CN114118275A - 联合学习训练方法及装置 - Google Patents

联合学习训练方法及装置 Download PDF

Info

Publication number
CN114118275A
CN114118275A CN202111431405.7A CN202111431405A CN114118275A CN 114118275 A CN114118275 A CN 114118275A CN 202111431405 A CN202111431405 A CN 202111431405A CN 114118275 A CN114118275 A CN 114118275A
Authority
CN
China
Prior art keywords
model
joint learning
learning model
training
trained
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
Application number
CN202111431405.7A
Other languages
English (en)
Inventor
张敏
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.)
Xinzhi I Lai Network Technology Co ltd
Original Assignee
Xinzhi I Lai Network Technology 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 Xinzhi I Lai Network Technology Co ltd filed Critical Xinzhi I Lai Network Technology Co ltd
Priority to CN202111431405.7A priority Critical patent/CN114118275A/zh
Publication of CN114118275A publication Critical patent/CN114118275A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及人工智能技术领域，提供了一种联合学习训练方法、装置及计算机可读存储介质。该方法包括：基于参与方选取的应用场景，创建联合学习模型训练任务；根据参与方提供的参与方信息，建立联合学习模型训练策略；利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量；根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型；将目标联合学习模型存储到与所述应用场景对应的模型库中。采用上述技术手段，解决现有技术中，缺少一种可以根据自主选择的应用场景，采用对应的训练方法训练联合学习模型的方法的问题。

