CN113887747A - 基于联合学习的数据融合方法及装置 - Google Patents
基于联合学习的数据融合方法及装置 Download PDFInfo
- Publication number
- CN113887747A CN113887747A CN202111225627.3A CN202111225627A CN113887747A CN 113887747 A CN113887747 A CN 113887747A CN 202111225627 A CN202111225627 A CN 202111225627A CN 113887747 A CN113887747 A CN 113887747A
- Authority
- CN
- China
- Prior art keywords
- parameters
- data
- participants
- training model
- training
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 127
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供了一种基于联合学习的数据融合方法及装置。该方法包括：中心节点通过根据参与方的提供的模型训练的数据量对参与方进行分类；中心节点根据对参与方进行分类的结果，向参与方分配数据训练模型结构；响应参与方根据分配的数据训练模型结构发送的参数；将参与方发送的参数进行聚合操作，以得到聚合后的参数；当对聚合后的参数的更新次数达到预设上限时，将最后一次更新的聚合后的参数设置为训练模型参数。本公开解决了现有技术中因训练数据的偏向和不均衡，而导致的训练模型精度低的问题。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种基于联合学习的数据融合方法及装置。
背景技术
在科技飞速发展的今天，对各行各业的生产环境、应用设备等都需要不断的维护和精准的预测。所以通常都需在大量的相关数据进行训练来预测。这样就必须建立一个高精度的训练模型。
现实生活中为了训练高精度的模型，需要有大量的数据。但是联合多方数据可能会泄露数据方隐私。在训练模型的时候不同用户的数据可能会存在偏向性，比如能源站中各个锅炉其采集的数据由于锅炉所处的时间环境因素会表现出不同的特征且由于数据采集频率数据量也不一样。现阶段采用的方式是利用相同的网络训练参与方数据，然后将模型参数均上传至中心节点。现有技术没有考虑参与方数据不均衡，所有用户采用相同的神经网络作为本地模型，会影响本地模型精度。
因此，目前急需要一种在不泄露数据隐私的前提下提高模型训练精度的方法。
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数据融合方法、装置、计算机设备及计算机可读存储介质，以解决现有技术中因数据的偏向性和不均衡，而导致的训练模型精度低的问题。
本公开实施例的第一方面，提供了一种基于联合学习的数据融合方法，包括：
中心节点根据参与方的提供的模型训练的数据量对参与方进行分类；
中心节点根据对参与方进行分类的结果，向参与方分配数据训练模型结构；
响应参与方根据分配的数据训练模型结构发送的参数；
将参与方发送的参数进行聚合操作，以得到聚合后的参数；
当对聚合后的参数的更新次数达到预设上限时，将最后一次更新的聚合后的参数设置为训练模型参数；
其中，中心节点和参与方置于联合学习框架中。
本公开实施例的第二方面，提供了一种基于联合学习的数据融合方法，包括：
响应中心节点发送的数据训练模型结构；
根据数据训练模型结构，获取训练模型的参数；
利用奇异值分解法提取训练模型的参数的数据特征和全连接层参数；
响应中心节点发送的聚合后的训练模型的参数的数据特征和全连接层参数；
参与方更新训练模型的参数的数据特征和全连接层参数；
其中，中心节点和参与方置于联合学习框架中。
本公开实施例的第三方面，提供了一种基于联合学习的数据融合装置，包括：
分类模块，用于中心节点根据参与方的提供的模型训练的数据量对参与方进行分类；
分发模块，用于中心节点根据对参与方进行分类的结果，向参与方分配数据训练模型结构；
响应模块，用于响应参与方根据分配的数据训练模型结构发送的参数；
聚合模块，用于将参与方发送的参数进行聚合操作，以得到聚合后的参数；
设置模块，用于当对聚合后的参数的更新次数达到预设上限时，将最后一次更新的聚合后的参数设置为训练模型参数；
其中，中心节点和参与方置于联合学习框架中。
本公开实施例的第四方面，提供了一种基于联合学习的数据融合装置，包括：
第一响应模块，用于响应中心节点发送的数据训练模型结构；
获取模块，用于根据数据训练模型结构，获取训练模型的参数；
提取模块，用于利用奇异值分解法提取训练模型的参数的数据特征和全连接层参数；
第二响应模块，用于响应中心节点发送的聚合后的训练模型的参数的数据特征和全连接层参数；
更新模块，用于参与方更新训练模型的参数的数据特征和全连接层参数；
其中，中心节点和参与方置于联合学习框架中。
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：中心节点通过根据参与方的提供的模型训练的数据量对参与方进行分类；中心节点根据对参与方进行分类的结果，向参与方分配数据训练模型结构；响应参与方根据分配的数据训练模型结构发送的参数；将参与方发送的参数进行聚合操作，以得到聚合后的参数；当对聚合后的参数的更新次数达到预设上限时，将最后一次更新的聚合后的参数设置为训练模型参数。参与方响应中心节点发送的数据训练模型结构；根据数据训练模型结构，获取训练模型的参数；利用奇异值分解法提取训练模型的参数的数据特征和全连接层参数；响应中心节点发送的聚合后的训练模型的参数的数据特征和全连接层参数；参与方更新训练模型的参数的数据特征和全连接层参数，以解决现有技术中因训练数据的偏向和不均衡，而导致的训练模型精度低的问题。
