CN114298320A - 联合学习的贡献值计算方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种联合学习的贡献值计算方法、装置、电子设备及存储介质。该方法包括：基于联合学习中的参与方生成多个参与方组，确定每个参与方组对应的组合模型；获取第一标准验证集，对第一标准验证集中的样本数据进行抽取生成第二标准验证集；利用第二标准验证集对组合模型进行模型推演，得到组合模型对应的预估效用值；基于组合模型的预估效用值，计算每个参与方对应的第一边际效用值，利用阈值对第一边际效用值进行判断，根据判断结果确定参与方对应的第二边际效用值；将第二边际效用值作为参与方的实际边际效用值，计算参与方在联合学习中的贡献值。本公开能够降低模型推演的耗时，提升模型推演及联合学习贡献值的计算效率。

Description

联合学习的贡献值计算方法、装置、电子设备及存储介质

技术领域

本公开涉及联合学习技术领域，尤其涉及一种联合学习的贡献值计算方法、装置、电子设备及存储介质。

背景技术

随着计算机技术的不断发展，人工智能的应用也越来越广泛，通过联合不同参与方进行机器学习的联合学习方法成为一种训练人工智能模型的主流趋势。联合学习作为一种新型的分布式机器学习框架，满足了多个客户端在数据安全的要求下进行模型训练的需求。

现有技术中，在对联合学习中参与方的贡献度进行衡量时，通常利用联合学习系统基于各参与方的本地数据量，来确定各参与方在联合学习中对联合学习模型的贡献度。但是，在计算各种组合模型的效用函数时，使用传统的模型推演的方式具有很高的计算复杂度，导致模型推演的耗时较长，从而降低了联合学习贡献值的计算效率，因此如何避免进行复杂模型推演对于提升计算效率具有重要意义。

鉴于上述现有技术中的问题，需要提供一种能够提升模型推演的效率，降低模型推演的耗时，从而提升计算效率的联合学习贡献值计算方案。

发明内容

有鉴于此，本公开实施例提供了一种联合学习的贡献值计算方法、装置、电子设备及存储介质，以解决现有技术存在的模型推演的耗时较长，模型推演的效率较低，导致联合学习贡献值的计算效率降低的问题。

本公开实施例的第一方面，提供了一种联合学习的贡献值计算方法，包括：确定联合学习中的参与方，基于参与方生成多个参与方组，并确定每个参与方组对应的组合模型；获取预先配置的第一标准验证集，对第一标准验证集中的样本数据进行抽取，根据抽取出的样本数据生成第二标准验证集；利用第二标准验证集对组合模型进行模型推演，以便对组合模型的效用函数进行预测，得到组合模型对应的预估效用值；基于组合模型的预估效用值，计算参与方组中每个参与方对应的第一边际效用值，利用阈值对第一边际效用值进行判断，根据判断结果确定参与方对应的第二边际效用值；将第二边际效用值作为参与方的实际边际效用值，并基于实际边际效用值计算参与方在联合学习中的贡献值。

本公开实施例的第二方面，提供了一种联合学习的贡献值计算装置，包括：确定模块，被配置为确定联合学习中的参与方，基于参与方生成多个参与方组，并确定每个参与方组对应的组合模型；抽取模块，被配置为获取预先配置的第一标准验证集，对第一标准验证集中的样本数据进行抽取，根据抽取出的样本数据生成第二标准验证集；预测模块，被配置为利用第二标准验证集对组合模型进行模型推演，以便对组合模型的效用函数进行预测，得到组合模型对应的预估效用值；判断模块，被配置为基于组合模型的预估效用值，计算参与方组中每个参与方对应的第一边际效用值，利用阈值对第一边际效用值进行判断，根据判断结果确定参与方对应的第二边际效用值；计算模块，被配置为将第二边际效用值作为参与方的实际边际效用值，并基于实际边际效用值计算参与方在联合学习中的贡献值。

