CN114091617A - 联邦学习建模优化方法、电子设备、存储介质及程序产品 - Google Patents

Abstract

本申请公开了联邦学习建模优化方法、电子设备、存储介质及程序产品，应用于联邦参与方，所述联邦学习建模优化方法包括：获取第一噪声数据，依据本地生成网络模型，将第一噪声数据映射为各初始粒子网络模型；获取本地样本数据，依据本地样本数据，分别对各初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型；获取第二噪声数据，依据各目标粒子网络模型和第二噪声数据，对本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型；获取本地选定噪声样本，依据联邦生成网络模型，将本地选定噪声样本转换为联邦预测网络模型。本申请解决了现有技术中由于需要进行隐私保护而造成联邦学习建模效率低的技术问题。

Description

联邦学习建模优化方法、电子设备、存储介质及程序产品

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种联邦学习建模优化方法、电子设备、存储介质及程序产品。

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、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，如对金融业对应待办事项的分发也有更高的要求。

随着计算机软件和人工智能、大数据云服务应用的不断发展，为了解决“数据孤岛”问题，技术人员提出了联邦学习的概念。目前，为解决联邦学习中数据隐私保护的问题，通常通过同态加密或者多方安全计算等隐私保护技术来实现联邦学习建模，但是，同态加密技术的计算开销非常大，将会降低联邦学习建模的效率，而多方安全计算技术涉及到复杂的密码学操作，其通信以及计算的开销同样很大，影响联邦学习建模的效率，所以，现有的联邦学习建模方式的效率较低。

发明内容

本申请的主要目的在于提供一种联邦学习建模优化方法、电子设备、存储介质及程序产品，旨在解决现有技术中由于需要进行隐私保护而造成联邦学习建模效率低的技术问题。

为实现上述目的，本申请提供一种联邦学习建模优化方法，应用于联邦参与方，所述联邦学习建模优化方法包括：

从本地噪声数据集中获取第一噪声数据，依据本地生成网络模型，将所述第一噪声数据映射为各初始粒子网络模型；

获取本地样本数据，依据所述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型；

从所述本地噪声数据集中获取第二噪声数据，依据各所述目标粒子网络模型和所述第二噪声数据，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型；

从所述本地噪声数据集中获取本地选定噪声样本，依据所述联邦生成网络模型，将所述本地选定噪声样本转换为联邦预测网络模型。

为实现上述目的，本申请提供一种联邦学习建模优化方法，应用于联邦协调方，所述联邦学习建模优化方法还包括：

接收各联邦参与方发送的本地生成网络模型；

对各所述本地生成网络模型进行聚合，得到聚合生成网络模型；

将所述聚合生成网络模型发送至各所述联邦参与方，以供各所述联邦参与方依据所述聚合生成网络模型，迭代更新各自的本地生成网络模型，得到联邦生成网络模型，依据所述联邦生成网络模型，将本地选定噪声样本转换为联邦预测网络模型。

本申请还提供一种联邦学习建模优化装置，所述联邦学习建模优化装置应用于联邦参与方，所述联邦学习建模优化装置包括：

第一模型生成模块，用于从本地噪声数据集中获取第一噪声数据，依据本地生成网络模型，将所述第一噪声数据映射为各初始粒子网络模型；

本地迭代训练更新模块，用于获取本地样本数据，依据所述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型；

联邦迭代训练更新模块，用于从所述本地噪声数据集中获取第二噪声数据，依据各所述目标粒子网络模型和所述第二噪声数据，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型；

第二模型生成模块，用于从所述本地噪声数据集中获取本地选定噪声样本，依据所述联邦生成网络模型，将所述本地选定噪声样本转换为联邦预测网络模型。

本申请还提供一种联邦学习建模优化装置，所述联邦学习建模优化装置应用于联邦协调方，所述联邦学习建模优化装置包括：

接收模块，用于接收各联邦参与方发送的本地生成网络模型；

聚合模块，用于对各所述本地生成网络模型进行聚合，得到聚合生成网络模型；

发送模块，用于将所述聚合生成网络模型发送至各所述联邦参与方，以供各所述联邦参与方依据所述聚合生成网络模型，迭代更新各自的本地生成网络模型，得到联邦生成网络模型，依据所述联邦生成网络模型，将本地选定噪声样本转换为联邦预测网络模型。

本申请还提供一种电子设备，所述电子设备包括：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联邦学习建模优化方法的程序，所述联邦学习建模优化方法的程序被处理器执行时可实现如上述的联邦学习建模优化方法的步骤。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现联邦学习建模优化方法的程序，所述联邦学习建模优化方法的程序被处理器执行时实现如上述的联邦学习建模优化方法的步骤。