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数据融合方法的流程图；
图3是本公开实施例提供的另一种基于联合学习的数据融合方法的流程图；
图4是本公开实施例提供的一种基于联合学习的数据融合装置的框图；
图5是本公开实施例提供的另一种基于联合学习的数据融合装置的框图；
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数据融合方法和装置。
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一种基于联合学习的数据融合方法和装置。
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数据融合方法的流程图，其中，中心节点和参与方置于联合学习框架中。如图2所示，该基于联合学习的数据融合方法包括：
S201，中心节点根据参与方的提供的模型训练的数据量对参与方进行分类。
具体地，中心节点可以接收参与方发送的训练模型类型及对应的训练模型的数据量；然后，根据参与方的提供的模型训练的数据量，筛选出具有相同类别的训练模型对应的参与方；最后，将具有同一类别的训练模型对应的参与方分为一类。
S202，中心节点根据对参与方进行分类的结果，向参与方分配数据训练模型结构。
S203，响应参与方根据分配的数据训练模型结构发送的参数；其中，该参数包含参与方的训练模型的数据特征的特征提取参数和参与方的训练模型全连接层参数。
S204，将参与方发送的参数进行聚合操作，以得到聚合后的参数。
具体地，可以通过获取参与方根据分配的数据训练模型结构发送的参数；然后，利用奇异值分解法提取参与方根据分配的数据训练模型结构发送的参数的数据特征；进而将提取的具有同一类的所述数据特征进行聚合操作，以得到聚合后的参数；将聚合后的参数发送至参与方。
S205，当对聚合后的参数的更新次数达到预设上限时，将最后一次更新的聚合后的参数设置为训练模型参数。
对于步骤S201-步骤S205还可进一步说明为：当中心节点接到参与方发送的训练模型的数据量时，可以根据数据量中数据类型或数据量的量级进行对参与方进行分类；然后，中心节点根据分类结果，向参与方分配模型结构；参与方在接收到模型结构后，会反馈给中心节点相关信息，例如，更新模型参数或将要向中心节点上传相关数据的信息等。接下来，中心节点响应参与方在接收到模型结构时的反馈信息，接收参与方发送的参数；将该参数进行聚合操作，以得到聚合后的参数；将聚合后的参数发送给参与方；响应参与方在接收到聚合后的参数时的反馈信息，接收参与方发送的更新后的参数；根据预设训练次数(这里的预设训练次数可以是参与方对本地模型训练的次数，也可以是中心节根据参与方需求而设置)，对更新后的参数进行聚合，以得到聚合后的新参数；最后，将聚合后的新参数设置为模型参数。
根据本公开实施例提供的技术方案，中心节点通过中心节点通过根据参与方的提供的模型训练的数据量对参与方进行分类；中心节点根据对参与方进行分类的结果，向参与方分配数据训练模型结构；响应参与方根据分配的数据训练模型结构发送的参数；将参与方发送的参数进行聚合操作，以得到聚合后的参数；当对聚合后的参数的更新次数达到预设上限时，将最后一次更新的聚合后的参数设置为训练模型参数。以解决现有技术中因训练数据的偏向和不均衡，而导致的训练模型精度低的问题。
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。
图3是本公开实施例提供的一种基于联合学习的数据融合方法的流程图，其中，中心节点和参与方置于联合学习框架中。如图3所示，该基于联合学习的数据融合方法包括：
S301，响应中心节点发送的数据训练模型结构；
S302，根据数据训练模型结构，获取训练模型的参数；
S303，利用奇异值分解法提取训练模型的参数的数据特征和全连接层参数；
S304，响应中心节点发送的聚合后的训练模型的参数的数据特征和全连接层参数；
S305，参与方更新训练模型的参数的数据特征和全连接层参数。
具体地，参与方还可以利用本地数据集特征上传给中心节点，以得到数据训练模型结构，进一步地，参与方获取本地模型；更新获取的本地模型，以得到更新的本地模型；根据更新的本地模型，提取本地数据集特征。
根据本公开实施例提供的技术方案，参与方响应中心节点发送的数据训练模型结构；根据数据训练模型结构，获取训练模型的参数；利用奇异值分解法提取训练模型的参数的数据特征和全连接层参数；响应中心节点发送的聚合后的训练模型的参数的数据特征和全连接层参数；参与方更新训练模型的参数的数据特征和全连接层参数。以解决现有技术中因训练数据的偏向和不均衡，而导致的训练模型精度低的问题。
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数据融合装置的示意图，其中，中心节点和参与方置于联合学习框架中。如图4所示，该基于联合学习的数据融合装置包括：
分类模块401，被配置为用于中心节点根据参与方的提供的模型训练的数据量对参与方进行分类；
分发模块402，被配置为用于中心节点根据对参与方进行分类的结果，向参与方分配数据训练模型结构；
响应模块403，被配置为用于响应参与方根据分配的数据训练模型结构发送的参数；
聚合模块404，被配置为用于将参与方发送的参数进行聚合操作，以得到聚合后的参数；
设置模块405，被配置为用于当对聚合后的参数的更新次数达到预设上限时，将最后一次更新的聚合后的参数设置为训练模型参数。