Description

联合学习训练方法及装置
技术领域
本公开涉及人工智能技术领域，尤其涉及一种联合学习训练方法及装置。
背景技术
在现有的联合学习技术中，都是在某种应用场景有了联合学习模型的应用需求之后，才根据特定的应用场景，训练对应的联合学习模型。在该过程中，联合学习模型的训练过程或者训练方法只能针对一个应用场景，现有技术缺少一种可以根据自主选择的应用场景，采用对应的训练方法训练联合学习模型的方法。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：缺少一种可以根据自主选择的应用场景，采用对应的训练方法训练联合学习模型的方法的问题。
发明内容
有鉴于此，本公开实施例提供了一种联合学习训练方法及装置，以解决现有技术中，缺少一种可以根据自主选择的应用场景，采用对应的训练方法训练联合学习模型的方法的问题。
本公开实施例的第一方面，提供了一种联合学习训练方法，包括：基于参与方选取的应用场景，创建联合学习模型训练任务；根据参与方提供的参与方信息，建立联合学习模型训练策略；利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量；根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型；将目标联合学习模型存储到与所述应用场景对应的模型库中。
本公开实施例的第二方面，提供了一种联合学习训练装置，包括：训练任务模块，用于基于参与方选取的应用场景，创建联合学习模型训练任务；训练策略模块，用于根据参与方提供的参与方信息，建立联合学习模型训练策略；确定模块，用于利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量；启动模块，用于根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型；模型库模块，用于将目标联合学习模型存储到与所述应用场景对应的模型库中。
本公开实施例与现有技术相比存在的有益效果是：基于参与方选取的应用场景，创建联合学习模型训练任务；根据参与方提供的参与方信息，建立联合学习模型训练策略；利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量；根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型；将目标联合学习模型存储到与所述应用场景对应的模型库中。采用上述技术手段，可以解决现有技术中，缺少一种可以根据自主选择的应用场景，采用对应的训练方法训练联合学习模型的方法的问题，进而提供一种新的联合学习训练方法。
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联合学习训练方法的流程示意图；
图3是本公开实施例提供的一种联合学习训练装置的结构示意图；
图4是本公开实施例提供的一种电子设备的结构示意图。
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。
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联合学习训练方法和装置。
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联合学习训练方法的流程示意图。图2的联合学习训练方法可以由图1的服务器执行。如图2所示，该联合学习训练方法包括：
S201，基于参与方选取的应用场景，创建联合学习模型训练任务；
S202，根据参与方提供的参与方信息，建立联合学习模型训练策略；
S203，利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量；
S204，根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型；
S205，将目标联合学习模型存储到与所述应用场景对应的模型库中。
需要说明的是，本公开实施例中的参与方是多个参与方，参与方提供的参与方信息包括用于训练待训练的模型的数据。联合学习模型训练任务可以是多个参与方的标识，训练的要求(如训练好的模型的精度或者准确度等)等。除了主动创建模型训练任务之外，还可以根据所述应用场景快速加入预先设置好的模型训练任务。应用场景是需要使用到联合学习模型的情景，比如燃气预期场景和电力预测场景等。上述应用场景下的，参与方就是用电或者用气或者需要进行软测量的的用户。建立的联合学习模型训练策略可以理解为配置模型的超参数和模型训练的模型信息。比如，模型训练的模型信息，包括：联合学习的类型、模型算法的类型、模型加密方式和模型聚合方式等；模型的超参数包括：训练轮数和学习率等。模型库用于保存已经训练好的模型。
根据本公开实施例提供的技术方案，基于参与方选取的应用场景，创建联合学习模型训练任务；根据参与方提供的参与方信息，建立联合学习模型训练策略；利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量；根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型；将目标联合学习模型存储到与所述应用场景对应的模型库中。采用上述技术手段，可以解决现有技术中，缺少一种可以根据自主选择的应用场景，采用对应的训练方法训练联合学习模型的方法的问题，进而提供一种新的联合学习训练方法。
在步骤S204中，根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型，包括：利用每个所述参与方的数据训练待训练的模型，得到每个所述参与方对应的第一联合学习模型；获取每个所述参与方对应的所述第一联合学习模型的网络模型参数，并对获取到的多个所述第一联合学习模型的所述网络模型参数按照预设权重值进行模型参数聚合，得到全局网络模型参数；使用所述全局网络模型参数更新待训练的模型，得到所述目标联合学习模型。