本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的联邦学习建模优化方法的步骤。

本申请提供了一种联邦学习建模优化方法、电子设备、存储介质及程序产品，相比于现有技术中基于同态加密或者多方安全计算等隐私保护技术进行联邦学习建模的技术手段，本申请首先从本地噪声数据集中获取第一噪声数据，依据本地生成网络模型，将所述第一噪声数据映射为各初始粒子网络模型，进而获取本地样本数据，依据所述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型，进而从所述本地噪声数据集中获取第二噪声数据，依据各所述目标粒子网络模型和所述第二噪声数据，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型，而由于本地生成网络为噪声数据至粒子网络模型的映射，所以联邦生成网络模型为全局的噪声数据至全局的粒子网络模型的全局映射，所以，实现了基于联邦学习构建联邦生成网络模型的目的，进而从所述本地噪声数据集中获取本地选定噪声样本，依据所述联邦生成网络模型，即可将所述本地选定噪声样本转换为联邦预测网络模型，也即依据全局的噪声数据至全局的粒子网络模型的全局映射，将本地选定噪声样本转换为联邦预测网络模型，实现了以生成网络模型为媒介，间接依据联邦学习构建联邦预测网络模型的目的，其中，由于生成网络模型不涉及到粒子网络模型的具体参数以及本地样本数据，进而可保护联邦参与方的数据隐私，同时生成网络模型也可以以明文的形式直接参与计算与通信，极大程度上降低了联邦学习过程中计算与通信的开销，所以，克服了现有技术中同态加密技术的计算开销非常大，而多方安全计算技术涉及到复杂的密码学操作，其通信以及计算的开销同样很大，从而将影响联邦学习建模的效率的技术缺陷，所以，解决了由于需要进行隐私保护而造成联邦学习建模效率低的技术问题。

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为本申请联邦学习建模优化方法第一实施例的流程示意图；

图2为本申请联邦学习建模优化方法第二实施例的流程示意图；

图3为本申请实施例中联邦学习建模优化方法涉及的硬件运行环境的设备结构示意图。

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

为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明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作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。

实施例一

本申请实施例提供一种联邦学习建模优化方法，应用于联邦参与方，在本申请联邦学习建模优化方法的第一实施例中，参照图1，所述联邦学习建模优化方法包括：

步骤S10，从本地噪声数据集中获取第一噪声数据，依据本地生成网络模型，将所述第一噪声数据映射为各初始粒子网络模型；

在本实施例中，需要说明的是，所述联邦学习建模优化方法应用于横向联邦学习，所述联邦参与方为横向联邦学习的参与方，所述本地噪声数据集至少包括一本地噪声样本，所述第一噪声数据包括预设数量的第一噪声样本，其中，所述第一噪声样本为第一噪声数据中的本地噪声样本，各所述第一噪声样本符合预设数据分布，所述预设数据分布可以为高斯分布。

具体地，从本地噪声数据集中获取符合高斯分布的各第一噪声样本，将各所述第一噪声样本分别输入本地生成网络模型，将各所述第一噪声样本分别映射为对应的粒子网络模型参数，得到各初始粒子网络模型，其中，所述第一噪声样本可以为图像、声音或者特定的矩阵等，所述本地生成网络模型为联邦参与方本地维护的用于生成粒子网络模型参数的机器学习模型。所述粒子网络模型可以为分类网络模型或者逻辑回归模型等。

步骤S20，获取本地样本数据，依据所述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型；

在本实施例中，需要说明的是，所述本地样本数据为联邦参与方设备的本地隐私数据，所述本地样本数据包括本地训练样本和本地训练样本对应的本地样本标签。

具体地，通过将本地训练样本分别输入各初始粒子网络模型，分别对各所述本地训练样本执行模型预测，得到各初始粒子网络模型输出的模型预测标签；依据各所述模型预测标签和所述本地样本标签之间的距离，计算各初始粒子网络模型对应的模型预测损失；依据各所述模型预测损失，分别更新各自对应的初始粒子网络模型，得到各目标粒子网络模型。

其中，所述本地样本数据包括本地训练样本和本地样本标签，所述初始粒子网络模型包括初始粒子分类网络模型，所述目标粒子网络模型包括目标粒子分类网络模型，

所述依据所述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型的步骤包括：

步骤S21，依据各所述初始粒子分类网络模型，分别对所述本地训练样本进行分类，得到分类预测标签；

步骤S22，依据所述分类预测标签和所述本地样本标签，计算分类损失；

步骤S23，依据所述分类损失，对各所述初始粒子分类网络模型进行更新，得到各所述目标粒子分类网络模型。

在本实施例中，具体地，通过将本地训练样本分别输入各所述初始粒子分类网络模型，分别对所述本地训练样本进行分类，得到各所述初始粒子分类网络模型输出的分类预测标签；依据每一所述分类预测标签与所述本地样本标签之间的距离，计算各所述分类预测标签对应的分类损失；依据各所述分类损失，分别计算对应的初始粒子分类网络模型对应的模型梯度，依据各模型梯度，更新对应的初始粒子分类网络模型，得到各目标粒子分类网络模型。

步骤S30，从所述本地噪声数据集中获取第二噪声数据，依据各所述目标粒子网络模型和所述第二噪声数据，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型；

在本实施例中，需要说明的是，所述第二噪声数据至少包括一个第二噪声样本，各所述第二噪声样本符合预设数据分布，所述预设数据分布可以为高斯分布，所述第二噪声样本为第二噪声数据中的本地噪声样本。所述目标粒子网络模型可以为目标粒子分类网络模型。

具体地，从所述本地噪声数据集中获取符合高斯分布的各第二噪声样本，以各所述第二噪声样本为训练样本，并以各所述目标粒子分类网络模型为目标标签，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型。

其中，所述第二噪声数据至少包括一第二噪声样本，所述目标粒子网络模型包括目标粒子分类网络模型，

所述依据各所述目标粒子网络模型和所述第二噪声数据，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型的步骤包括：

步骤S31，依据所述本地生成网络模型，分别将各所述第二噪声样本映射为训练粒子分类网络模型；

步骤S32，依据各所述训练粒子分类网络模型与各所述目标粒子分类网络模型计算的相似度损失，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到所述联邦生成网络模型。