根据本公开实施例提供的技术方案，中心节点通过对分类模块、分发模块、响应模块、聚合模块和设置模块的配置，可以解决现有技术中因训练数据的偏向和不均衡，而导致的训练模型精度低的问题。
图5是本公开实施例提供的一种基于联合学习的数据融合装置的示意图，其中，中心节点和参与方置于联合学习框架中。如图5所示，该基于联合学习的数据融合装置包括：
第一响应模块501，用于响应中心节点发送的数据训练模型结构；
获取模块502，用于根据数据训练模型结构，获取训练模型的参数；
提取模块503，用于利用奇异值分解法提取训练模型的参数的数据特征和全连接层参数；
第二响应模块504，用于响应中心节点发送的聚合后的训练模型的参数的数据特征和全连接层参数；
更新模块505，用于参与方更新训练模型的参数的数据特征和全连接层参数。
根据本公开实施例提供的技术方案，参与方通过对第一响应模块、获取模块、提取模块和第二响应模块、更新模块等的配置，可以解决现有技术中因训练数据的偏向和不均衡，而导致的训练模型精度低的问题。
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数据融合方法，其特征在于，包括：
中心节点根据参与方的提供的模型训练的数据量对参与方进行分类；
中心节点根据对参与方进行分类的结果，向参与方分配数据训练模型结构；
响应参与方根据分配的数据训练模型结构发送的参数；
将参与方发送的参数进行聚合操作，以得到聚合后的参数；
当对聚合后的参数的更新次数达到预设上限时，将最后一次更新的聚合后的参数设置为训练模型参数；
其中，中心节点和参与方置于联合学习框架中。
2.根据权利要求1所述的方法，其特征在于，中心节点根据参与方的提供的模型训练的数据量对参与方进行分类包括：
接收参与方发送的训练模型类型及对应的训练模型的数据量；
根据参与方的提供的模型训练的数据量，筛选出具有相同类别的训练模型对应的参与方；
将具有同一类别的训练模型对应的参与方分为一类。
3.根据权利要求1所述的方法，其特征在于，响应参与方根据分配的数据训练模型结构发送的参数包含：
参与方的训练模型的数据特征的特征提取参数和参与方的训练模型全连接层参数。
4.根据权利要求1所述的方法，其特征在于，将参与方发送的参数进行聚合操作，以得到聚合后的参数包括：
获取参与方根据分配的数据训练模型结构发送的参数；
利用奇异值分解法提取参与方根据分配的数据训练模型结构发送的参数的数据特征；
将提取的具有同一类的所述数据特征进行聚合操作，以得到聚合后的参数；
将聚合后的参数发送至参与方。
5.一种基于联合学习的数据融合方法，其特征在于，包括：
响应中心节点发送的数据训练模型结构；
根据数据训练模型结构，获取训练模型的参数；
利用奇异值分解法提取训练模型的参数的数据特征和全连接层参数；
响应中心节点发送的聚合后的训练模型的参数的数据特征和全连接层参数；
参与方更新训练模型的参数的数据特征和全连接层参数；
其中，中心节点和参与方置于联合学习框架中。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
参与方获取本地模型；
更新获取的本地模型，以得到更新的本地模型；
根据更新的本地模型，提取本地数据集特征。
7.一种基于联合学习的数据融合装置，其特征在于，包括：
分类模块，用于中心节点根据参与方的提供的模型训练的数据量对参与方进行分类；
分发模块，用于中心节点根据对参与方进行分类的结果，向参与方分配数据训练模型结构；
响应模块，用于响应参与方根据分配的数据训练模型结构发送的参数；
聚合模块，用于将参与方发送的参数进行聚合操作，以得到聚合后的参数；
设置模块，用于当对聚合后的参数的更新次数达到预设上限时，将最后一次更新的聚合后的参数设置为训练模型参数；
其中，中心节点和参与方置于联合学习框架中。
8.一种基于联合学习的数据融合装置，其特征在于，包括：
第一响应模块，用于响应中心节点发送的数据训练模型结构；
获取模块，用于根据数据训练模型结构，获取训练模型的参数；
提取模块，用于利用奇异值分解法提取训练模型的参数的数据特征和全连接层参数；
第二响应模块，用于响应中心节点发送的聚合后的训练模型的参数的数据特征和全连接层参数；
更新模块，用于参与方更新训练模型的参数的数据特征和全连接层参数；
其中，中心节点和参与方置于联合学习框架中。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225627.3A CN113887747A (zh) | 2021-10-21 | 2021-10-21 | 基于联合学习的数据融合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225627.3A CN113887747A (zh) | 2021-10-21 | 2021-10-21 | 基于联合学习的数据融合方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113887747A true CN113887747A (zh) | 2022-01-04 |
Family
ID=79003985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111225627.3A Pending CN113887747A (zh) | 2021-10-21 | 2021-10-21 | 基于联合学习的数据融合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887747A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079977A (zh) * | 2019-11-18 | 2020-04-28 | 中国矿业大学 | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 |