联合学习模型训练任务中需要承载的模型训练数量，因为一个参与方要训练一个模型，所以模型训练数量就是参与方的数量。启动联合学习模型训练任务中多个待训练的模型，其中，多个待训练的模型是同一个待训练的模型，这里之所以说是多个，是因为每一个参与方都要训练该待训练的模型，同时，因为在每个参与方的训练，训练数据的主体不同，所以多个参与方训练该待训练的模型，可以理解为联合学习模型训练任务中多个待训练的模型。启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型，实际上是启动了联合学习模型训练任务，最终得到目标联合学习模型。
分别使用每个所述参与方的数据训练待训练的模型之前，还应该分别对每个所述参与方的数据进行标注处理，然后使用标注处理后的每个所述参与方的数据训练待训练的模型。对获取到的多个所述第一联合学习模型的所述网络模型参数按照预设权重值进行模型参数聚合，得到全局网络模型参数，可以是直接对获取到的多个所述第一联合学习模型的所述网络模型参数求平均，得到全局网络模型参数，还可以是对获取到的多个所述第一联合学习模型的所述网络模型参数加权求和，得到全局网络模型参数。本公开实施例，通过根据多个所述第一联合学习模型的所述网络模型参数，求得全局网络模型参数，进而更新待训练的模型，得到所述目标联合学习模型，考虑到了每个所述参与方，因此目标联合学习模型是可以预测其他的参与方的未来数据的变化的。比如在用电场景下，使用多家用电用户或者单位的数据训练联合学习模型后，得到的目标联合学习模型可以预测来年上述多家用电用户或者单位的用电数据，当然，也可以预测除了上述多家用电用户或者单位之外的，其他家用电用户或者单位的在某个时间段内的用电数据。
基于所述全局网络模型参数更新待训练的模型，得到所述目标联合学习模型，所述方法包括：基于所述全局网络模型参数更新待训练的模型，得到第三联合学习模型；利用每个所述参与方的数据组成第一数据集合；将所述第一数据集合进行局部敏感哈希处理，以得到第二数据集合；根据所述第二数据集合训练所述第三联合学习模型，得到所述目标联合学习模型。
局部敏感哈希(Locality-Sensitive Hashing,LSH)，可以在面对和需要处理的数据往往是海量并且具有很高的维度时，快速地从海量的高维数据集合中找到与某个数据最相似(距离最近)的一个数据或多个数据。本公开实施例通过局部敏感哈希技术对所述第一数据集合进行数据处理，得到的第二数据集合内的数据是一些最相似数据，这些最相似数据训练模型是最有效的。使用所述全局网络参数更新待训练的模型，得到的所述目标联合学习模型误差较大，因为该步骤的全局网络参数仅仅是对多个所述第一联合学习模型的所述网络参数的简单计算，本公开实施例使用所述全局网络参数更新待训练的模型，得到所述第三联合学习模型，然后使用所述第二数据集合训练所述第三联合学习模型，得到所述目标联合学习模型，可以进一步提高目标联合学习模型的准确率。
在步骤S204中，根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型，包括：标注每个所述参与方的数据，以得到标注数据；根据所述标注数据，构建模型训练矩阵；基于所述模型训练矩阵训练待训练的模型，得到目标联合学习模型。
具体地，分别对每个所述参与方的数据进行标注处理，其中，经过所述标注处理后的每个所述参与方的数据，包括：多个样本和每个样本对应的标签；根据以样本为行，以标签为列的原则，使用经过所述标注处理后的多个所述参与方的数据构建模型训练矩阵；使用所述模型训练矩阵训练待训练的模型，得到目标联合学习模型。
使用经过所述标注处理后的多个所述参与方的数据构建模型训练矩阵，是将所有的所述参与方的数据综合到了一个矩阵中，此时就可以不必再分别使用每个所述参与方的数据训练待训练的模型，只需要使用所述模型训练矩阵训练待训练的模型，最终的效果并不差，而且提高了训练效率。所述模型训练矩阵的横向的一行表示一条样本，纵向的一列表示一个标签，标签可以理解为样本特征。
基于所述模型训练矩阵训练待训练的模型，得到目标联合学习模型，包括：根据所述应用场景，对所述模型训练矩阵进行划分计算，以得到划分计算的矩阵；利用所述划分计算的矩阵训练待训练的模型，得到目标联合学习模型。
划分计算可以理解为对划分处理，包括数据横向划分处理和数据纵向划分处理。
具体地，对所述模型训练矩阵进行数据横向划分处理，使用经过所述数据横向划分处理后的模型训练矩阵训练待训练的模型，得到目标联合学习模型；其中，对所述模型训练矩阵进行数据横向划分处理，包括：对所述模型训练矩阵进行标签对齐处理，以确定出具有相同标签的多行样本。
对所述模型训练矩阵进行数据横向划分处理，使用经过所述数据横向划分处理后的模型训练矩阵训练待训练的模型，可以理解为使用横向联邦学习的方法训练待训练的模型。横向联邦学习适用于参与者的样本特征重叠较多，而样本ID重叠较少的情况，例如，两家不同地区的银行的客户数据。
具体地，对所述模型训练矩阵进行数据纵向划分处理，使用经过所述数据纵向划分处理后的模型训练矩阵训练待训练的模型，得到目标联合学习模型；其中，对所述模型训练矩阵进行数据纵向划分处理，包括：对所述模型训练矩阵进行样本对齐处理，以确定出多个所述参与方具有的相同的样本。
对所述模型训练矩阵进行数据纵向划分处理，使用经过所述数据纵向划分处理后的模型训练矩阵训练待训练的模型，可以理解为使用纵向联邦学习的方法训练待训练的模型。纵向联邦学习适用于参与者训练样本ID重叠较多，而数据特征重叠较少的情况，例如，同一地区的银行和电商的共同的客户数据。
在一个可选实施例中，根据所述应用场景，对所述模型训练矩阵进行划分计算，以得到划分计算的矩阵，包括：根据所述应用场景，确定所述应用场景的特征；根据所述应用场景的特征，计算所述模型训练矩阵的特征值；基于所述模型训练矩阵的特征值，对所述模型训练矩阵进行划分计算。