在本实施例中，具体地，通过将各所述噪声样本分别输入所述本地生成网络模型，分别将各所述第二噪声样本映射为对应的训练粒子网络参数，得到各训练粒子分类网络模型，其中，所述训练粒子分类网络模型为具备所述训练粒子网络参数的分类网络模型；基于各所述训练粒子分类网络模型对应的模型参数分布与各所述目标粒子分类网络模型对应的模型参数分布之间的相似度，计算相似度损失；依据所述相似度损失，更新所述本地生成网络模型；将更新后的本地生成网络模型发送至联邦协调方，以供所述联邦协调方对各联邦参与方发送的本地生成网络模型进行聚合，得到聚合生成网络模型，进而接收联邦协调方发送的聚合生成网络模型，将所述聚合生成网络模型作为新的本地生成网络模型，并返回执行步骤：从本地噪声数据集中获取第一噪声数据，直至所述本地生成网络模型和各所述初始粒子分类网络模型均满足预设迭代训练结束条件，将所述本地生成网络模型作为联邦生成网络模型，其中，所述预设迭代训练结束条件可以损失函数收敛，也可以为模型达到预设最大迭代次数阈值。

其中，所述初始粒子网络模型包括初始粒子分类网络模型，所述依据各所述训练粒子分类网络模型与各所述目标粒子分类网络模型计算的相似度损失，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到所述联邦生成网络模型的步骤包括：

步骤S321，依据各所述训练粒子分类网络模型的模型参数分布与各所述目标粒子分类网络模型的模型参数分布之间的相似度，计算相似度损失；

在本实施例中，需要说明的是，所述相似度损失包括KL散度损失。

具体地，依据各所述训练粒子分类网络模型的模型参数分布与各所述目标粒子分类网络模型的模型参数分布之间的相似度，计算KL散度损失，其中，计算KL散度损失的目的在于拟合各所述训练粒子分类网络模型的模型参数分布与各所述目标粒子分类网络模型的模型参数分布，使得各所述训练粒子分类网络模型的模型参数分布与各所述目标粒子分类网络模型的模型参数分布一致。

步骤S322，判断所述本地生成网络模型和各所述初始粒子分类网络模型是否均满足预设迭代更新结束条件；

步骤S323，若满足，则将所述本地生成网络模型作为所述联邦生成网络模型；

步骤S324，若不满足，则依据所述相似度损失，更新所述本地生成网络模型；

步骤S325，将更新后的本地生成网络模型发送至联邦协调方，以供所述联邦协调方对各所述联邦参与方发送的本地生成网络模型进行聚合，得到聚合生成网络模型；

步骤S326，接收所述联邦协调方发送的聚合生成网络模型，将所述聚合生成网络模型作为新的本地生成网络模型，并返回执行步骤：从本地噪声数据集中获取第一噪声数据，直至所述本地生成网络模型和各所述初始粒子分类网络模型均满足所述预设迭代更新结束条件。

在本实施例中，具体地，判断联邦学习建模过程中的本地生成网络模型和各初始粒子分类网络模型是否均满足预设迭代更新结束条件；若联邦学习建模过程中的本地生成网络模型和各初始粒子分类网络模型均满足预设迭代更新结束条件，则证明所述本地生成网络模型符合联邦学习建模要求且所述本地生成网络模型输出的粒子分类网络模型同样符合联邦学习建模要求，所以将所述本地生成网络模型作为联邦生成网络模型，其中，所述联邦学习建模要求可以为模型准确度要求；若联邦学习建模过程中的本地生成网络模型和各初始粒子分类网络模型未均满足预设迭代更新结束条件，则证明所述本地生成网络模型未符合联邦学习建模要求或者所述本地生成网络模型输出的粒子分类网络模型未符合联邦学习建模要求，进而将更新后的本地生成网络模型发送至联邦协调方，以供所述联邦协调方对各所述联邦参与方发送的本地生成网络模型进行聚合，得到聚合生成网络模型，接收所述联邦协调方发送的聚合生成网络模型，将所述聚合生成网络模型作为新的本地生成网络模型，并返回执行步骤：从本地噪声数据集中获取第一噪声数据，以进行下轮迭代，直至所述本地生成网络模型和各所述初始粒子分类网络模型均满足所述预设迭代更新结束条件。

其中，所述判断所述本地生成网络模型和各所述初始粒子分类网络模型是否均满足预设迭代更新结束条件的步骤包括：

步骤A10，获取各所述初始粒子分类网络对应的分类损失，判断各所述分类损失和所述相似度损失是否均收敛；

步骤A20，若各所述分类损失和所述相似度损失均收敛，则判定所述本地生成网络模型和各所述初始粒子分类网络模型均满足预设迭代更新结束条件；

步骤A30，若各所述分类损失和所述相似度损失未均收敛，则判定所述本地生成网络模型和各所述初始粒子分类网络模型未均满足预设迭代更新结束条件。

在本实施例中，需要说明的是，所述分类损失为述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新得到各目标粒子网络模型时计算的分类损失。所述分类损失和所述初始粒子网络模型一一对应。

具体地，获取各所述初始粒子分类网络对应的分类损失，判断各所述分类损失和所述相似度损失是否均收敛；若各所述分类损失和所述相似度损失均收敛，则证明所述本地生成网络模型以及所述本地生成网络模型输出的粒子分类网络模型均满足模型准确度要求，所以判定所述本地生成网络模型和各所述初始粒子分类网络模型均满足预设迭代更新结束条件；若各所述分类损失和所述相似度损失未均收敛，则证明所述本地生成网络模型以及所述本地生成网络模型输出的粒子分类网络模型未均满足模型准确度要求，所以判定所述本地生成网络模型和各所述初始粒子分类网络模型未均满足预设迭代更新结束条件。

