CN115017548B - 数据定价方法、装置及相关设备 - Google Patents
数据定价方法、装置及相关设备 Download PDFInfo
- Publication number
- CN115017548B CN115017548B CN202210930181.2A CN202210930181A CN115017548B CN 115017548 B CN115017548 B CN 115017548B CN 202210930181 A CN202210930181 A CN 202210930181A CN 115017548 B CN115017548 B CN 115017548B
- Authority
- CN
- China
- Prior art keywords
- data
- global
- parameters
- user
- quality model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 80
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据定价方法、装置、计算机设备及存储介质，所述方法包括：中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者；数据拥有者采用本地数据和全局参数对全局数据质量模型进行训练，并根据得到的训练结果更新内部参数；数据拥有者对更新后得到的内部参数进行随机扰动处理，得到隐私参数，并将隐私参数传送给中间平台；中间平台根据接收到的所有隐私参数，更新所全局数据质量模型；中间平台根据更新后的全局数据质量模型和预设定价方式，确定数据提供者对应的收益函数和用户对应的收益函数；中间平台对数据提供者对应的收益函数和用户对应的收益函数进行博弈处理，得到博弈定价结果，采用本发明提高数据定价的公平性。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种数据定价方法、装置、计算机设备及存储介质。
背景技术
近年来，发展迅速的机器学习和深度学习需要大量的数据进行训练以提高测试精度，但是由于数据收集困难，导致训练精度无法提升，因此，数据需求者需要一个渠道来获得大量且可靠的数据。基于上述需求，Oliveira AC等人提出了数据即服务（DaaS）的概念。在DaaS中，数据被认为是一种商品。因此，可将数据视作商品进行交易买卖，建立一个有效的数据交易市场，目前常用的是获取物联网设备中的数据作为商品。虽然随着物联网的发展，基于IoT的智慧世界系统发展迅速，来自各种设备的数据呈爆发式增长，但上述数据存在“数据孤岛”的问题，即不同的企业甚至同个企业的不同部门之间的数据难以流通。使得难以将数据以合理的价格销售，数据定价的公平性低，从而导致数据拥有者的收益难以最大化，同时增加了维护和存储数据的成本。此外，现有基于中间代理的双边买卖数据交易市场依赖开放的网络环境传输决策、价格等敏感信息，由于市场易遭受多样化攻击，从而造成用户隐私泄露，导致对数据定价的公平性和安全性较低。
因此，现有的数据即服务模式中，存在数据定价公平性低的问题。
发明内容
本发明实施例提供一种数据定价方法、装置、计算机设备和存储介质，以提高数据定价的公平性。
为了解决上述技术问题，本申请实施例提供一种数据定价方法，包括：
中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者，其中，所述全局参数通过所述中间平台训练所述全局数据质量模型得到。
所述数据拥有者在接收到所述全局数据质量模型和所述全局参数后，采用本地数据和所述全局参数对所述全局数据质量模型进行训练，并根据得到的训练结果更新内部参数。
所述数据拥有者采用预设差分隐私算法对更新后得到的所述内部参数进行随机扰动处理，得到隐私参数，并将所述隐私参数传送给所述中间平台。
所述中间平台接收所述数据拥有者发送的所述隐私参数，并根据接收到的所有所述隐私参数，更新所述全局数据质量模型。
所述中间平台计算所述全局数据质量模型的收敛值，并判断所述收敛值是否达到预设值，其中，若所述收敛值未达到预设值，则返回所述中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者的步骤继续执行，直到所述收敛值达到预设值。
所述中间平台根据更新后的全局数据质量模型和预设定价方式，确定数据提供者对应的收益函数和用户对应的收益函数，其中，所述数据提供者是指用于提供数据的数据拥有者。
所述中间平台根据斯塔克尔伯格模型，对所述数据提供者对应的收益函数和所述用户对应的收益函数进行博弈处理，得到博弈定价结果。
为了解决上述技术问题，本申请实施例还提供一种数据定价装置，包括：
传输模块，用于中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者，其中，所述全局参数通过所述中间平台训练所述全局数据质量模型得到。
第一更新模块，用于所述数据拥有者在接收到所述全局数据质量模型和所述全局参数后，采用本地数据和所述全局参数对所述全局数据质量模型进行训练，并根据得到的训练结果更新内部参数。
隐私参数获取模块，用于所述数据拥有者采用预设差分隐私算法对更新后得到的所述内部参数进行随机扰动处理，得到隐私参数，并将所述隐私参数传送给所述中间平台。
第二更新模块，用于所述中间平台接收所述数据拥有者发送的所述隐私参数，并根据接收到的所有所述隐私参数，更新所述全局数据质量模型。
判断模块，用于所述中间平台计算所述全局数据质量模型的收敛值，并判断所述收敛值是否达到预设值，其中，若所述收敛值未达到预设值，则返回所述中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者的步骤继续执行，直到所述收敛值达到预设值。
收益函数确定模块，用于所述中间平台根据更新后的全局数据质量模型和预设定价方式，确定数据提供者对应的收益函数和用户对应的收益函数，其中，所述数据提供者是指用于提供数据的数据拥有者。