在步骤S204中，根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型，包括：确定所述参与方的排序；根据所述参与方的排序的顺序，训练待训练的模型，得到目标联合学习模型；其中，使用训练待训练的模型，包括；在第一次训练待训练的模型时，使用经过所述排序后的第一个参与方训练待训练的模型；在非第一次训练待训练的模型时，使用经过所述排序后的当前训练下的参与方训练第四联合学习模型，其中，所述第四联合学习模型为使用当前训练的上一次训练的参与方训练后的待训练的模型。
确定所述参与方的排序是按照预设排序规则对所有的所述参与方进行排序；根据所述参与方的排序的顺序，训练待训练的模型，是使用经过所述排序后的所有的所述参与方依次训练待训练的模型。本公开实施例是以迁移学习训练模型的方法，是将使用上一次训练的参与方的数据训练后的联合学习模型，继续使用当前训练下的参与方训练。预设排序规则也可以是根据对该应用场景数据贡献的数据数量和数据质量，对所有的参与方，从高到低进行排序。比如，共有10个参与方，按照预设排序规则对10个参与方排序后，先使用排在第一个的参与方训练待训练的模型；然后使用排在第二个的参与方继续训练第一个的参与方训练后的待训练的模型；使用排在第三个的参与方继续训练第二个的参与方训练后的待训练的模型，以此类推。
在执行步骤S205之后，也就是将目标联合学习模型存储到与所述应用场景对应的模型库中，所述方法包括：在接收到属于所述应用场景的预测指令的情况下，从所述模型库获取所述目标联合学习模型；根据所述预测指令，使用所述目标联合学习模型进行预测，并将预测的结果保存到所述模型库中。
比如，应用场景是用气场景，预测指令为预测下一年一月份A地区共5000名用户的用电量，目标联合学习模型为使用大量用电用户数据训练后的模型。在接收到该预测指令的情况下，使用目标联合学习模型，就可以预测出下一年一月份A地区共5000名用户的用电量。
在步骤S201中，基于参与方选取的应用场景，创建联合学习模型训练任务，包括：在所述应用场景为用电负荷预测场景时，基于所述用电负荷预测场景创建用电联合学习模型训练任务，其中，所述联合学习模型训练任务包括所述用电联合学习模型训练任务；在所述应用场景为用气负荷预测场景时，基于所述用气负荷预测场景创建用气联合学习模型训练任务，其中，所述联合学习模型训练任务包括所述用气联合学习模型训练任务；在所述应用场景为软测量场景时，基于所述软测量场景创建软测量联合学习模型训练任务，其中，所述联合学习模型训练任务包括所述软测量联合学习模型训练任务。
软测量是把生产过程知识有机的结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构成某种数学关系来推断或者估计，以软件来替代硬件的功能。应用软测量技术实现元素组分含量的在线检测不但经济可靠，且动态响应迅速、可连续给出萃取过程中元素组分含量,易于达到对产品质量的控制。软测量联合学习模型是已使用软测量场景下的目标用户数据进行了训练，用气联合学习模型学习并保存有过去一定时间段内目标用户所需的元素量和将来一定时间段内目标用户所需的元素量的对应关系。
在步骤S202中，根据参与方提供的参与方信息，建立联合学习模型训练策略，包括：根据参与方提供的参与方信息，配置待训练的模型的超参数；根据参与方提供的参与方信息，配置待训练的模型的模型信息，其中，模型信息至少包括：联合学习的类型、模型算法的类型、模型加密解密方式和模型聚合方式；基于待训练的模型的超参数和模型信息建立联合学习模型训练策略。
在步骤S203中，利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量，包括：利用联合学习模型训练策略，确定联合学习模型训练任务中的提供训练数据的多个参与方；基于多个参与方确定联合学习模型训练任务中需要承载的模型训练数量。
联合学习模型训练任务中需要承载的模型训练数量，因为一个参与方要训练一个模型，所以模型训练数量就是参与方的数量。启动联合学习模型训练任务中多个待训练的模型，其中，多个待训练的模型是同一个待训练的模型，这里之所以说是多个，是因为每一个参与方都要训练该待训练的模型，同时，因为在每个参与方的训练，训练数据的主体不同，所以多个参与方训练该待训练的模型，可以理解为联合学习模型训练任务中多个待训练的模型。
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3是本公开实施例提供的一种联合学习训练装置的示意图。如图3所示，该联合学习训练装置包括：
训练任务模块301，用于基于参与方选取的应用场景，创建联合学习模型训练任务；
训练策略模块302，用于根据参与方提供的参与方信息，建立联合学习模型训练策略；
确定模块303，用于利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量；
启动模块304，用于根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型；
模型库模块305，用于将目标联合学习模型存储到与所述应用场景对应的模型库中。
需要说明的是，本公开实施例中的参与方是多个参与方，参与方提供的参与方信息包括用于训练待训练的模型的数据。联合学习模型训练任务可以是多个参与方的标识，训练的要求(如训练好的模型的精度或者准确度等)等。除了主动创建模型训练任务之外，还可以根据所述应用场景快速加入预先设置好的模型训练任务。应用场景是需要使用到联合学习模型的情景，比如燃气预期场景和电力预测场景等。上述应用场景下的，参与方就是用电或者用气或者需要进行软测量的的用户。建立的联合学习模型训练策略可以理解为配置模型的超参数和模型训练的模型信息。比如，模型训练的模型信息，包括：联合学习的类型、模型算法的类型、模型加密方式和模型聚合方式等；模型的超参数包括：训练轮数和学习率等。模型库用于保存已经训练好的模型。
根据本公开实施例提供的技术方案，基于参与方选取的应用场景，创建联合学习模型训练任务；根据参与方提供的参与方信息，建立联合学习模型训练策略；利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量；根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型；将目标联合学习模型存储到与所述应用场景对应的模型库中。采用上述技术手段，可以解决现有技术中，缺少一种可以根据自主选择的应用场景，采用对应的训练方法训练联合学习模型的方法的问题，进而提供一种新的联合学习训练方法。