步骤S40，从所述本地噪声数据集中获取本地选定噪声样本，依据所述联邦生成网络模型，将所述本地选定噪声样本转换为联邦预测网络模型。

在本实施例中，需要说明的是，每一联邦参与方均在本地维护一特定的本地选定噪声样本，各联邦参与方之间可选定不同的本地选定噪声样本，以保证各参与方的联邦预测网络模型的具体模型参数不被其他参与方得到。

具体地，获取从所述本地噪声数据集中选取的本地选定噪声样本，通过将所述本地选定噪声样本输入联邦生成网络模型，将所述本地选定噪声样本映射为对应的粒子网络参数，得到联邦预测网络模型，其中，所述联邦预测网络模型可以为联邦分类网络模型或者联邦逻辑回归模型。

另外地，需要说明的是，由于本地生成网络模型并不直接处理原始的样本数据，例如图像数据或者音频数据等，所以通常可设置本地生成网络模型的参数数量远小于粒子网络模型的参数数量，而联邦参与方与联邦协调方交互的数据为本地生成网络模型的模型参数，所以可降低联邦参与方和联邦协调方之间的通信开销以及计算开销，进而同样提升了联邦学习建模的效率。

其中，在所述依据所述联邦生成网络模型，将所述本地选定噪声样本转换为联邦预测网络模型的步骤之后，所述联邦学习建模优化方法还包括：

步骤S50，接收联邦协调方下发的公共样本数据；

步骤S60，依据所述联邦预测网络模型，对所述公共样本数据进行模型预测，得到测试预测结果；

步骤S70，将所述测试预测结果发送至所述联邦协调方，以供所述联邦协调方依据各所述联邦参与方发送的测试预测结果，预测各所述联邦参与方的联邦预测网络模型的模型参数之间的距离，得到各模型参数距离。

在本实施例中，需要说明的是，所述公共样本数据至少包括一公共样本。

具体地，接收联邦协调方下发的各公共样本；通过将各所述公共样本分别输入联邦预测网络模型，分别对各所述公共样本进行模型预测，得到测试预测结果，其中，所述测试预测结果至少包括一联邦预测网络模型针对于所述公共样本的输出，进而将所述测试预测结果发送至所述联邦协调方，以供所述联邦协调方依据各所述联邦参与方发送的测试预测结果之间的距离，预测各所述联邦参与方的联邦预测网络模型的模型参数两两之间的距离，得到各模型参数距离。其中，所述模型参数距离可用于进行隐私保护评估。

在一种实施方式中，所述测试预测结果可以为测试预测结果向量，其中，所述测试预测结果向量至少包括一联邦预测网络模型针对一公共样本的测试输出值。

所述联邦协调方依据各所述联邦参与方发送的测试预测结果之间的距离，预测各所述联邦参与方的联邦预测网络模型的模型参数之间的距离，得到模型参数距离的步骤包括：

计算各所述联邦参与方发送的测试预测结果向量之间的距离，得到各目标结果向量距离；依据所述结果向量距离和模型参数距离之间的映射，确定所述各目标结果向量距离对应的模型参数距离。

其中，在步骤S70之后，依据各模型参数距离进行隐私保护评估的具体实现方式包括：

判断各所述模型参数距离是否均大于预设参数距离阈值，若各所述模型参数距离均大于预设参数距离阈值，则判定所述隐私保护评估结果为隐私保护评估通过；若各所述模型参数距离未均大于预设参数距离阈值，则判定所述隐私保护评估结果为隐私保护评估不通过，进一步地，可对联邦生成网络模型重新进行基于联邦学习的迭代训练。所以，本申请实施例在构建联邦生成网络模型的基础上，还提供了一种隐私保护评估方法，联邦协调方通过向各联邦参与方下发公共样本数据，收集来自于每一联邦参与方的测试预测结果，进而依据来自于不同联邦参与方的测试预测结果之间的距离，预测不同联邦参与方的模型参数之间的模型参数距离，进而可基于模型参数距离进行隐私保护评估，可防止不同联邦参与方的联邦预测网络模型的模型参数因为相似度较高而造成联邦参与方发生隐私泄露的情况发生。

另外地，需要说明的是，在进行隐私保护评估预测的过程中，联邦参与方与联邦协调方之间交互的数据为与参与方个数以及粒子网络模型个数相关的测试预测结果，无需通过传递模型参数本身进行隐私保护评估，节约了隐私保护评估过程中的通信开销和计算开销，提升了联邦学习隐私保护评估的效率。

另外地，需要说明的是，本申请实施例中的相似度损失为KL散度损失，所述KL散度损失对各所述训练粒子分类网络模型的模型参数分布与各所述目标粒子分类网络模型的模型参数分布进行整体性拟合，进而提升了本地生成网络模型的稳定性，不容易受到被外界攻击的影响。

作为一种示例，所述初始粒子网络模型可以为图像分类粒子网络模型，所述本地样本数据可以为训练图像样本，所述目标粒子网络模型为迭代训练更新后的图像分类粒子网络模型，也即为目标图像分类粒子网络模型，所述联邦生成网络模型用于生成图像分类模型，所述联邦预测网络模型可以为联邦图像分类模型，本申请实施例可实现了以生成网络模型为媒介，间接依据联邦学习构建联邦图像分类模型的目的，其中，由于生成网络模型不涉及到图像分类粒子网络模型的具体参数以及本地的训练图像样本，进而可保护联邦参与方的图像数据隐私，同时生成网络模型也可以以明文的形式直接参与计算与通信，极大程度上降低了基于联邦学习构建联邦图像分类模型过程中计算与通信的开销，所以提升了基于联邦学习构建联邦图像分类模型的效率。

