CN114764590A - 基于横向联合学习参与方的数据贡献力确定方法和装置 - Google Patents

基于横向联合学习参与方的数据贡献力确定方法和装置 Download PDF

Info

Publication number
CN114764590A
CN114764590A CN202110642205.XA CN202110642205A CN114764590A CN 114764590 A CN114764590 A CN 114764590A CN 202110642205 A CN202110642205 A CN 202110642205A CN 114764590 A CN114764590 A CN 114764590A
Authority
CN
China
Prior art keywords
data set
data
influence
participant
determining
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
CN202110642205.XA
Other languages
English (en)
Inventor
刘国柄
刘嘉
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.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital 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 Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Publication of CN114764590A publication Critical patent/CN114764590A/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开的实施例公开了基于横向联合学习参与方的数据贡献力确定方法和装置。该方法包括：获取参与方的数据集；利用所述数据集，对初始模型进行训练，得到训练模型；获取所述训练模型的测试数据集；基于所述测试数据集，确定所述数据集中每个数据的影响力，得到影响力集合；基于所述影响力集合，确定所述参与方的贡献力。该实施方式使用影响力函数来计算参与方对模型的影响，然后确定参与方的贡献力，以此可以激励参与方提供高质量的数据，间接提高了训练模型的精度，侧面提高用户体验。