可选地，启动模块304还用于利用每个所述参与方的数据训练待训练的模型，得到每个所述参与方对应的第一联合学习模型；获取每个所述参与方对应的所述第一联合学习模型的网络模型参数，并对获取到的多个所述第一联合学习模型的所述网络模型参数按照预设权重值进行模型参数聚合，得到全局网络模型参数；使用所述全局网络模型参数更新待训练的模型，得到所述目标联合学习模型。
联合学习模型训练任务中需要承载的模型训练数量，因为一个参与方要训练一个模型，所以模型训练数量就是参与方的数量。启动联合学习模型训练任务中多个待训练的模型，其中，多个待训练的模型是同一个待训练的模型，这里之所以说是多个，是因为每一个参与方都要训练该待训练的模型，同时，因为在每个参与方的训练，训练数据的主体不同，所以多个参与方训练该待训练的模型，可以理解为联合学习模型训练任务中多个待训练的模型。启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型，实际上是启动了联合学习模型训练任务，最终得到目标联合学习模型。
分别使用每个所述参与方的数据训练待训练的模型之前，还应该分别对每个所述参与方的数据进行标注处理，然后使用标注处理后的每个所述参与方的数据训练待训练的模型。对获取到的多个所述第一联合学习模型的所述网络模型参数按照预设权重值进行模型参数聚合，得到全局网络模型参数，可以是直接对获取到的多个所述第一联合学习模型的所述网络模型参数求平均，得到全局网络模型参数，还可以是对获取到的多个所述第一联合学习模型的所述网络模型参数加权求和，得到全局网络模型参数。本公开实施例，通过根据多个所述第一联合学习模型的所述网络模型参数，求得全局网络模型参数，进而更新待训练的模型，得到所述目标联合学习模型，考虑到了每个所述参与方，因此目标联合学习模型是可以预测其他的参与方的未来数据的变化的。比如在用电场景下，使用多家用电用户或者单位的数据训练联合学习模型后，得到的目标联合学习模型可以预测来年上述多家用电用户或者单位的用电数据，当然，也可以预测除了上述多家用电用户或者单位之外的，其他家用电用户或者单位的在某个时间段内的用电数据。
可选地，启动模块304还用于基于所述全局网络模型参数更新待训练的模型，得到第三联合学习模型；利用每个所述参与方的数据组成第一数据集合；将所述第一数据集合进行局部敏感哈希处理，以得到第二数据集合；根据所述第二数据集合训练所述第三联合学习模型，得到所述目标联合学习模型。
局部敏感哈希(Locality-Sensitive Hashing,LSH)，可以在面对和需要处理的数据往往是海量并且具有很高的维度时，快速地从海量的高维数据集合中找到与某个数据最相似(距离最近)的一个数据或多个数据。本公开实施例通过局部敏感哈希技术对所述第一数据集合进行数据处理，得到的第二数据集合内的数据是一些最相似数据，这些最相似数据训练模型是最有效的。使用所述全局网络参数更新待训练的模型，得到的所述目标联合学习模型误差较大，因为该步骤的全局网络参数仅仅是对多个所述第一联合学习模型的所述网络参数的简单计算，本公开实施例使用所述全局网络参数更新待训练的模型，得到所述第三联合学习模型，然后使用所述第二数据集合训练所述第三联合学习模型，得到所述目标联合学习模型，可以进一步提高目标联合学习模型的准确率。
可选地，启动模块304还用于标注每个所述参与方的数据，以得到标注数据；根据所述标注数据，构建模型训练矩阵；基于所述模型训练矩阵训练待训练的模型，得到目标联合学习模型。
具体地，分别对每个所述参与方的数据进行标注处理，其中，经过所述标注处理后的每个所述参与方的数据，包括：多个样本和每个样本对应的标签；根据以样本为行，以标签为列的原则，使用经过所述标注处理后的多个所述参与方的数据构建模型训练矩阵；使用所述模型训练矩阵训练待训练的模型，得到目标联合学习模型。
使用经过所述标注处理后的多个所述参与方的数据构建模型训练矩阵，是将所有的所述参与方的数据综合到了一个矩阵中，此时就可以不必再分别使用每个所述参与方的数据训练待训练的模型，只需要使用所述模型训练矩阵训练待训练的模型，最终的效果并不差，而且提高了训练效率。所述模型训练矩阵的横向的一行表示一条样本，纵向的一列表示一个标签，标签可以理解为样本特征。
可选地，启动模块304还用于根据所述应用场景，对所述模型训练矩阵进行划分计算，以得到划分计算的矩阵；利用所述划分计算的矩阵训练待训练的模型，得到目标联合学习模型。
划分计算可以理解为对划分处理，包括数据横向划分处理和数据纵向划分处理。
具体地，对所述模型训练矩阵进行数据横向划分处理，使用经过所述数据横向划分处理后的模型训练矩阵训练待训练的模型，得到目标联合学习模型；其中，对所述模型训练矩阵进行数据横向划分处理，包括：对所述模型训练矩阵进行标签对齐处理，以确定出具有相同标签的多行样本。
对所述模型训练矩阵进行数据横向划分处理，使用经过所述数据横向划分处理后的模型训练矩阵训练待训练的模型，可以理解为使用横向联邦学习的方法训练待训练的模型。横向联邦学习适用于参与者的样本特征重叠较多，而样本ID重叠较少的情况，例如，两家不同地区的银行的客户数据。
具体地，对所述模型训练矩阵进行数据纵向划分处理，使用经过所述数据纵向划分处理后的模型训练矩阵训练待训练的模型，得到目标联合学习模型；其中，对所述模型训练矩阵进行数据纵向划分处理，包括：对所述模型训练矩阵进行样本对齐处理，以确定出多个所述参与方具有的相同的样本。
对所述模型训练矩阵进行数据纵向划分处理，使用经过所述数据纵向划分处理后的模型训练矩阵训练待训练的模型，可以理解为使用纵向联邦学习的方法训练待训练的模型。纵向联邦学习适用于参与者训练样本ID重叠较多，而数据特征重叠较少的情况，例如，同一地区的银行和电商的共同的客户数据。