另外地，需要说明的是，隐私保护技术还包括差分隐私，基于差分隐私进行联邦学习时，需要在样本中添加噪声来实现隐私保护，而噪声数据对数据的可用性和模型的准确度产生影响，进而降低联邦学习建模的准确度，而本申请实施例中并未直接噪声添加至样本中，而是以联邦学习的方式学习特定分布的噪声至预测网络模型的映射，得到联邦生成网络模型，进而依据联邦生成网络模型可生成联邦预测网络模型，所以，只要保证本地生成网络模型和本地生成网络模型输出的各初始粒子网络模型的准确度，即可保证联邦生成网络模型输出的联邦预测网络模型的准确度，所以相比于差分隐私这类的隐私保护技术，提升了联邦学习建模的准确度。

本申请实施例提供了一种联邦学习建模优化方法，相比于现有技术中基于同态加密或者多方安全计算等隐私保护技术进行联邦学习建模的技术手段，本申请实施例首先从本地噪声数据集中获取第一噪声数据，依据本地生成网络模型，将所述第一噪声数据映射为各初始粒子网络模型，进而获取本地样本数据，依据所述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型，进而从所述本地噪声数据集中获取第二噪声数据，依据各所述目标粒子网络模型和所述第二噪声数据，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型，而由于本地生成网络为噪声数据至粒子网络模型的映射，所以联邦生成网络模型为全局的噪声数据至全局的粒子网络模型的全局映射，所以，实现了基于联邦学习构建联邦生成网络模型的目的，进而从所述本地噪声数据集中获取本地选定噪声样本，依据所述联邦生成网络模型，即可将所述本地选定噪声样本转换为联邦预测网络模型，也即依据全局的噪声数据至全局的粒子网络模型的全局映射，将本地选定噪声样本转换为联邦预测网络模型，实现了以生成网络模型为媒介，间接依据联邦学习构建联邦预测网络模型的目的，其中，由于生成网络模型不涉及到粒子网络模型的具体参数以及本地样本数据，进而可保护联邦参与方的数据隐私，同时生成网络模型也可以以明文的形式直接参与计算与通信，极大程度上降低了联邦学习过程中计算与通信的开销，所以，克服了现有技术中同态加密技术的计算开销非常大，而多方安全计算技术涉及到复杂的密码学操作，其通信以及计算的开销同样很大，从而将影响联邦学习建模的效率的技术缺陷，所以，解决了由于需要进行隐私保护而造成联邦学习建模效率低的技术问题。

实施例二

进一步地，参照图2，基于本申请第一实施例，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，所述联邦学习建模优化方法应用于联邦协调方，所述联邦学习建模优化方法包括：

步骤B10，接收各联邦参与方发送的本地生成网络模型；

步骤B20，对各所述本地生成网络模型进行聚合，得到聚合生成网络模型；

步骤B30，将所述聚合生成网络模型发送至各所述联邦参与方，以供各所述联邦参与方依据所述聚合生成网络模型，迭代更新各自的本地生成网络模型，得到联邦生成网络模型，依据所述联邦生成网络模型，将本地选定噪声样本转换为联邦预测网络模型。

在本实施例中，具体地，接收各联邦参与方发送的本地生成网络模型，其中，所述联邦参与方用于从本地噪声数据集中获取第一噪声数据，依据本地生成网络模型，将所述第一噪声数据映射为各初始粒子网络模型，进而联邦参与方获取本地样本数据，依据所述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型；从所述本地噪声数据集中获取第二噪声数据，依据各所述目标粒子网络模型和所述第二噪声数据，对所述本地生成网络模型进行更新，将更新后的本地生成网络模型发送至联邦协调方；依据预设聚合规则，对各所述本地生成网络模型进行聚合，得到聚合生成网络模型，其中，所述预设聚合规则可以为加权平均或者加权求和等；将所述聚合生成网络模型发送至各所述联邦参与方，以供所述联邦参与方将所述聚合生成网络模型作为新的本地生成网络模型，并返回执行步骤从本地噪声数据集中获取第一噪声数据，以进行下一轮迭代，直至所述本地生成网络模型和各所述初始粒子分类网络模型均满足预设迭代更新结束条件，将本地生成网络模型作为联邦生成网络模型，并依据所述联邦生成网络模型，将本地选定噪声样本转换为联邦预测网络模型。其中，所述联邦参与方执行的步骤具体可参照上述步骤S10至步骤S40中的具体内容，在此不再赘述。

其中，在所述将所述聚合生成网络模型发送至各所述联邦参与方，以供各所述联邦参与方依据所述聚合生成网络模型，迭代更新各自的本地生成网络模型，得到联邦生成网络模型，依据所述联邦生成网络模型，将本地选定噪声样本转换为联邦预测网络模型的步骤之后，所述联邦学习建模优化方法还包括：