本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过确定联合学习中的参与方，基于参与方生成多个参与方组，并确定每个参与方组对应的组合模型；获取预先配置的第一标准验证集，对第一标准验证集中的样本数据进行抽取，根据抽取出的样本数据生成第二标准验证集；利用第二标准验证集对组合模型进行模型推演，以便对组合模型的效用函数进行预测，得到组合模型对应的预估效用值；基于组合模型的预估效用值，计算参与方组中每个参与方对应的第一边际效用值，利用阈值对第一边际效用值进行判断，根据判断结果确定参与方对应的第二边际效用值；将第二边际效用值作为参与方的实际边际效用值，并基于实际边际效用值计算参与方在联合学习中的贡献值。本公开能够降低模型推演的耗时，提升模型推演的效率，从而提升对联合学习贡献值的计算效率。

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联合学习的贡献值计算方法的流程示意图；

图3是本公开实施例提供的联合学习的贡献值计算装置的结构示意图；

图4是本公开实施例提供的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。

目前在基于沙普利值的参与方联合学习贡献衡量方法中，需要计算各种组合模型的效用函数，通常采用模型推演的方式来预测组合模型的效用值。但是，现有的联合学习贡献值算法中，由于模型推演所依赖的标准验证集中的数据量比较大，模型推演的计算复杂度较高，导致模型推演的耗时很长，从而降低了联合学习贡献值的计算效率，因此如何降低模型推演的计算复杂度，避免进行复杂模型推演，这对于提升联合学习贡献值的计算效率具有重要意义。

鉴于以上现有技术中的问题，需要提供一种在基于沙普利值计算法则计算联合学习参与方的贡献值时，通过减少标准验证集中的数据量，利用轻量的标准验证集进行效用值预测，从而根据效用函数的预估值，计算每个参与方加入参与方组时产生的边际效用值，利用边际效用值判断是否需要对参与方在全量标准验证集上进行边际效用的计算。基于本公开的实施例，能够降低模型推演的复杂度，降低模型推演的耗时，提升模型推演的效率，从而进一步提升对整个联合学习的参与方贡献值进行计算的效率。

下面将结合附图详细说明根据本公开实施例的一种用于联合学习中确定参与方贡献度的方法及装置。

图1是本公开实施例提供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联合学习的贡献值计算方法的流程示意图。图2的联合学习的贡献值计算方法可以由联合学习的服务器执行。如图2所示，该联合学习的贡献值计算方法具体可以包括：

S201，确定联合学习中的参与方，基于参与方生成多个参与方组，并确定每个参与方组对应的组合模型；

S202，获取预先配置的第一标准验证集，对第一标准验证集中的样本数据进行抽取，根据抽取出的样本数据生成第二标准验证集；

S203，利用第二标准验证集对组合模型进行模型推演，以便对组合模型的效用函数进行预测，得到组合模型对应的预估效用值；

S204，基于组合模型的预估效用值，计算参与方组中每个参与方对应的第一边际效用值，利用阈值对第一边际效用值进行判断，根据判断结果确定参与方对应的第二边际效用值；

S205，将第二边际效用值作为参与方的实际边际效用值，并基于实际边际效用值计算参与方在联合学习中的贡献值。

具体地，每个参与方对应联合学习框架中的一个节点，每个节点对应一个参与方，参与方既可以是传感器、旋转机械设备、物联网设备、IOT设备、PC、平板电脑、智能手机、智能可穿戴设备等，还可以是公司或者工厂等对象。每个参与方上具有联合学习参与方的客户终端，但参与方并不局限于上述这些设备或者客户端。联合学习框架中还具有为客户端提供服务的节点(即服务端)，服务端可以是用于执行聚合操作的服务器，服务端可以协调多个客户端进行联合学习以得到联合学习模型。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者云计算服务器。

进一步地，参与方组是通过对联合学习中的参与方依据属性信息进行分组得到的，在实际应用中，通过对组成联合学习架构中的所有参与方进行聚类，即将参与方划分到多个不同的参与方组中。一般来说，同一参与方组中的参与方具有相似的属性信息，比如属于同一上级单位或者具有相似特征等。

进一步地，模型推演是指在联合模型训练完成之后，在进行联合学习的参与方贡献衡量阶段时，利用标准验证集对组合模型的效用函数进行预测，得到用于评价模型性能指标的效用值的过程。在实际应用中，通常效用函数值越大，表示组合模型的预测能力越好，效用函数值包括但不限于组合模型的准确率、精确率、召回率等数值。