可选地，启动模块304还用于根据所述应用场景，确定所述应用场景的特征；根据所述应用场景的特征，计算所述模型训练矩阵的特征值；基于所述模型训练矩阵的特征值，对所述模型训练矩阵进行划分计算。
可选地，启动模块304还用于确定所述参与方的排序；根据所述参与方的排序的顺序，训练待训练的模型，得到目标联合学习模型；其中，使用训练待训练的模型，包括；在第一次训练待训练的模型时，使用经过所述排序后的第一个参与方训练待训练的模型；在非第一次训练待训练的模型时，使用经过所述排序后的当前训练下的参与方训练第四联合学习模型，其中，所述第四联合学习模型为使用当前训练的上一次训练的参与方训练后的待训练的模型。
确定所述参与方的排序是按照预设排序规则对所有的所述参与方进行排序；根据所述参与方的排序的顺序，训练待训练的模型，是使用经过所述排序后的所有的所述参与方依次训练待训练的模型。本公开实施例是以迁移学习训练模型的方法，是将使用上一次训练的参与方的数据训练后的联合学习模型，继续使用当前训练下的参与方训练。预设排序规则也可以是根据对该应用场景数据贡献的数据数量和数据质量，对所有的参与方，从高到低进行排序。比如，共有10个参与方，按照预设排序规则对10个参与方排序后，先使用排在第一个的参与方训练待训练的模型；然后使用排在第二个的参与方继续训练第一个的参与方训练后的待训练的模型；使用排在第三个的参与方继续训练第二个的参与方训练后的待训练的模型，以此类推。
可选地，模型库模块305还用于在接收到属于所述应用场景的预测指令的情况下，从所述模型库获取所述目标联合学习模型；根据所述预测指令，使用所述目标联合学习模型进行预测，并将预测的结果保存到所述模型库中。
比如，应用场景是用气场景，预测指令为预测下一年一月份A地区共5000名用户的用电量，目标联合学习模型为使用大量用电用户数据训练后的模型。在接收到该预测指令的情况下，使用目标联合学习模型，就可以预测出下一年一月份A地区共5000名用户的用电量。
可选地，训练任务模块301还用于在所述应用场景为用电负荷预测场景时，基于所述用电负荷预测场景创建用电联合学习模型训练任务，其中，所述联合学习模型训练任务包括所述用电联合学习模型训练任务；在所述应用场景为用气负荷预测场景时，基于所述用气负荷预测场景创建用气联合学习模型训练任务，其中，所述联合学习模型训练任务包括所述用气联合学习模型训练任务；在所述应用场景为软测量场景时，基于所述软测量场景创建软测量联合学习模型训练任务，其中，所述联合学习模型训练任务包括所述软测量联合学习模型训练任务。
软测量是把生产过程知识有机的结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构成某种数学关系来推断或者估计，以软件来替代硬件的功能。应用软测量技术实现元素组分含量的在线检测不但经济可靠，且动态响应迅速、可连续给出萃取过程中元素组分含量,易于达到对产品质量的控制。软测量联合学习模型是已使用软测量场景下的目标用户数据进行了训练，用气联合学习模型学习并保存有过去一定时间段内目标用户所需的元素量和将来一定时间段内目标用户所需的元素量的对应关系。
可选地，训练策略模块302还用于根据参与方提供的参与方信息，配置待训练的模型的超参数；根据参与方提供的参与方信息，配置待训练的模型的模型信息，其中，模型信息至少包括：联合学习的类型、模型算法的类型、模型加密解密方式和模型聚合方式；基于待训练的模型的超参数和模型信息建立联合学习模型训练策略。
可选地，确定模块303还用于利用联合学习模型训练策略，确定联合学习模型训练任务中的提供训练数据的多个参与方；基于多个参与方确定联合学习模型训练任务中需要承载的模型训练数量。
联合学习模型训练任务中需要承载的模型训练数量，因为一个参与方要训练一个模型，所以模型训练数量就是参与方的数量。启动联合学习模型训练任务中多个待训练的模型，其中，多个待训练的模型是同一个待训练的模型，这里之所以说是多个，是因为每一个参与方都要训练该待训练的模型，同时，因为在每个参与方的训练，训练数据的主体不同，所以多个参与方训练该待训练的模型，可以理解为联合学习模型训练任务中多个待训练的模型。
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4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403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403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402中，并由处理器401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403在电子设备4中的执行过程。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4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，电子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401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402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4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402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402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/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子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)