步骤B40，获取公共样本数据；

步骤B50，将所述公共样本数据发送至各所述联邦参与方，以供所述联邦参与方依据各自的联邦预测网络模型，对所述公共样本数据进行模型预测，得到测试预测结果；

步骤B60，接收各所述联邦参与方发送的测试预测结果，依据各所述测试预测结果，预测各所述联邦参与方的联邦预测网络模型的模型参数之间的距离，得到各模型参数距离。

在本实施例中，具体地，获取各公共样本，将各所述公共样本发送至各所述联邦参与方，以供所述联邦参与方依据联邦预测网络模型，分别对各所述公共样本进行模型预测，得到测试预测结果，其中，所述测试预测结果至少包括一联邦预测网络模型针对于所述公共样本的输出，进而接收各联邦参与方发送的测试预测结果，并依据各所述联邦参与方发送的测试预测结果之间的距离，预测各所述联邦参与方的联邦预测网络模型的模型参数之间的距离，得到各模型参数距离，进而判断各所述模型参数距离是否均大于预设参数距离阈值，若各所述模型参数距离均大于预设参数距离阈值，则判定隐私保护评估结果为隐私保护评估通过；若各所述模型参数距离未均大于预设参数距离阈值，则判定隐私保护评估结果为隐私保护评估不通过。所以，本申请实施例在构建联邦生成网络模型的基础上，还提供了一种隐私保护评估方法，联邦协调方通过向各联邦参与方下发公共样本数据，收集来自于每一联邦参与方的测试预测结果，进而依据来自于不同联邦参与方的测试预测结果之间的距离，预测不同联邦参与方的模型参数之间的模型参数距离，进而可基于模型参数距离进行隐私保护评估，可防止不同联邦参与方的联邦预测网络模型的模型参数因为相似度较高而造成联邦参与方发生隐私泄露的情况发生。

本申请实施例提供了一种联邦学习建模优化方法，相比于现有技术中基于同态加密或者多方安全计算等隐私保护技术进行联邦学习建模的技术手段，本申请实施例首先接收各联邦参与方发送的本地生成网络模型；对各所述本地生成网络模型进行聚合，得到聚合生成网络模型；将所述聚合生成网络模型发送至各所述联邦参与方，以供各所述联邦参与方依据所述聚合生成网络模型，迭代更新各自的本地生成网络模型，得到联邦生成网络模型，依据所述联邦生成网络模型，将本地选定噪声样本转换为联邦预测网络模型，实现了以生成网络模型为媒介，间接依据联邦学习构建联邦预测网络模型的目的。其中，由于生成网络模型不涉及到粒子网络模型的具体参数以及本地样本数据，进而可保护联邦参与方的数据隐私，同时生成网络模型也可以以明文的形式直接参与计算与通信，极大程度上降低了联邦学习过程中计算与通信的开销，所以，克服了现有技术中同态加密技术的计算开销非常大，而多方安全计算技术涉及到复杂的密码学操作，其通信以及计算的开销同样很大，从而将影响联邦学习建模的效率的技术缺陷，所以，解决了由于需要进行隐私保护而造成联邦学习建模效率低的技术问题。

实施例三

本申请实施例还提供一种联邦学习建模优化装置，所述联邦学习建模优化装置应用于联邦参与方，所述联邦学习建模优化装置包括：

第一模型生成模块，用于从本地噪声数据集中获取第一噪声数据，依据本地生成网络模型，将所述第一噪声数据映射为各初始粒子网络模型；

本地迭代训练更新模块，用于获取本地样本数据，依据所述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型；

联邦迭代训练更新模块，用于从所述本地噪声数据集中获取第二噪声数据，依据各所述目标粒子网络模型和所述第二噪声数据，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型；

第二模型生成模块，用于从所述本地噪声数据集中获取本地选定噪声样本，依据所述联邦生成网络模型，将所述本地选定噪声样本转换为联邦预测网络模型。

可选地，所述第二噪声数据至少包括一第二噪声样本，所述目标粒子网络模型包括目标粒子分类网络模型，所述联邦迭代训练更新模块还用于：

依据所述本地生成网络模型，分别将各所述第二噪声样本映射为训练粒子分类网络模型；

依据各所述训练粒子分类网络模型与各所述目标粒子分类网络模型计算的相似度损失，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到所述联邦生成网络模型。

可选地，所述初始粒子网络模型包括初始粒子分类网络模型，所述联邦迭代训练更新模块还用于：

依据各所述训练粒子分类网络模型的模型参数分布与各所述目标粒子分类网络模型的模型参数分布之间的相似度，计算相似度损失；

判断所述本地生成网络模型和各所述初始粒子分类网络模型是否均满足预设迭代更新结束条件；

若满足，则将所述本地生成网络模型作为所述联邦生成网络模型；

若不满足，则依据所述相似度损失，更新所述本地生成网络模型；

将更新后的本地生成网络模型发送至联邦协调方，以供所述联邦协调方对各所述联邦参与方发送的本地生成网络模型进行聚合，得到聚合生成网络模型；

接收所述联邦协调方发送的聚合生成网络模型，将所述聚合生成网络模型作为新的本地生成网络模型，并返回执行步骤：从本地噪声数据集中获取第一噪声数据，直至所述本地生成网络模型和各所述初始粒子分类网络模型均满足所述预设迭代更新结束条件。

可选地，所述联邦迭代训练更新模块还用于：

获取各所述初始粒子分类网络对应的分类损失，判断各所述分类损失和所述相似度损失是否均收敛；

若各所述分类损失和所述相似度损失均收敛，则判定所述本地生成网络模型和各所述初始粒子分类网络模型均满足预设迭代更新结束条件；

若各所述分类损失和所述相似度损失未均收敛，则判定所述本地生成网络模型和各所述初始粒子分类网络模型未均满足预设迭代更新结束条件。

可选地，所述本地样本数据包括本地训练样本和本地样本标签，所述初始粒子网络模型包括初始粒子分类网络模型，所述目标粒子网络模型包括目标粒子分类网络模型，所述本地迭代训练更新模块还用于：

