CN114897185A - 基于类别异构数据的联合学习训练方法及装置 - Google Patents

Abstract

本公开涉及联合学习技术领域，提供了一种基于类别异构数据的联合学习训练方法及装置。该方法包括：分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型，并在每次训练中将训练轮次累计；基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从原来的参与方数据中删除；根据训练轮次和预设总轮次之间的大小关系或者聚合模型的模型精度和预设模型精度之间的大小关系，判断是否继续联合学习训练。

Description

基于类别异构数据的联合学习训练方法及装置

技术领域

本公开涉及联合学习技术领域，尤其涉及一种基于类别异构数据的联合学习训练方法及装置。

背景技术

在侧重于分类的联合学习中，还是和普通的联合学习一样，利用参与方的参与方数据训练参与方模型，然后聚合多个参与方模型，得到聚合模型，也就是最终的联合学习模型。然而在侧重于分类的联合学习中，参与方数据有多个类别数据，其中可能存在和大多数数据不一样的类别数据，这部分类别数据可以称之为类别异构数据，类别异构数据会对模型的训练起到坏的作用。

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：在联合学习中，类别异构数据会妨碍联合学习训练的问题。

发明内容

有鉴于此，本公开实施例提供了一种基于类别异构数据的联合学习训练方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，在联合学习中，类别异构数据会妨碍联合学习训练的问题。

本公开实施例的第一方面，提供了一种基于类别异构数据的联合学习训练方法，包括：确定联合学习训练的预设总轮次和预设模型精度；分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型，并在每次训练中将训练轮次累计，其中，训练轮次用于表示当前联合学习训练对应的次数，训练轮次初始值为零；基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从原来的参与方数据中删除；根据训练轮次和预设总轮次之间的大小关系或者聚合模型的模型精度和预设模型精度之间的大小关系，判断是否继续联合学习训练。

本公开实施例的第二方面，提供了一种基于类别异构数据的联合学习训练装置，包括：第一确定模块，被配置为确定联合学习训练的预设总轮次和预设模型精度；训练模块，被配置为分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型，并在每次训练中将训练轮次累计，其中，训练轮次用于表示当前联合学习训练对应的次数，训练轮次初始值为零；聚合模块，被配置为基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；第二确定模块，被配置为分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从原来的参与方数据中删除；判断模块，被配置为根据训练轮次和预设总轮次之间的大小关系或者聚合模型的模型精度和预设模型精度之间的大小关系，判断是否继续联合学习训练。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可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。

本公开实施例的第四方面，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：确定联合学习训练的预设总轮次和预设模型精度；分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型，并在每次训练中将训练轮次累计，其中，训练轮次用于表示当前联合学习训练对应的次数，训练轮次初始值为零；基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从原来的参与方数据中删除；根据训练轮次和预设总轮次之间的大小关系或者聚合模型的模型精度和预设模型精度之间的大小关系，判断是否继续联合学习训练。采用上述技术手段，可以解决现有技术中，在联合学习中，类别异构数据会妨碍联合学习训练的问题，进而提供一种可以剔除类别异构数据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基于类别异构数据的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基于类别异构数据的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基于类别异构数据的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，利用本地数据进行联合学习训练，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类别异构数据的联合学习训练方法的流程示意图。图2的基于类别异构数据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，该基于类别异构数据的联合学习训练方法包括：

S201，确定联合学习训练的预设总轮次和预设模型精度；

S202，分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型，并在每次训练中将训练轮次累计，其中，训练轮次用于表示当前联合学习训练对应的次数，训练轮次初始值为零；

训练轮次累计可以是每次训练中将训练轮次基于上次轮次数加一，又可以是每次训练轮次迭加等，因此对训练轮次累计的计算在此并不限定。

S203，基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；

S204，分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从原来的参与方数据中删除；

S205，根据训练轮次和预设总轮次之间的大小关系或者聚合模型的模型精度和预设模型精度之间的大小关系，判断是否继续联合学习训练。

比如第二次训练，训练轮次累计之后训练轮次为2，表示当前是第2个训练轮次；预设总轮次为10，此次训练的训练轮次小于预设总轮次，继续训练，直至训练轮次为10。

根据本公开实施例提供的技术方案，确定联合学习训练的预设总轮次和预设模型精度；分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型，并在每次训练中将训练轮次累计，其中，训练轮次用于表示当前联合学习训练对应的次数，训练轮次初始值为零；基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从原来的参与方数据中删除；根据训练轮次和预设总轮次之间的大小关系或者聚合模型的模型精度和预设模型精度之间的大小关系，判断是否继续联合学习训练。采用上述技术手段，可以解决现有技术中，在联合学习中，类别异构数据会妨碍联合学习训练的问题，进而提供一种可以剔除类别异构数据的联合学习训练方法。