Description

基于横向联合学习参与方的数据贡献力确定方法和装置
技术领域
本发明公开的实施例涉及计算机技术领域，具体涉及基于横向联合学习参与方的数据贡献力确定方法和装置。
背景技术
为了使联邦学习的生态系统正常工作，我们需要鼓励不同的各参与方贡献其数据并加入协作联盟。公平衡量联合学习中各方的贡献对于联合学习的当前和潜在参与者的激励至关重要。衡量各个参与方的贡献仅看数据量是不够的，因为一个参与方可能提供大量数据，而这些数据对建立模型并没有多大帮助。我们需要一种方法来公平地衡量总体数据质量，从而确定贡献。
发明内容
本发明公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本发明公开的实施例提出了基于横向联合学习参与方的数据贡献力确定方法和装置，来解决以上背景技术部分提到的技术问题。
第一方面，本发明公开的实施例提供了一种基于横向联合学习参与方的数据贡献力确定方法，该方法包括：获取参与方的数据集；利用所述数据集，对初始模型进行训练，得到训练模型；获取所述训练模型的测试数据集；基于所述测试数据集，确定所述数据集中每个数据的影响力，得到影响力集合；基于所述影响力集合，确定所述参与方的贡献力。
第二方面，本发明公开的实施例提供了一种基于横向联合学习参与方的数据贡献力确定装置，装置包括：第一获取单元，被配置成获取参与方的数据集；训练单元，被配置成利用所述数据集，对初始模型进行训练，得到训练模型；第二获取单元，被配置成获取所述训练模型的测试数据集；第一确定单元，被配置成基于所述测试数据集，确定所述数据集中每个数据的影响力，得到影响力集合；第二确定单元，被配置成基于所述影响力集合，确定所述参与方的贡献力。
第三方面，本发明公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中所描述的方法。
第四方面，本发明公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中所描述的方法。
本发明公开的上述各个实施例中的一个实施例具有如下有益效果：首先，通过获取参与方的数据集来训练模型。然后，利用训练模型的测试数据集来确定参与方的数据集中每个数据的影响力。进而，确定参与方的贡献力。本实施例提供的方法使用影响力函数来计算参与方对模型的影响，然后确定参与方的贡献力，以此可以激励参与方提供高质量的数据，间接提高了训练模型的精度，侧面提高用户体验。
附图说明
结合附图并参考以下具体实施方式，本发明公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本发明公开的实施例的基于横向联合学习参与方的数据贡献力确定方法的一个应用场景的示意图；
图2是根据本发明公开的基于横向联合学习参与方的数据贡献力确定方法的实施例的流程图；
图3是根据本发明公开的基于横向联合学习参与方的数据贡献力确定装置的实施例的结构示意图；
图4是适于用来实现本发明公开的实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明公开的实施例。虽然附图中显示了本发明公开的某些实施例，然而应当理解的是，本发明公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本发明公开的附图及实施例仅用于示例性作用，并非用于限制本发明公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本发明公开中的实施例及实施例中的特征可以相互组合。
需要注意，本发明公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本发明公开一些实施例的基于横向联合学习参与方的数据贡献力确定方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取参与方的数据集102。然后，计算设备101可以利用所述数据集102，对初始模型103进行训练，得到训练模型104。之后，计算设备101可以获取所述训练模型104的测试数据集105。基于所述测试数据集105，计算设备101可以确定所述数据集102中每个数据的影响力，得到影响力集合106。最后，计算设备101可以基于所述影响力集合106，确定所述参与方的贡献力107。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本发明公开的基于横向联合学习参与方的数据贡献力确定方法的实施例的流程200。该方法可以由图1中的计算设备101来执行。该基于横向联合学习参与方的数据贡献力确定方法，包括以下步骤：
步骤201，获取参与方的数据集。
在实施例中，基于横向联合学习参与方的数据贡献力确定方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或无线连接方式连接参与方设备获取上述参与方的数据集。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
在实施例的可选的实现方式中，获取参与方的数据集包括：获取至少一个参与方的数据集；对上述至少一个参与方的数据集进行组合，得到上述数据集。
步骤202，利用所述数据集，对初始模型进行训练，得到训练模型。
在实施例中，上述执行主体可以利用上述数据集对上述初始模型进行横向联合学习训练，得到训练模型。这里，初始模型可以是未经训练或已经过训练的神经网络结构模型。
步骤203，获取所述训练模型的测试数据集。
在实施例中，上述执行主体可以通过有线连接方式或无线连接方式获取上述训练模型的测试数据集。
步骤204，基于所述测试数据集，确定所述数据集中每个数据的影响力，得到影响力集合。
在实施例中，上述执行主体可以根据以下函数公式确定所述数据集中每个数据对所述测试数据集中的每个数据的影响力：
Figure BDA0003108388800000051
其中，zj表示所述数据集中第j个数据；zi表示所述测试数据集中第i个数据；
Figure BDA0003108388800000052
表示所述数据集中第j个数据对所述测试数据集中第i个数据的影响力；L表示损失函数；H表示经验风险函数的海森矩阵；
Figure BDA0003108388800000053
表示所述训练模型的模型参数的估计值；θ表示所述训练模型的模型参数的实际值；T表示矩阵的转置。
在实施例中，经验风险函数如下：
Figure BDA0003108388800000054
其中，n表示所述测试数据集的数据量；i表示所述测试数据集中第i个数据；θ表示所述训练模型的模型参数的实际值。
在实施例中，上述执行主体可以根据以下公式确定所述数据集中每个数据的影响力：
Figure BDA0003108388800000055
其中，
Figure BDA0003108388800000056
表示所述数据集中第j个数据的影响力；i表示所述测试数据集中第i个数据。
步骤205，基于所述影响力集合，确定所述参与方的贡献力。
在实施例中，上述执行主体可以对上述影响力集合中的影响力进行求和，得到求和结果。然后，上述执行主体可以将上述求和结果确定为上述参与方的贡献力。
在实施例的可选的实现方式中，上述执行主体可以对上述参与方的贡献力与总影响力进行求比，得到上述参与方的贡献权重。然后，上述执行主体可以将上述贡献权重传输至具有显示功能的目标设备，以及控制上述目标设备显示上述贡献权重。
本发明公开的上述各个实施例中的一个实施例具有如下有益效果：首先，通过获取参与方的数据集来训练模型。然后，利用训练模型的测试数据集来确定参与方的数据集中每个数据的影响力。进而，确定参与方的贡献力。本实施例提供的方法使用影响力函数来计算参与方对模型的影响，然后确定参与方的贡献力，以此可以激励参与方提供高质量的数据，间接提高了训练模型的精度，侧面提高用户体验。
进一步参考图3，作为对上述各图上述方法的实现，本发明公开提供了一种基于横向联合学习参与方的数据贡献力确定装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，实施例的基于横向联合学习参与方的数据贡献力确定装置300包括：第一获取单元301、训练单元302、第二获取单元303、第一确定单元304和第二确定单元305。其中，第一获取单元301，被配置成获取参与方的数据集；训练单元302，被配置成利用所述数据集，对初始模型进行训练，得到训练模型；第二获取单元303，被配置成获取所述训练模型的测试数据集；第一确定单元304，被配置成基于所述测试数据集，确定所述数据集中每个数据的影响力，得到影响力集合；第二确定单元305，被配置成基于所述影响力集合，确定所述参与方的贡献力。