依据各所述初始粒子分类网络模型，分别对所述本地训练样本进行分类，得到分类预测标签；

依据所述分类预测标签和所述本地样本标签，计算分类损失；

依据所述分类损失，对各所述初始粒子分类网络模型进行更新，得到各所述目标粒子分类网络模型。

可选地，所述联邦学习建模优化装置还用于：

接收联邦协调方下发的公共样本数据；

依据所述联邦预测网络模型，对所述公共样本数据进行模型预测，得到测试预测结果；

将所述测试预测结果发送至所述联邦协调方，以供所述联邦协调方依据各所述联邦参与方发送的测试预测结果，预测各所述联邦参与方的联邦预测网络模型的模型参数之间的距离，得到各模型参数距离。

本发明提供的联邦学习建模优化装置，采用上述实施例一中的联邦学习建模优化方法，解决了由于需要进行隐私保护而造成联邦学习建模效率低的技术问题。与现有技术相比，本发明实施例提供的联邦学习建模优化装置的有益效果与上述实施例提供的联邦学习建模优化方法的有益效果相同，且该联邦学习建模优化装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

实施例四

本申请实施例还提供一种联邦学习建模优化装置，所述联邦学习建模优化装置应用于联邦协调方，所述联邦学习建模优化装置包括：

接收模块，用于接收各联邦参与方发送的本地生成网络模型；

聚合模块，用于对各所述本地生成网络模型进行聚合，得到聚合生成网络模型；

发送模块，用于将所述聚合生成网络模型发送至各所述联邦参与方，以供各所述联邦参与方依据所述聚合生成网络模型，迭代更新各自的本地生成网络模型，得到联邦生成网络模型，依据所述联邦生成网络模型，将本地选定噪声样本转换为联邦预测网络模型。

可选地，所述联邦学习建模优化装置还用于：

获取模块，用于获取公共样本数据；

测试模块，用于将所述公共样本数据发送至各所述联邦参与方，以供所述联邦参与方依据各自的联邦预测网络模型，对所述公共样本数据进行模型预测，得到测试预测结果；

模型参数距离预测模块，用于接收各所述联邦参与方发送的测试预测结果，依据各所述测试预测结果，预测各所述联邦参与方的联邦预测网络模型的模型参数之间的距离，得到各模型参数距离。

本发明提供的联邦学习建模优化装置，采用上述实施例一中的联邦学习建模优化方法，解决了由于需要进行隐私保护而造成联邦学习建模效率低的技术问题。与现有技术相比，本发明实施例提供的联邦学习建模优化装置的有益效果与上述实施例提供的联邦学习建模优化方法的有益效果相同，且该联邦学习建模优化装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

实施例五

本发明实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的联邦学习建模优化方法。

下面参考图3，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图3所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此训练。输入/输出(I/O)接口也连接至总线。

通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。

本发明提供的电子设备，采用上述实施例一或实施例二中的联邦学习建模优化方法，解决了由于需要进行隐私保护而造成联邦学习建模效率低的技术问题。与现有技术相比，本发明实施例提供的电子设备的有益效果与上述实施例一提供的联邦学习建模优化方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

实施例六

本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的联邦学习建模优化的方法。

本发明实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。

上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：从本地噪声数据集中获取第一噪声数据，依据本地生成网络模型，将所述第一噪声数据映射为各初始粒子网络模型；获取本地样本数据，依据所述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型；从所述本地噪声数据集中获取第二噪声数据，依据各所述目标粒子网络模型和所述第二噪声数据，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型；从所述本地噪声数据集中获取本地选定噪声样本，依据所述联邦生成网络模型，将所述本地选定噪声样本转换为联邦预测网络模型。

又或者：接收各联邦参与方发送的本地生成网络模型；对各所述本地生成网络模型进行聚合，得到聚合生成网络模型；将所述聚合生成网络模型发送至各所述联邦参与方，以供各所述联邦参与方依据所述聚合生成网络模型，迭代更新各自的本地生成网络模型，得到联邦生成网络模型，依据所述联邦生成网络模型，将本地选定噪声样本转换为联邦预测网络模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。

本发明提供的计算机可读存储介质，存储有用于执行上述联邦学习建模优化方法的计算机可读程序指令，解决了由于需要进行隐私保护而造成联邦学习建模效率低的技术问题。与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述实施例一或实施例二提供的联邦学习建模优化方法的有益效果相同，在此不做赘述。

实施例七

本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的联邦学习建模优化方法的步骤。

本申请提供的计算机程序产品解决了由于需要进行隐私保护而造成联邦学习建模效率低的技术问题。与现有技术相比，本发明实施例提供的计算机程序产品的有益效果与上述实施例一或实施例二提供的联邦学习建模优化方法的有益效果相同，在此不做赘述。

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)

1.一种联邦学习建模优化方法，其特征在于，应用于联邦参与方，所述联邦学习建模优化方法包括：

从本地噪声数据集中获取第一噪声数据，依据本地生成网络模型，将所述第一噪声数据映射为各初始粒子网络模型；

获取本地样本数据，依据所述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型；

从所述本地噪声数据集中获取第二噪声数据，依据各所述目标粒子网络模型和所述第二噪声数据，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型；