1.一种联合学习训练方法，其特征在于，包括：
基于参与方选取的应用场景，创建联合学习模型训练任务；
根据参与方提供的参与方信息，建立联合学习模型训练策略；
利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量；
根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型；
将目标联合学习模型存储到与所述应用场景对应的模型库中。
2.根据权利要求1所述的方法，其特征在于，根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型，包括：
利用每个所述参与方的数据训练待训练的模型，得到每个所述参与方对应的第一联合学习模型；
获取每个所述参与方对应的所述第一联合学习模型的网络模型参数，并对所述网络模型参数按照预设权重值进行模型参数聚合，得到全局网络模型参数；
基于所述全局网络模型参数更新待训练的模型，得到所述目标联合学习模型。
3.根据权利要求2所述的方法，其特征在于，基于所述全局网络模型参数更新待训练的模型，得到所述目标联合学习模型，所述方法包括：
基于所述全局网络模型参数更新待训练的模型，得到第三联合学习模型；
利用每个所述参与方的数据组成第一数据集合；
将所述第一数据集合进行局部敏感哈希处理，以得到第二数据集合；
根据所述第二数据集合训练所述第三联合学习模型，得到所述目标联合学习模型。
4.根据权利要求1所述的方法，其特征在于，根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型，包括：
标注每个所述参与方的数据，以得到标注数据；
根据所述标注数据，构建模型训练矩阵；
基于所述模型训练矩阵训练待训练的模型，得到目标联合学习模型。
5.根据权利要求4所述的方法，其特征在于，基于所述模型训练矩阵训练待训练的模型，得到目标联合学习模型，包括：
根据所述应用场景，对所述模型训练矩阵进行划分计算，以得到划分计算的矩阵；
利用所述划分计算的矩阵训练待训练的模型，得到目标联合学习模型。
6.根据权利要求5所述的方法，其特征在于，根据所述应用场景，对所述模型训练矩阵进行划分计算，以得到划分计算的矩阵，包括：
根据所述应用场景，确定所述应用场景的特征；
根据所述应用场景的特征，计算所述模型训练矩阵的特征值；
基于所述模型训练矩阵的特征值，对所述模型训练矩阵进行划分计算。
7.根据权利要求1所述的方法，其特征在于，将目标联合学习模型存储到与所述应用场景对应的模型库中，所述方法包括：
在接收到属于所述应用场景的预测指令的情况下，从所述模型库获取所述目标联合学习模型；
根据所述预测指令，使用所述目标联合学习模型进行预测，并将预测的结果保存到所述模型库中。
8.根据权利要求1所述的方法，其特征在于，根据参与方提供的参与方信息，建立联合学习模型训练策略，包括：
根据参与方提供的参与方信息，配置待训练的模型的超参数；
根据参与方提供的参与方信息，配置待训练的模型的模型信息，其中，模型信息至少包括：联合学习的类型、模型算法的类型、模型加密解密方式和模型聚合方式；
基于待训练的模型的超参数和模型信息建立联合学习模型训练策略。
9.根据权利要求1所述的方法，其特征在于，利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量，包括：
利用联合学习模型训练策略，确定联合学习模型训练任务中的提供训练数据的多个参与方；
基于多个参与方确定联合学习模型训练任务中需要承载的模型训练数量。
10.一种联合学习训练装置，其特征在于，包括：
训练任务模块，用于基于参与方选取的应用场景，创建联合学习模型训练任务；
训练策略模块，用于根据参与方提供的参与方信息，建立联合学习模型训练策略；
确定模块，用于利用联合学习模型训练策略，确定联合学习模型训练任务中需要承载的模型训练数量；
启动模块，用于根据联合学习模型训练任务中需要承载的模型训练数量，启动联合学习模型训练任务中多个待训练的模型，以得到目标联合学习模型；
模型库模块，用于将目标联合学习模型存储到与所述应用场景对应的模型库中。
CN202111431405.7A 2021-11-29 2021-11-29 联合学习训练方法及装置 Pending CN114118275A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111431405.7A CN114118275A (zh) 2021-11-29 2021-11-29 联合学习训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111431405.7A CN114118275A (zh) 2021-11-29 2021-11-29 联合学习训练方法及装置