在实施例的可选的实现方式中，基于横向联合学习参与方的数据贡献力确定装置300的第一获取单元301被进一步配置成：获取至少一个参与方的数据集；对所述至少一个参与方的数据集进行组合，得到所述数据集。
在实施例的可选的实现方式中，基于横向联合学习参与方的数据贡献力确定装置300的第一确定单元304被进一步配置成：根据以下函数公式确定所述数据集中每个数据对所述测试数据集中的每个数据的影响力：
Figure BDA0003108388800000061
其中，zj表示所述数据集中第j个数据；zi表示所述测试数据集中第i个数据；
Figure BDA0003108388800000071
表示所述数据集中第j个数据对所述测试数据集中第i个数据的影响力；L表示损失函数；H表示经验风险函数的海森矩阵；
Figure BDA0003108388800000072
表示所述训练模型的模型参数的估计值；θ表示所述训练模型的模型参数的实际值；T表示矩阵的转置。
在实施例的可选的实现方式中，上述经验风险函数如下：
Figure BDA0003108388800000073
其中，n表示所述测试数据集的数据量；i表示所述测试数据集中第i个数据；θ表示所述训练模型的模型参数的实际值。
在实施例的可选的实现方式中，基于横向联合学习参与方的数据贡献力确定装置300的第一确定单元304被进一步配置成：根据以下公式确定所述数据集中每个数据的影响力：
Figure BDA0003108388800000074
其中，
Figure BDA0003108388800000075
表示所述数据集中第j个数据的影响力；i表示所述测试数据集中第i个数据。
在实施例的可选的实现方式中，基于横向联合学习参与方的数据贡献力确定装置300的第二确定单元305被进一步配置成：对所述影响力集合中的影响力进行求和，得到求和结果；将所述求和结果确定为所述参与方的贡献力。
在实施例的可选的实现方式中，基于横向联合学习参与方的数据贡献力确定装置300被进一步配置成：对所述参与方的贡献力与总影响力进行求比，得到所述参与方的贡献权重；将所述贡献权重传输至具有显示功能的目标设备，以及控制所述目标设备显示所述贡献权重。
可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
下面参考图4，其示出了适于用来实现本发明公开的一些实施例的电子设备(例如图1中的计算设备101)400的结构示意图。图4示出的服务器仅仅是一个示例，不应对本发明公开的实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本发明公开的一些实施例，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，本发明公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本发明公开的一些实施例的方法中限定的上述功能。
需要说明的是，本发明公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，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。在本发明公开的一些实施例中，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、装置或者器件使用或者与其结合使用。而在本发明公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读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该电子设备执行时，使得该电子设备：获取参与方的数据集；利用所述数据集，对初始模型进行训练，得到训练模型；获取所述训练模型的测试数据集；基于所述测试数据集，确定所述数据集中每个数据的影响力，得到影响力集合；基于所述影响力集合，确定所述参与方的贡献力。
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发明公开的一些实施例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，图示了按照本发明公开各种实施例的系统、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。
描述于本发明公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、训练单元、第二获取单元、第一确定单元和第二确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取参与方的数据集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本发明公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于横向联合学习参与方的数据贡献力确定方法，其特征在于，包括：
获取参与方的数据集；
利用所述数据集，对初始模型进行训练，得到训练模型；
获取所述训练模型的测试数据集；
基于所述测试数据集，确定所述数据集中每个数据的影响力，得到影响力集合；
基于所述影响力集合，确定所述参与方的贡献力。
2.根据权利要求1所述的一种确定横向联合学习参与方贡献力的方法，其特征在于，所述获取参与方的数据集，包括：
获取至少一个参与方的数据集；
对所述至少一个参与方的数据集进行组合，得到所述数据集。
3.根据权利要求1所述的一种确定横向联合学习参与方贡献力的方法，其特征在于，所述确定所述数据集中每个数据的影响力，包括：
根据以下函数公式确定所述数据集中每个数据对所述测试数据集中的每个数据的影响力：
Figure FDA0003108388790000011
其中，zj表示所述数据集中第j个数据；zi表示所述测试数据集中第i个数据；
Figure FDA0003108388790000012
表示所述数据集中第j个数据对所述测试数据集中第i个数据的影响力；L表示损失函数；H表示经验风险函数的海森矩阵；
Figure FDA0003108388790000013
表示所述训练模型的模型参数的估计值；θ表示所述训练模型的模型参数的实际值；T表示矩阵的转置。
4.根据权利要求3所述的一种确定横向联合学习参与方贡献力的方法，其特征在于，所述经验风险函数如下：
Figure FDA0003108388790000014
其中，n表示所述测试数据集的数据量；i表示所述测试数据集中第i个数据；θ表示所述训练模型的模型参数的实际值。
5.根据权利要求4所述的一种确定横向联合学习参与方贡献力的方法，其特征在于，所述确定所述数据集中每个数据的影响力，包括：
根据以下公式确定所述数据集中每个数据的影响力：
Figure FDA0003108388790000021
其中，
Figure FDA0003108388790000022
表示所述数据集中第j个数据的影响力；i表示所述测试数据集中第i个数据。
6.根据权利要求5所述的一种确定横向联合学习参与方贡献力的方法，其特征在于，所述基于所述影响力集合，确定所述参与方的贡献力，包括：
对所述影响力集合中的影响力进行求和，得到求和结果；
将所述求和结果确定为所述参与方的贡献力。
7.根据权利要求1-6之一所述的一种确定横向联合学习参与方贡献力的方法，其特征在于，所述方法还包括：
对所述参与方的贡献力与总影响力进行求比，得到所述参与方的贡献权重；
将所述贡献权重传输至具有显示功能的目标设备，以及控制所述目标设备显示所述贡献权重。
8.一种基于横向联合学习参与方的数据贡献力确定装置装置，其特征在于，包括：
第一获取单元，被配置成获取参与方的数据集；
训练单元，被配置成利用所述数据集，对初始模型进行训练，得到训练模型；
第二获取单元，被配置成获取所述训练模型的测试数据集；
第一确定单元，被配置成基于所述测试数据集，确定所述数据集中每个数据的影响力，得到影响力集合；
第二确定单元，被配置成基于所述影响力集合，确定所述参与方的贡献力。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202110642205.XA 2020-12-31 2021-06-09 基于横向联合学习参与方的数据贡献力确定方法和装置 Pending CN114764590A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011630270 2020-12-31
CN2020116302702 2020-12-31