进一步地，在联合学习中一个聚合周期是指对联合学习模型进行的一轮训练，各参与方客户端利用本地数据对本地模型进行训练，当本地模型训练达到收敛时，得到训练后的本地模型参数，并将其发送给服务端。所有参与方在每个聚合轮次都会上传自己的本地模型参数，服务器进行加权平均得出一个联合模型来，因此每个参与方在每一轮次都会做出自己的贡献，此处的轮表示服务端对联合学习模型进行一次完整的训练。

根据本公开实施例提供的技术方案，通过确定联合学习中的参与方，基于参与方生成多个参与方组，并确定每个参与方组对应的组合模型；获取预先配置的第一标准验证集，对第一标准验证集中的样本数据进行抽取，根据抽取出的样本数据生成第二标准验证集；利用第二标准验证集对组合模型进行模型推演，以便对组合模型的效用函数进行预测，得到组合模型对应的预估效用值；基于组合模型的预估效用值，计算参与方组中每个参与方对应的第一边际效用值，利用阈值对第一边际效用值进行判断，根据判断结果确定参与方对应的第二边际效用值；将第二边际效用值作为参与方的实际边际效用值，并基于实际边际效用值计算参与方在联合学习中的贡献值。本公开能够降低模型推演的耗时，提升模型推演的效率，从而提升对联合学习贡献值的计算效率。

在一些实施例中，确定联合学习中的参与方，基于参与方生成多个参与方组，并确定每个参与方组对应的组合模型，包括：获取联合学习中的全部参与方，按照预设的方式对全部参与方进行排列组合，得到多个参与方组；确定每个参与方组中的参与方对应的联合模型，对同一参与方组的参与方所对应的联合模型执行聚合操作，得到参与方组对应的组合模型。

具体地，根据联合学习中的全部参与方，将全部参与方按照参与方数量从少至多的方式构造出全部的参与方组合，每个参与方组合即对应一个参与方组。例如，假设某个联合学习中有n个参与方，按照参与方数量从少到多枚举全部可能的参与方组合Ps＝[(1,),(2,),(3,)…,(1,2),(1,3),(2,3),…P,…N]，因此可以得到具有0，1，2，…n-1个参与方的子组合S，即得到若干个参与方组。对每个具有0，1，2，…n-1个参与方的子组合S，计算权重w_|S|＝|S|！(|N|-|S|-1)！/|N|！。

进一步地，根据每个参与方组中参与方对应的联合模型，对同一参与方组内的参与方对应的联合模型进行聚合，得到每个参与方组对应的组合模型。另外，在实际应用中，还可以根据每个参与方组中参与方的个数计算权重，权重用于表示参与方组在全部的参与方组合中出现的概率。

在一些实施例中，获取预先配置的第一标准验证集，对第一标准验证集中的样本数据进行抽取，根据抽取出的样本数据生成第二标准验证集，包括：获取第一标准验证集，采用随机抽样的方式从第一标准验证集中抽取预设数量的样本数据，利用抽取出的预设数量的样本数据，构造出第二标准验证集；其中，第一标准验证集中包含全量的样本数据，第二标准验证集中包含随机抽样得到的样本数据。

具体地，标准验证集是与组合模型的实际训练集相对应的验证数据集，标准验证集中也具有x值和y值。第一标准验证集是指原始的包含全量样本数据的标准验证集，因此，第一标准验证集中包含全量的样本数据，第二标准验证集是基于从第一标准验证集中随机抽样出的样本数据所组成的轻量的标准验证集，因此第二标准验证集中的样本数据量将远远小于第一标准验证集中的样本数据量。

进一步地，基于原始的具有全量样本数据的第一标准验证集，采用随机抽样方法构造一个轻量级的标准验证集(即第二标准验证集)。例如，从第一标准验证集D_s中随机抽取少量样本(比如抽取10～100个样本)，构造轻量的第二标准验证集D_light。