Publications (1)

Publication Number Publication Date
CN114118275A true CN114118275A (zh) 2022-03-01

Family

ID=80371180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111431405.7A Pending CN114118275A (zh) 2021-11-29 2021-11-29 联合学习训练方法及装置

Country Status (1)

Country Link
CN (1) CN114118275A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707430A (zh) * 2022-06-02 2022-07-05 青岛鑫晟汇科技有限公司 一种基于多用户加密的联邦学习可视化系统与方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707430A (zh) * 2022-06-02 2022-07-05 青岛鑫晟汇科技有限公司 一种基于多用户加密的联邦学习可视化系统与方法

Similar Documents

Publication Publication Date Title
Shi et al. A spatial–temporal attention approach for traffic prediction
Han et al. An efficient deep learning framework for intelligent energy management in IoT networks
Frini et al. MUPOM: A multi-criteria multi-period outranking method for decision-making in sustainable development context
Song et al. Blockchain-based flexible double-chain architecture and performance optimization for better sustainability in agriculture
Onoufriou et al. Nemesyst: A hybrid parallelism deep learning-based framework applied for internet of things enabled food retailing refrigeration systems
CN112328646B (zh) 多任务课程推荐方法、装置、计算机设备及存储介质
Wang et al. Development and application of a simulation model for changes in land-use patterns under drought scenarios
Li et al. Covered solution for a grey linear program based on a general formula for the inverse of a grey matrix
Dao et al. Compact artificial bee colony
CN114118275A (zh) 联合学习训练方法及装置
Wang et al. Digital-twin-aided product design framework for IoT platforms
Jamshidi et al. Using artificial neural networks and system identification methods for electricity price modeling
CN112598132A (zh) 模型训练方法及装置、存储介质、电子装置
CN114118543A (zh) 基于联合学习的烟气含氧量负荷预测方法及装置
CN114154415A (zh) 设备寿命的预测方法及装置
CN111027709B (zh) 信息推荐方法、装置、服务器及存储介质
CN115545248A (zh) 目标对象预测方法、装置、设备及介质
Yan et al. Influencing factors in the application of RFID technology in the supply chain
CN113947503A (zh) 基于区块链和新能源消纳调度的电能生产单位推荐方法
CN114154714A (zh) 时序数据预测方法、装置、计算机设备及介质
CN116050557A (zh) 电力负荷预测方法、装置、计算机设备和介质
Che Pricing strategy and reserved capacity plan based on product life cycle and production function on LCD TV manufacturer
Chen et al. Social networks, social interaction and macroeconomic dynamics: How much could Ernst Ising help DSGE?
CN113486586A (zh) 设备健康状态评估方法、装置、计算机设备及存储介质
Gao et al. Environmental protection of rural ecotourism using PSR and MDP models

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