在执行S201之后，也就是获取联合学习训练对应的训练总轮次和预设模型精度之后，方法还包括：循环执行如下步骤进行联合学习训练：将训练轮次累计，其中，训练轮次用于表示当前联合学习训练对应的次数，训练轮次初始值为零；分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型；基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从原来的参与方数据中删除；当训练轮次等于训练总轮次或者聚合模型的模型精度大于预设模型精度时，结束联合学习训练，当训练轮次小于训练总轮次或者聚合模型的模型精度小于等于预设模型精度时，继续联合学习训练。

每个参与方数据包括多个类别数据，一个类别数据是一类数据，比如在人脸识别中，一个人的所有图片为一个类别数据；又比如设备故障检测中，一种故障为一个类别数据。

比如训练总轮次为10，训练轮次为4(当前联合学习训练是第4次)，应该继续联合学习训练，当训练轮次等于10，结束联合学习训练。

基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型，包括：确定每个参与方对应的参与方模型的模型参数；聚合每个参与方模型的模型参数，得到聚合参数；基于聚合参数确定聚合模型。

聚合每个参与方对应的参与方模型，得到聚合模型，可以是聚合每个参与方对应的参与方模型的模型参数。

基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型，包括：获取每个参与方的参与方数据的数据量；基于每个参与方数据的数据量确定模型聚合中每个参与方模型对应的聚合权重；基于每个参与方模型对应的聚合权重，聚合每个参与方模型，得到聚合模型。

本公开实施例的聚合方法为FedAvg，是根据每个参与方数据的数据量确定每个参与方模型对应的权重，基于每个参与方模型对应的权重，聚合每个参与方模型。当然本公开实施例还可以是对每个参与方模型的模型参数的聚合。此外，聚合方法还可以采用Fedadm、FedProx和SCAFFOLD。

分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从原来的参与方数据中删除，包括：在每个参与方：测试参与方数据中的每个类别数据对应的参与方模型和聚合模型的模型精度；将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从参与方数据中删除。

在一个参与方：如果参与方数据没有类别异构数据，由于聚合模型是由多个参与方模型得到的，聚合模型大概率比参与方模型的精度高。如果参与方数据有类别异构数据，由于聚合模型代表的是整体数据规律，参与方模型代表的是该参与方数据的规律，所以类别异构数据对应的参与方模型的模型精度比聚合模型的模型精度高，将类别异构数据从原来的参与方数据中删除，类别异构数据将不再参与后续训练。

举例说明，在某种设备的故障检测中，一种故障的数据为一个类别数据，不属于该种设备的故障的数据为类别异构数据，在训练中，需要将不属于该种设备的故障的数据删除。

基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型之后，方法还包括：在每个参与方：测试参与方数据中的每个类别数据对应的参与方模型和聚合模型的模型精度；将参与方模型的模型精度与聚合模型的模型精度的差值不超出预设范围所对应的类别数据确定为类别优异数据，增加类别优异数据在下次联合学习训练中的权重。

本公开实施例中，参与方模型的模型精度与聚合模型的模型精度的差值不超出预设范围，是指参与方模型的模型精度小于聚合模型的模型精度预设范围。

聚合模型代表的是整体数据规律，参与方模型代表的是该参与方数据的规律。在一个参与方中，一个类别数据对应的参与方模型的模型精度和聚合模型的模型精度越接近，说明该类别数据越能代表整体数据规律，该类别数据在后续联合学习训练中权重应该越大。该权重可以理解为该类别数据在后续联合学习训练中被使用到的次数，或者该类别数据在后续联合学习训练中对参与方模型的影响越大(这种方法是通过增加该类别数据对应的模型参数的权重)。