在一些实施例中，利用第二标准验证集对组合模型进行模型推演，以便对组合模型的效用函数进行预测，得到组合模型对应的预估效用值，包括：将第二标准验证集中的样本数据作为组合模型的参数，利用组合模型对参数执行运算操作，得到组合模型的预测结果；将预测结果与样本数据中的实际结果进行比较，以确定组合模型的预估效用值，其中，预估效用值用于作为评价组合模型性能的指标数据。

具体地，在基于轻量级的第二标准验证集对组合模型进行模型推演时，通过将第二标准验证集中的参数(即样本数据中的x值)输入到组合模型中去，得到组合模型对参数进行学习得到的预测结果，将该组合模型的预测结果与实际结果进行比较，从而确定组合模型的预估效用值。

需要说明的是，这里的预估效用值可以包括组合模型的准确率、精确率、召回率、loss等指标，利用预估效用值可以评估组合模型的性能，即对组合模型预测的准确性进行评估。在本公开实施例中，将效用函数定义为组合模型在轻量的标准验证集D_light上的性能，由于模型推演时间与样本数量正相关，因此通过减少验证集的样本数据，可以在相对较短时间内计算得到各种子组合模型的效用函数{U_light}，从而提升模型推演的效率。

在一些实施例中，基于组合模型的预估效用值，计算参与方组中每个参与方对应的第一边际效用值，包括：确定与组合模型相对应的参与方组，根据组合模型的预估效用值，计算参与方组中每个参与方加入参与方组时产生的第一边际效用值。

具体地，在轻量级的第二标准验证集上，在计算得到参与方组的组合模型对应的效用函数U_light之后，根据效用估计值计算每个参与方加入该参与方组合时产生的边际效用值。在实际应用中，通过计算每个参与方i加入不同参与方组S情况下的边际效用

此时计算得到的边际效用值为第一边际效用值，即根据预估的效用函数的值所计算得到的边际效用的估计值。

在一些实施例中，利用阈值对第一边际效用值进行判断，根据判断结果确定参与方对应的第二边际效用值，包括：将每个参与方的第一边际效用值与阈值进行比较，当参与方的第一边际效用值大于或等于阈值时，利用第一标准验证集重新对参与方组对应的组合模型进行模型推演，并计算参与方加入参与方组时产生的第二边际效用值；当参与方的第一边际效用值小于阈值时，将参与方的第二边际效用值设置为固定值。

具体地，在得到每个参与方的边际效用的估计值(即第一边际效用值)之后，将第一边际效用值与预设的阈值之间进行比较，判断利用第一标准验证集(即全量的验证集)重新进行模型推演，计算实际的边际效用值，还是将参与方的边际效用值设为固定值0。

进一步地，对于每个计算得到的参与方的第一边际效用值

若第一边际效用值乘上权重

大于或者等于阈值，则判断重新在全量的标准验证集D_s上精确计算参与方i加入参与方组S产生的实际的边际效用值；若第一边际效用值乘上权重

小于阈值，则将参与方i加入该参与方组S产生的边际效用值设置为0，不需要重新在全量的标准验证集上做模型推演。

在本公开实施例中，利用阈值对参与方的第一边际效用值进行判断的目的在于，通过判断第一边际效用值与阈值之间的关系，判断该参与方对参与方组的效用影响，当该参与方对计算参与方组的效用值影响比较大时，则需要重新计算该参与方的实际边际效用值。

在一些实施例中，将第二边际效用值作为参与方的实际边际效用值，并基于实际边际效用值计算参与方在联合学习中的贡献值，包括：根据计算得到的每个参与方对应的实际边际效用值，利用预设的沙普利值计算公式，计算每个参与方对应的贡献值，其中，贡献值用于表示参与方在联合学习中对联合模型训练的贡献度。

具体地，将上述最终确定的第二边际效用值作为该参与方的实际边际效用值，这里的实际边际效用值是指在计算参与方的贡献值时所采用的边际效用的实际值。在实际应用中，通过将所有参与方i的实际边际效用值代入预设的沙普利值计算公式中，便可计算得到每个参与方的Shapley值。

进一步地，沙普利值(Shapley Value)是根据个体i加入组合S产生的边际贡献的平均值，公平的进行利益分配的方法，其计算复杂度是O(2ⁿ)，n为个体总数。其计算公式为：