| CN111553484A (zh) * | 2020-04-30 | 2020-08-18 | 同盾控股有限公司 | 联邦学习的方法、装置及系统 |
| CN111709535A (zh) * | 2020-06-19 | 2020-09-25 | 深圳前海微众银行股份有限公司 | 基于演化计算的联邦学习方法、装置、中心服务器及介质 |
| CN112862011A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 基于联邦学习的模型训练方法、装置及联邦学习系统 |
| CN113095512A (zh) * | 2021-04-23 | 2021-07-09 | 深圳前海微众银行股份有限公司 | 联邦学习建模优化方法、设备、介质及计算机程序产品 |
-
2021
- 2021-10-21 CN CN202111225627.3A patent/CN113887747A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079977A (zh) * | 2019-11-18 | 2020-04-28 | 中国矿业大学 | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 |
| CN111553484A (zh) * | 2020-04-30 | 2020-08-18 | 同盾控股有限公司 | 联邦学习的方法、装置及系统 |
| CN111709535A (zh) * | 2020-06-19 | 2020-09-25 | 深圳前海微众银行股份有限公司 | 基于演化计算的联邦学习方法、装置、中心服务器及介质 |
| CN112862011A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 基于联邦学习的模型训练方法、装置及联邦学习系统 |
| CN113095512A (zh) * | 2021-04-23 | 2021-07-09 | 深圳前海微众银行股份有限公司 | 联邦学习建模优化方法、设备、介质及计算机程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782042B (zh) | 横向联邦和纵向联邦联合方法、装置、设备及介质 | |
| CN114118156B (zh) | 设备故障诊断方法、装置、电子设备及存储介质 | |
| CN113486584B (zh) | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 | |
| CN113987941A (zh) | 时间序列预测方法、装置、计算机设备和可读存储介质 | |
| CN112884163B (zh) | 基于联邦机器学习算法与云端反馈的组合服务评估方法与系统 | |
| CN113988310A (zh) | 深度学习模型选择方法、装置、计算机设备和介质 | |
| CN113435534A (zh) | 一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质 | |
| CN113487084A (zh) | 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 | |
| CN112748941A (zh) | 基于反馈信息的目标应用程序的更新方法和装置 | |
| CN113807705A (zh) | 数字孪生运行驱动的配电网规划方法、装置及终端 | |
| CN113887747A (zh) | 基于联合学习的数据融合方法及装置 | |
| CN113486583B (zh) | 设备的健康评估方法、装置、计算机设备及计算机可读存储介质 | |
| CN113887495A (zh) | 基于迁移学习的视频标注方法及装置 | |
| CN114154415A (zh) | 设备寿命的预测方法及装置 | |
| CN116362101A (zh) | 基于联合学习的数据处理方法、数据模型生成方法及装置 | |
| CN113887744A (zh) | 基于联合学习的数据特征提取方法及装置 | |
| CN115564055A (zh) | 异步联合学习训练方法、装置、计算机设备及存储介质 | |
| CN113887745A (zh) | 数据异构的联合学习方法及装置 | |
| CN114897185A (zh) | 基于类别异构数据的联合学习训练方法及装置 | |
| CN114528893A (zh) | 机器学习模型训练方法、电子设备及存储介质 | |
| CN114118459A (zh) | 基于联合学习的检测设备健康方法及装置 | |
| CN116069767A (zh) | 设备数据清洗方法、装置、计算机设备及介质 | |
| CN114298320A (zh) | 联合学习的贡献值计算方法、装置、电子设备及存储介质 | |
| CN116070708A (zh) | 基于联合学习的模型训练方法及装置 | |
| CN115563639A (zh) | 联合学习模型训练方法、装置、计算机设备及存储介质 |
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 |