基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型之后，方法还包括：在每个参与方：测试参与方数据中的每个类别数据对应的参与方模型和聚合模型的模型精度；将参与方模型的模型精度与聚合模型的模型精度的差值超出预设范围所对应的类别数据确定为类别劣质数据，减少类别劣质数据在下次联合学习训练中的权重。

本公开实施例中，参与方模型的模型精度与聚合模型的模型精度的差值超出预设范围，是指参与方模型的模型精度小于聚合模型的模型精度的值超出预设范围。

聚合模型代表的是整体数据规律，参与方模型代表的是该参与方数据的规律。在一个参与方中，一个类别数据对应的参与方模型的模型精度和聚合模型的模型精度相差越大，说明该类别数据越不能代表整体数据规律，该类别数据在后续联合学习训练中权重应该越小。

当训练轮次等于预设总轮次或者聚合模型的模型精度大于预设模型精度时，结束联合学习训练之后，方法还包括：在接收到目标参与方的模型下载要求时，基于模型下载要求对聚合模型进行模型蒸馏处理，得到蒸馏模型；将蒸馏模型下发给目标参与方，以给目标参与方提供检测分类服务。

为了降低目标参与方运行聚合模型的压力，解放目标参与方的设备，本公开实施例可以对聚合模型进行模型蒸馏处理，得到蒸馏模型，使得目标参与方运行蒸馏模型。模型下载要求包括目标参与方运行模型的最佳模型大小。

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基于类别异构数据的联合学习训练装置的示意图。如图3所示，该基于类别异构数据的联合学习训练装置包括：

第一确定模块301，被配置为确定联合学习训练的预设总轮次和预设模型精度；

训练模块302，被配置为分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型，并在每次训练中将训练轮次累计，其中，训练轮次用于表示当前联合学习训练对应的次数，训练轮次初始值为零；

聚合模块303，被配置为基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；

第二确定模块304，被配置为分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从原来的参与方数据中删除；

判断模块305，被配置为根据训练轮次和预设总轮次之间的大小关系或者聚合模型的模型精度和预设模型精度之间的大小关系，判断是否继续联合学习训练。

根据本公开实施例提供的技术方案，确定联合学习训练的预设总轮次和预设模型精度；分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型，并在每次训练中将训练轮次累计，其中，训练轮次用于表示当前联合学习训练对应的次数，训练轮次初始值为零；基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从原来的参与方数据中删除；根据训练轮次和预设总轮次之间的大小关系或者聚合模型的模型精度和预设模型精度之间的大小关系，判断是否继续联合学习训练。采用上述技术手段，可以解决现有技术中，在联合学习中，类别异构数据会妨碍联合学习训练的问题，进而提供一种可以剔除类别异构数据的联合学习训练方法。

可选地，第一确定模块301还被配置为循环执行如下步骤进行联合学习训练：将训练轮次累计，其中，训练轮次用于表示当前联合学习训练对应的次数，训练轮次初始值为零；分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型；基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从原来的参与方数据中删除；当训练轮次等于训练总轮次或者聚合模型的模型精度大于预设模型精度时，结束联合学习训练，当训练轮次小于训练总轮次或者聚合模型的模型精度小于等于预设模型精度时，继续联合学习训练。

每个参与方数据包括多个类别数据，一个类别数据是一类数据，比如在人脸识别中，一个人的所有图片为一个类别数据；又比如设备故障检测中，一种故障为一个类别数据。

比如训练总轮次为10，训练轮次为4(当前联合学习训练是第4次)，应该继续联合学习训练，当训练轮次等于10，结束联合学习训练。

可选地，第一确定模块301还被配置为确定每个参与方对应的参与方模型的模型参数；聚合每个参与方模型的模型参数，得到聚合参数；基于聚合参数确定聚合模型。

聚合每个参与方对应的参与方模型，得到聚合模型，可以是聚合每个参与方对应的参与方模型的模型参数。

可选地，第一确定模块301还被配置为获取每个参与方的参与方数据的数据量；基于每个参与方数据的数据量确定模型聚合中每个参与方模型对应的聚合权重；基于每个参与方模型对应的聚合权重，聚合每个参与方模型，得到聚合模型。