Shapley值考虑个体i加入子组合的全部可能的顺序，其中N表示全组合，S表示某个排列情况下的子组合，V(·)表示效用函数，|·|符号表示求集合中元素的数量，[V(S∪{i})–V(S)]表示i加入子组合S后的边际效用，权重w_|S|＝|S|！(|N|-|S|-1)！/|N|！表示该组合出现的概率。

进一步地，重复以上步骤，获得每个参与方i在全部T个聚合周期的贡献值，累加得到参与方i对联合模型的贡献值；也就是说，通过将所有聚合周期按照上面的方式计算一遍，得到每一个参与方在每一个聚合周期对应的贡献值，然后进行累加得到总的贡献值。

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联合学习的贡献值计算装置的结构示意图。如图3所示，该联合学习的贡献值计算装置包括：

确定模块301，被配置为确定联合学习中的参与方，基于参与方生成多个参与方组，并确定每个参与方组对应的组合模型；

抽取模块302，被配置为获取预先配置的第一标准验证集，对第一标准验证集中的样本数据进行抽取，根据抽取出的样本数据生成第二标准验证集；

预测模块303，被配置为利用第二标准验证集对组合模型进行模型推演，以便对组合模型的效用函数进行预测，得到组合模型对应的预估效用值；

判断模块304，被配置为基于组合模型的预估效用值，计算参与方组中每个参与方对应的第一边际效用值，利用阈值对第一边际效用值进行判断，根据判断结果确定参与方对应的第二边际效用值；

计算模块305，被配置为将第二边际效用值作为参与方的实际边际效用值，并基于实际边际效用值计算参与方在联合学习中的贡献值。

在一些实施例中，图3的确定模块301获取联合学习中的全部参与方，按照预设的方式对全部参与方进行排列组合，得到多个参与方组；确定每个参与方组中的参与方对应的联合模型，对同一参与方组的参与方所对应的联合模型执行聚合操作，得到参与方组对应的组合模型。

在一些实施例中，图3的抽取模块302获取第一标准验证集，采用随机抽样的方式从第一标准验证集中抽取预设数量的样本数据，利用抽取出的预设数量的样本数据，构造出第二标准验证集；其中，第一标准验证集中包含全量的样本数据，第二标准验证集中包含随机抽样得到的样本数据。

在一些实施例中，图3的预测模块303将第二标准验证集中的样本数据作为组合模型的参数，利用组合模型对参数执行运算操作，得到组合模型的预测结果；将预测结果与样本数据中的实际结果进行比较，以确定组合模型的预估效用值，其中，预估效用值用于作为评价组合模型性能的指标数据。

在一些实施例中，图3的判断模块304确定与组合模型相对应的参与方组，根据组合模型的预估效用值，计算参与方组中每个参与方加入参与方组时产生的第一边际效用值。

在一些实施例中，图3的判断模块304将每个参与方的第一边际效用值与阈值进行比较，当参与方的第一边际效用值大于或等于阈值时，利用第一标准验证集重新对参与方组对应的组合模型进行模型推演，并计算参与方加入参与方组时产生的第二边际效用值；当参与方的第一边际效用值小于阈值时，将参与方的第二边际效用值设置为固定值。

在一些实施例中，图3的计算模块305根据计算得到的每个参与方对应的实际边际效用值，利用预设的沙普利值计算公式，计算每个参与方对应的贡献值，其中，贡献值用于表示参与方在联合学习中对联合模型训练的贡献度。

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的结构示意图。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中并且可以在处理器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/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)

1.一种联合学习的贡献值计算方法，其特征在于，包括：

确定联合学习中的参与方，基于所述参与方生成多个参与方组，并确定每个所述参与方组对应的组合模型；

获取预先配置的第一标准验证集，对所述第一标准验证集中的样本数据进行抽取，根据抽取出的样本数据生成第二标准验证集；

利用所述第二标准验证集对所述组合模型进行模型推演，以便对所述组合模型的效用函数进行预测，得到所述组合模型对应的预估效用值；

基于所述组合模型的预估效用值，计算所述参与方组中每个参与方对应的第一边际效用值，利用阈值对所述第一边际效用值进行判断，根据判断结果确定所述参与方对应的第二边际效用值；

