对应的本地模型的参数；其中，预设周期为，按本地随机下降梯度值为基础进设置间隔传输次数。以降低参与方因更新训练模型造成的通信压力。

图5是本公开实施例提供的一种基于联合学习的降低通信压力的装置的示意图。如图5所示，该基于联合学习的降低通信压力的装置包括：

中心节点接收模块501，被配置为用于在联合学习框架中，中心节点接收来自多个参与方发送的更新后的训练模型对应的本地模型的参数；

中心节点聚合模块502，被配置为用于聚合多个参与方发送的更新后的训练模型对应的本地模型的参数；

中心节点发送模块503，被配置为用于将聚合后的多个参与方发送的更新后的训练模型对应的本地模型的参数，发送给需求的参与方，直到对模型训练的频度成收敛状态；

中心节点处理模块504，被配置为用于当接收到参与方反馈的引用值的量化处理结果时，对量化处理结果进行反量化处理；

中心节点输出模块505，被配置为用于根据反量化处理结果，对引用值进行聚合生成新的全局模型；

其中，上述方案中的参与方基于联合学习架构进行模型训练。

根据本公开实施例提供的技术方案，中心节点通过接收来自多个被联合学习认证的参与方发送的更新后的训练模型对应的本地模型的参数；聚合多个参与方发送的更新后的训练模型对应的本地模型的参数；将聚合后的多个参与方发送的更新后的训练模型对应的本地模型的参数，发送给需求的参与方，直到对模型训练的频度成收敛状态；当接收到参与方反馈的引用值的量化处理结果时，对量化处理结果进行反量化处理；根据反量化处理结果，对引用值进行聚合生成新的全局模型。以解决现有技术中训练模型更新而造成的中心节点与参与方之间的通信压力过大的问题。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图6是本公开实施例提供的计算机设备6的示意图。如图6所示，该实施例的计算机设备6包括：处理器601、存储器602以及存储在该存储器602中并且可以在处理器601上运行的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序603时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序603可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序603在计算机设备6中的执行过程。

计算机设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是计算机设备6的示例，并不构成对计算机设备6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，例如，计算机设备还可以包括输入输出设备、网络接入设备、总线等。

处理器601可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器602可以是计算机设备6的内部存储单元，例如，计算机设备6的硬盘或内存。存储器602也可以是计算机设备6的外部存储设备，例如，计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器602还可以既包括计算机设备6的内部存储单元也包括外部存储设备。存储器602用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于联合学习的降低通信压力的方法，其特征在于，包括：

参与方响应中心节点发送的模型的初始参数；

参与方根据所述初始参数更新本地训练模型，以得到更新后的训练模型；

针对所述更新后的训练模型，按预设周期向中心节点发送所述更新后的训练模型对应的本地模型的参数；

其中，预设周期为，按本地随机下降梯度值为基础进设置间隔传输次数；参与方基于联合学习架构进行模型训练。

2.根据权利要求1所述的方法，其特征在于，参与方根据所述初始参数更新本地训练模型，以得到更新后的训练模型包括：

响应中心节点的下发的模型的初始参数；

确定当前训练模型的训练轮数；

根据所述训练轮数，将本地训练模型与所述初始参数进行匹配；

当匹配成功时，参与方对本地训练模型进行更新。

3.根据权利要求2所述的方法，其特征在于，参与方对本地训练模型进行更新还包括：

在参与方对本地训练模型多轮数更新后，参与方获取中心节点下发的多个训练模型及所述训练模型对应的引用值；

参与方将所述引用值进行均值计算，并得到均值结果；

对所述均值结果进行量化处理，并将所述量化处理的结果上传到中心结点。

4.一种基于联合学习的降低通信压力的方法，其特征在于，包括：

在联合学习框架中，中心节点接收来自多个参与方发送的更新后的训练模型对应的本地模型的参数；

聚合多个参与方发送的更新后的训练模型对应的本地模型的参数；

将聚合后的多个参与方发送的更新后的训练模型对应的本地模型的参数，发送给需求的参与方，直到对模型训练的频度成收敛状态；

当接收到参与方反馈的引用值的量化处理结果时，对所述量化处理结果进行反量化处理；

根据所述反量化处理结果，对所述引用值进行聚合生成新的全局模型；

其中，所述参与方基于联合学习架构进行模型训练。

5.根据权利要求4所述的方法，其特征在于，将聚合后的多个参与方发送的更新后的训练模型对应的本地模型的参数，发送给需求的参与方包括：

确定当前参与方的数量和各个参与方对本地模型迭代的次数；

根据所述当前参与方的数量和各个参与方对本地模型迭代的次数，调整参与方上传训练模型的周期。

6.根据权利要求4所述的方法，其特征在于，聚合多个参与方发送的更新后的训练模型对应的本地模型的参数包括：

从当前参与联合学习的多个参与方中，随机选取至少两个参与方进行模型训练；

按预设的传输周期值作为模型训练轮数对训练模型进行训练，以得到新的训练模型；

将所述新的训练模型发送给所述随机选取的参与方。

7.一种基于联合学习的降低通信压力的装置，其特征在于，包括：

参与方响应模块，用于参与方响应中心节点发送的模型的初始参数；

参与方更新模块，用于根据所述初始参数更新本地训练模型，以得到更新后的训练模型；

参与方训练模块，用于针对所述更新后的训练模型，按预设周期向中心节点发送所述更新后的训练模型对应的本地模型的参数；

其中，预设周期为，按本地随机下降梯度值为基础进设置间隔传输次数；参与方基于联合学习架构进行模型训练。

8.一种基于联合学习的降低通信压力的装置，其特征在于，包括：

中心节点接收模块，用于在联合学习框架中，中心节点接收来自多个参与方发送的更新后的训练模型对应的本地模型的参数；

中心节点聚合模块，用于聚合多个参与方发送的更新后的训练模型对应的本地模型的参数；

中心节点发送模块，用于将聚合后的多个参与方发送的更新后的训练模型对应的本地模型的参数，发送给需求的参与方，直到对模型训练的频度成收敛状态；

中心节点处理模块，用于当接收到参与方反馈的引用值的量化处理结果时，对所述量化处理结果进行反量化处理；

中心节点输出模块，用于根据所述反量化处理结果，对所述引用值进行聚合生成新的全局模型；

其中，所述参与方基于联合学习架构进行模型训练。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。

Images