本公开实施例的聚合方法为FedAvg，是根据每个参与方数据的数据量确定每个参与方模型对应的权重，基于每个参与方模型对应的权重，聚合每个参与方模型。当然本公开实施例还可以是对每个参与方模型的模型参数的聚合。此外，聚合方法还可以采用Fedadm、FedProx和SCAFFOLD。

可选地，第一确定模块301还被配置为在每个参与方：测试参与方数据中的每个类别数据对应的参与方模型和聚合模型的模型精度；将参与方模型的模型精度高于聚合模型的模型精度所对应的类别数据确定为类别异构数据，将类别异构数据从参与方数据中删除。

在一个参与方：如果参与方数据没有类别异构数据，由于聚合模型是由多个参与方模型得到的，聚合模型大概率比参与方模型的精度高。如果参与方数据有类别异构数据，由于聚合模型代表的是整体数据规律，参与方模型代表的是该参与方数据的规律，所以类别异构数据对应的参与方模型的模型精度比聚合模型的模型精度高，将类别异构数据从原来的参与方数据中删除，类别异构数据将不再参与后续训练。

举例说明，在某种设备的故障检测中，一种故障的数据为一个类别数据，不属于该种设备的故障的数据为类别异构数据，在训练中，需要将不属于该种设备的故障的数据删除。

可选地，第一确定模块301还被配置为在每个参与方：测试参与方数据中的每个类别数据对应的参与方模型和聚合模型的模型精度；将参与方模型的模型精度与聚合模型的模型精度的差值不超出预设范围所对应的类别数据确定为类别优异数据，增加类别优异数据在下次联合学习训练中的权重。

本公开实施例中，参与方模型的模型精度与聚合模型的模型精度的差值不超出预设范围，是指参与方模型的模型精度小于聚合模型的模型精度预设范围。

聚合模型代表的是整体数据规律，参与方模型代表的是该参与方数据的规律。在一个参与方中，一个类别数据对应的参与方模型的模型精度和聚合模型的模型精度越接近，说明该类别数据越能代表整体数据规律，该类别数据在后续联合学习训练中权重应该越大。该权重可以理解为该类别数据在后续联合学习训练中被使用到的次数，或者该类别数据在后续联合学习训练中对参与方模型的影响越大(这种方法是通过增加该类别数据对应的模型参数的权重)。

可选地，第一确定模块301还被配置为在每个参与方：测试参与方数据中的每个类别数据对应的参与方模型和聚合模型的模型精度；将参与方模型的模型精度与聚合模型的模型精度的差值超出预设范围所对应的类别数据确定为类别劣质数据，减少类别劣质数据在下次联合学习训练中的权重。

本公开实施例中，参与方模型的模型精度与聚合模型的模型精度的差值超出预设范围，是指参与方模型的模型精度小于聚合模型的模型精度的值超出预设范围。

聚合模型代表的是整体数据规律，参与方模型代表的是该参与方数据的规律。在一个参与方中，一个类别数据对应的参与方模型的模型精度和聚合模型的模型精度相差越大，说明该类别数据越不能代表整体数据规律，该类别数据在后续联合学习训练中权重应该越小。

可选地，第一确定模块301还被配置为在接收到目标参与方的模型下载要求时，基于模型下载要求对聚合模型进行模型蒸馏处理，得到蒸馏模型；将蒸馏模型下发给目标参与方，以给目标参与方提供检测分类服务。

为了降低目标参与方运行聚合模型的压力，解放目标参与方的设备，本公开实施例可以对聚合模型进行模型蒸馏处理，得到蒸馏模型，使得目标参与方运行蒸馏模型。模型下载要求包括目标参与方运行模型的最佳模型大小。

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)

1.一种基于类别异构数据的联合学习训练方法，其特征在于，包括：

确定联合学习训练的预设总轮次和预设模型精度；

分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型，并在每次训练中将训练轮次累计，其中，所述训练轮次用于表示当前所述联合学习训练对应的次数，所述训练轮次初始值为零；

基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；

分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于所述聚合模型的模型精度所对应的类别数据确定为类别异构数据，将所述类别异构数据从原来的参与方数据中删除；