将所述第二边际效用值作为所述参与方的实际边际效用值，并基于所述实际边际效用值计算所述参与方在联合学习中的贡献值。

2.根据权利要求1所述的方法，其特征在于，所述确定联合学习中的参与方，基于所述参与方生成多个参与方组，并确定每个所述参与方组对应的组合模型，包括：

获取所述联合学习中的全部参与方，按照预设的方式对所述全部参与方进行排列组合，得到多个所述参与方组；

确定每个所述参与方组中的参与方对应的联合模型，对同一所述参与方组的参与方所对应的联合模型执行聚合操作，得到所述参与方组对应的组合模型。

3.根据权利要求1所述的方法，其特征在于，所述获取预先配置的第一标准验证集，对所述第一标准验证集中的样本数据进行抽取，根据抽取出的样本数据生成第二标准验证集，包括：

获取所述第一标准验证集，采用随机抽样的方式从所述第一标准验证集中抽取预设数量的样本数据，利用抽取出的所述预设数量的样本数据，构造出所述第二标准验证集；

其中，所述第一标准验证集中包含全量的样本数据，所述第二标准验证集中包含随机抽样得到的样本数据。

4.根据权利要求3所述的方法，其特征在于，所述利用所述第二标准验证集对所述组合模型进行模型推演，以便对所述组合模型的效用函数进行预测，得到所述组合模型对应的预估效用值，包括：

将所述第二标准验证集中的样本数据作为所述组合模型的参数，利用所述组合模型对所述参数执行运算操作，得到所述组合模型的预测结果；

将所述预测结果与所述样本数据中的实际结果进行比较，以确定所述组合模型的预估效用值，其中，所述预估效用值用于作为评价所述组合模型性能的指标数据。

5.根据权利要求1所述的方法，其特征在于，所述基于所述组合模型的预估效用值，计算所述参与方组中每个参与方对应的第一边际效用值，包括：

确定与所述组合模型相对应的所述参与方组，根据所述组合模型的预估效用值，计算所述参与方组中每个参与方加入所述参与方组时产生的第一边际效用值。

6.根据权利要求1所述的方法，其特征在于，所述利用阈值对所述第一边际效用值进行判断，根据判断结果确定所述参与方对应的第二边际效用值，包括：

将每个所述参与方的第一边际效用值与所述阈值进行比较，当所述参与方的第一边际效用值大于或等于所述阈值时，利用所述第一标准验证集重新对所述参与方组对应的组合模型进行模型推演，并计算所述参与方加入所述参与方组时产生的第二边际效用值；当所述参与方的第一边际效用值小于所述阈值时，将所述参与方的第二边际效用值设置为固定值。

7.根据权利要求6所述的方法，其特征在于，所述将所述第二边际效用值作为所述参与方的实际边际效用值，并基于所述实际边际效用值计算所述参与方在联合学习中的贡献值，包括：

根据计算得到的每个所述参与方对应的实际边际效用值，利用预设的沙普利值计算公式，计算每个所述参与方对应的贡献值，其中，所述贡献值用于表示所述参与方在所述联合学习中对联合模型训练的贡献度。

8.一种联合学习的贡献值计算装置，其特征在于，包括：

确定模块，被配置为确定联合学习中的参与方，基于所述参与方生成多个参与方组，并确定每个所述参与方组对应的组合模型；

抽取模块，被配置为获取预先配置的第一标准验证集，对所述第一标准验证集中的样本数据进行抽取，根据抽取出的样本数据生成第二标准验证集；

预测模块，被配置为利用所述第二标准验证集对所述组合模型进行模型推演，以便对所述组合模型的效用函数进行预测，得到所述组合模型对应的预估效用值；

判断模块，被配置为基于所述组合模型的预估效用值，计算所述参与方组中每个参与方对应的第一边际效用值，利用阈值对所述第一边际效用值进行判断，根据判断结果确定所述参与方对应的第二边际效用值；

计算模块，被配置为将所述第二边际效用值作为所述参与方的实际边际效用值，并基于所述实际边际效用值计算所述参与方在联合学习中的贡献值。

9.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的方法。

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7中任一项所述的方法。

Images