Publications (1)

Publication Number Publication Date
CN114764590A true CN114764590A (zh) 2022-07-19

Family

ID=82365013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110642205.XA Pending CN114764590A (zh) 2020-12-31 2021-06-09 基于横向联合学习参与方的数据贡献力确定方法和装置

Country Status (1)

Country Link
CN (1) CN114764590A (zh)

Similar Documents

Publication Publication Date Title
CN111354345B (zh) 生成语音模型和语音识别的方法、装置、设备以及介质
WO2020207174A1 (zh) 用于生成量化神经网络的方法和装置
CN111784712B (zh) 图像处理方法、装置、设备和计算机可读介质
CN115085196B (zh) 电力负荷预测值确定方法、装置、设备和计算机可读介质
CN112434620B (zh) 场景文字识别方法、装置、设备和计算机可读介质
CN110768861B (zh) 一种获取超时阈值的方法、装置、介质和电子设备
CN111683156A (zh) 信息推送方法、装置、电子设备和计算机可读介质
CN110009101B (zh) 用于生成量化神经网络的方法和装置
CN109598344B (zh) 模型生成方法和装置
US11470167B2 (en) Method and apparatus for generating information
CN111343046B (zh) 产生压力流量的方法、装置、电子设备及计算机可读存储介质
CN114764627A (zh) 基于横向联合学习参与方的数据贡献力确定方法和装置
CN111862081A (zh) 图像评分方法、分数预测网络的训练方法、装置
CN114764590A (zh) 基于横向联合学习参与方的数据贡献力确定方法和装置
CN112734962B (zh) 考勤信息生成方法、装置、计算机设备和可读存储介质
CN114764678A (zh) 一种数据贡献力确定方法和装置
CN111726476B (zh) 图像处理方法、装置、设备和计算机可读介质
CN112543228A (zh) 数据传输方法、装置、电子设备和计算机可读介质
CN114764668A (zh) 基于横向联合学习参与方的数据贡献力确定方法和装置
CN112434619A (zh) 病例信息提取方法、装置、设备和计算机可读介质
CN114764637A (zh) 基于横向联合学习的攻击者识别方法和装置
CN113486749A (zh) 图像数据收集方法、装置、电子设备和计算机可读介质
CN112346870A (zh) 模型处理方法及系统
CN112488947A (zh) 模型训练和图像处理方法、装置、设备和计算机可读介质
CN111680754A (zh) 图像分类方法、装置、电子设备及计算机可读存储介质

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