根据所述训练轮次和所述预设总轮次之间的大小关系或者所述聚合模型的模型精度和所述预设模型精度之间的大小关系，判断是否继续所述联合学习训练。

2.根据权利要求1所述的方法，其特征在于，所述确定联合学习训练的预设总轮次和预设模型精度之后，所述方法还包括：

循环执行如下步骤进行所述联合学习训练：

分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型，并将训练轮次累计；

基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；

分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于所述聚合模型的模型精度所对应的类别数据确定为类别异构数据，将所述类别异构数据从原来的参与方数据中删除；

当所述训练轮次等于所述预设总轮次或者所述聚合模型的模型精度大于所述预设模型精度时，结束所述联合学习训练，当所述训练轮次小于所述预设总轮次或者所述聚合模型的模型精度小于等于所述预设模型精度时，继续所述联合学习训练。

3.根据权利要求2所述的方法，其特征在于，所述基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型，包括：

确定每个参与方对应的参与方模型的模型参数；

聚合每个参与方模型的模型参数，得到聚合参数；

基于所述聚合参数确定所述聚合模型。

4.根据权利要求2所述的方法，其特征在于，所述基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型，包括：

获取每个参与方的参与方数据的数据量；

基于每个参与方数据的数据量确定所述模型聚合中每个参与方模型对应的聚合权重；

基于每个参与方模型对应的聚合权重，聚合每个参与方模型，得到所述聚合模型。

5.根据权利要求2所述的方法，其特征在于，所述分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于所述聚合模型的模型精度所对应的类别数据确定为类别异构数据，将所述类别异构数据从原来的参与方数据中删除，包括：

在每个参与方：

测试所述参与方数据中的每个类别数据对应的所述参与方模型和所述聚合模型的模型精度；

将所述参与方模型的模型精度高于所述聚合模型的模型精度所对应的类别数据确定为所述类别异构数据，将所述类别异构数据从所述参与方数据中删除。

6.根据权利要求2所述的方法，其特征在于，所述基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型之后，所述方法还包括：

在每个参与方：

测试所述参与方数据中的每个类别数据对应的所述参与方模型和所述聚合模型的模型精度；

将所述参与方模型的模型精度与所述聚合模型的模型精度的差值不超出预设范围所对应的类别数据确定为类别优异数据，增加所述类别优异数据在下次所述联合学习训练中的权重。

7.根据权利要求2所述的方法，其特征在于，所述基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型之后，所述方法还包括：

在每个参与方：

测试所述参与方数据中的每个类别数据对应的所述参与方模型和所述聚合模型的模型精度；

将所述参与方模型的模型精度与所述聚合模型的模型精度的差值超出预设范围所对应的类别数据确定为类别劣质数据，减少所述类别劣质数据在下次所述联合学习训练中的权重。

8.根据权利要求2所述的方法，其特征在于，所述当所述训练轮次等于所述预设总轮次或者所述聚合模型的模型精度大于所述预设模型精度时，结束所述联合学习训练之后，所述方法还包括：

在接收到目标参与方的模型下载要求时，基于所述模型下载要求对所述聚合模型进行模型蒸馏处理，得到蒸馏模型；

将所述蒸馏模型下发给所述目标参与方，以给所述目标参与方提供检测分类服务。

9.一种基于类别异构数据的联合学习训练装置，其特征在于，包括：

第一确定模块，被配置为确定联合学习训练的预设总轮次和预设模型精度；

训练模块，被配置为分别利用每个参与方的参与方数据对神经网络模型进行训练，得到每个参与方对应的参与方模型，并在每次训练中将训练轮次累计，其中，所述训练轮次用于表示当前所述联合学习训练对应的次数，所述训练轮次初始值为零；

聚合模块，被配置为基于每个参与方对应的参与方模型，通过模型聚合的方式得到聚合模型；

第二确定模块，被配置为分别测试每个参与方数据中的每个类别数据对应的每个参与方模型和聚合模型的模型精度，将参与方模型的模型精度高于所述聚合模型的模型精度所对应的类别数据确定为类别异构数据，将所述类别异构数据从原来的参与方数据中删除；

判断模块，被配置为根据所述训练轮次和所述预设总轮次之间的大小关系或者所述聚合模型的模型精度和所述预设模型精度之间的大小关系，判断是否继续所述联合学习训练。

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8中任一项所述方法的步骤。

Images