从所述本地噪声数据集中获取本地选定噪声样本，依据所述联邦生成网络模型，将所述本地选定噪声样本转换为联邦预测网络模型。

2.如权利要求1所述联邦学习建模优化方法，其特征在于，所述第二噪声数据至少包括一第二噪声样本，所述目标粒子网络模型包括目标粒子分类网络模型，

所述依据各所述目标粒子网络模型和所述第二噪声数据，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到联邦生成网络模型的步骤包括：

依据所述本地生成网络模型，分别将各所述第二噪声样本映射为训练粒子分类网络模型；

依据各所述训练粒子分类网络模型与各所述目标粒子分类网络模型计算的相似度损失，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到所述联邦生成网络模型。

3.如权利要求2所述联邦学习建模优化方法，其特征在于，所述初始粒子网络模型包括初始粒子分类网络模型，

所述依据各所述训练粒子分类网络模型与各所述目标粒子分类网络模型计算的相似度损失，对所述本地生成网络模型进行基于联邦学习的迭代训练更新，得到所述联邦生成网络模型的步骤包括：

依据各所述训练粒子分类网络模型的模型参数分布与各所述目标粒子分类网络模型的模型参数分布之间的相似度，计算相似度损失；

判断所述本地生成网络模型和各所述初始粒子分类网络模型是否均满足预设迭代更新结束条件；

若满足，则将所述本地生成网络模型作为所述联邦生成网络模型；

若不满足，则依据所述相似度损失，更新所述本地生成网络模型；

将更新后的本地生成网络模型发送至联邦协调方，以供所述联邦协调方对各所述联邦参与方发送的本地生成网络模型进行聚合，得到聚合生成网络模型；

接收所述联邦协调方发送的聚合生成网络模型，将所述聚合生成网络模型作为新的本地生成网络模型，并返回执行步骤：从本地噪声数据集中获取第一噪声数据，直至所述本地生成网络模型和各所述初始粒子分类网络模型均满足所述预设迭代更新结束条件。

4.如权利要求3所述联邦学习建模优化方法，其特征在于，所述判断所述本地生成网络模型和各所述初始粒子分类网络模型是否均满足预设迭代更新结束条件的步骤包括：

获取各所述初始粒子分类网络对应的分类损失，判断各所述分类损失和所述相似度损失是否均收敛；

若各所述分类损失和所述相似度损失均收敛，则判定所述本地生成网络模型和各所述初始粒子分类网络模型均满足预设迭代更新结束条件；

若各所述分类损失和所述相似度损失未均收敛，则判定所述本地生成网络模型和各所述初始粒子分类网络模型未均满足预设迭代更新结束条件。

5.如权利要求1所述联邦学习建模优化方法，其特征在于，所述本地样本数据包括本地训练样本和本地样本标签，所述初始粒子网络模型包括初始粒子分类网络模型，所述目标粒子网络模型包括目标粒子分类网络模型，

所述依据所述本地样本数据，分别对各所述初始粒子网络模型进行迭代训练更新，得到各目标粒子网络模型的步骤包括：

依据各所述初始粒子分类网络模型，分别对所述本地训练样本进行分类，得到分类预测标签；

依据所述分类预测标签和所述本地样本标签，计算分类损失；

依据所述分类损失，对各所述初始粒子分类网络模型进行更新，得到各所述目标粒子分类网络模型。

6.如权利要求1所述联邦学习建模优化方法，其特征在于，在所述依据所述联邦生成网络模型，将所述本地选定噪声样本转换为联邦预测网络模型的步骤之后，所述联邦学习建模优化方法还包括：

接收联邦协调方下发的公共样本数据；

依据所述联邦预测网络模型，对所述公共样本数据进行模型预测，得到测试预测结果；

将所述测试预测结果发送至所述联邦协调方，以供所述联邦协调方依据各所述联邦参与方发送的测试预测结果，预测各所述联邦参与方的联邦预测网络模型的模型参数之间的距离，得到各模型参数距离。

7.一种联邦学习建模优化方法，其特征在于，应用于联邦协调方，所述联邦学习建模优化方法包括：

接收各联邦参与方发送的本地生成网络模型；

对各所述本地生成网络模型进行聚合，得到聚合生成网络模型；

将所述聚合生成网络模型发送至各所述联邦参与方，以供各所述联邦参与方依据所述聚合生成网络模型，迭代更新各自的本地生成网络模型，得到联邦生成网络模型，依据所述联邦生成网络模型，将本地选定噪声样本转换为联邦预测网络模型。

8.如权利要求7所述联邦学习建模优化方法，其特征在于，在所述将所述聚合生成网络模型发送至各所述联邦参与方，以供各所述联邦参与方依据所述聚合生成网络模型，迭代更新各自的本地生成网络模型，得到联邦生成网络模型，依据所述联邦生成网络模型，将本地选定噪声样本转换为联邦预测网络模型的步骤之后，所述联邦学习建模优化方法还包括：

获取公共样本数据；

将所述公共样本数据发送至各所述联邦参与方，以供所述联邦参与方依据各自的联邦预测网络模型，对所述公共样本数据进行模型预测，得到测试预测结果；

接收各所述联邦参与方发送的测试预测结果，依据各所述测试预测结果，预测各所述联邦参与方的联邦预测网络模型的模型参数之间的距离，得到各模型参数距离。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6或者7至8中任一项所述的联邦学习建模优化方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有实现联邦学习建模优化方法的程序，所述实现联邦学习建模优化方法的程序被处理器执行以实现如权利要求1至6或者7至8中任一项所述联邦学习建模优化方法的步骤。

11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6或者7至8中任一项所述联邦学习建模优化方法的步骤。

Images