博弈模块，用于所述中间平台根据斯塔克尔伯格模型，对所述数据提供者对应的收益函数和所述用户对应的收益函数进行博弈处理，得到博弈定价结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述数据定价方法的步骤。
为了解决上述技术问题，本申请实施例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存储有计算机程序，所述计算机程序被处理器执行时实现上述数据定价方法的步骤。
本发明实施例提供的数据定价方法、装置、计算机设备及存储介质，通过中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者，数据拥有者在接收到全局数据质量模型和全局参数后，采用本地数据和全局参数对全局数据质量模型进行训练，并根据得到的训练结果更新内部参数。数据拥有者采用预设差分隐私算法对更新后得到的内部参数进行随机扰动处理，得到隐私参数，并将隐私参数传送给中间平台。中间平台接收数据拥有者发送的隐私参数，并根据接收到的所有隐私参数，更新全局数据质量模型。中间平台根据更新后的全局数据质量模型和预设定价方式，确定数据提供者对应的收益函数和用户对应的收益函数，其中，数据提供者是指用于提供数据的数据拥有者。中间平台根据斯塔克尔伯格模型，对数据提供者对应的收益函数和用户对应的收益函数进行博弈处理，得到博弈定价结果。本发明利用联邦学习，使中间平台无须获取各数据拥有者的原始数据就可进行特征提取，得到数据质量模型。结合预设差分隐私算法，协调了对数据的隐私保护和数据效用，在防止数据定价时数据拥有者的内部参数泄露的前提下，提高了数据定价的公平性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的数据定价方法的一个实施例的流程图；
图2是根据本申请的数据定价装置的一个实施例的结构示意图；
图3是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
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前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1示出本发明实施例提供的一种数据定价方法，详述如下：
S101、中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者，其中，全局参数通过中间平台训练全局数据质量模型得到。
对于步骤S101，上述中间平台包括但不限于第三方平台、服务器。
应理解，中间平台是一个用于代理数据拥有者和用户双边买卖数据交易的平台。该中间平台根据具体实际情况进行调整。
上述数据拥有者是指拥有数据一方。用户是指需要购买数据一方。例如，在物联网中，设备数据拥有者即为数据拥有者，需要购买设备数据一方即为用户。应理解，数据拥有者跟用户不是完全对立的。例如，某一个企业本身拥有数据，此时该企业为数据拥有者，当该企业需向其他企业购买数据时，则该企业即为用户。
上述全局数据质量模型是指中间平台上用于衡量数据拥有者数据质量的模型。应理解，数据质量的优劣，对用户购买的意愿具有直接影响。为量化数据价值，便于构建定价模型，中间平台可通过对数据拥有者传送过来的参数进行训练，从而量化数据价值，得到全局数据质量模型。
此处需要说明的是，中间平台利用公开数据集预先训练一个全局数据质量模型，得到一个初始化全局参数，将该全局数据质量模型和初始化全局参数传送给数据拥有者。也就是说，当中间平台尚未有全局数据质量模型时，本步骤中的全局数据质量模型为预训练的全局数据质量模型，该全局参数为初始化全局参数。当中间平台已存在全局数据质量模型时，则本步骤中的全局数据质量模型则为该全局数据质量模型。
本申请采用联邦学习，使中间平台无须获取各数据拥有者的原始数据既对数据拥有者的参数进行训练得到全局数据质量模型，保证了数据的安全性。
S102、数据拥有者在接收到全局数据质量模型和全局参数后，采用本地数据和全局参数对全局数据质量模型进行训练，并根据得到的训练结果更新内部参数。
在步骤S102中，上述内部参数包括但不限于本地数据、价格信息、数据特征、本地参数信息、本地梯度信息。
通过接收到全局数据质量模型和全局参数，数据拥有者对内部参数进行更新处理，以便于中间平台根据更新处理完的内部参数与用户进行博弈定价。通过联邦学习，保证了数据拥有者内部数据的安全性。
S103、数据拥有者采用预设差分隐私算法对更新后得到的内部参数进行随机扰动处理，得到隐私参数，并将隐私参数传送给中间平台。
在步骤S103中，上述随机扰动处理是指对内部参数添加噪声扰动，使得内部参数在保持可用性的同时得到保护。
应理解，若未进行随机扰动，则中间平台和攻击者能够利用更新的内部参数发起重建攻击或推断攻击，此外，由于所得的模型参数的维度通常较高, 直接发送本地扰动参数给中间平台将带来巨大的通信量。同时，引入大量的噪声, 导致后续定价模型的准确度低。
上述预设差分隐私算法包括但不限于随机扰动维度，随机扰动梯度信息。
上述隐私参数是指经过随机扰动处理后得到的参数。
通过对更新后得到的内部参数进行随机扰动处理，可提高后续定价模型的准确率。
S104、中间平台接收数据拥有者发送的隐私参数，并根据接收到的所有隐私参数，更新全局数据质量模型。
在步骤S104中，其具体是，中间平台接收参与联邦学习的所有数据拥有者发送的隐私参数，并根据隐私参数对全局数据质量模型进行新一轮训练，并根据训练得到的结果更新该全局数据质量模型。
通过更新全局数据质量模型，可提高全局数据质量模型的准确度，从而保证后续数据定价的公平性。
S105、中间平台计算全局数据质量模型的收敛值，并判断收敛值是否达到预设值，其中，若收敛值未达到预设值，则返回中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者的步骤继续执行，直到收敛值达到预设值。
应理解，中间平台通过与数据拥有者进行交互，不断迭代数据拥有者的内部参数和更新全局数据质量模型，直到该模型达到收敛，得到了全局数据质量模型。
通过更新全局数据质量模型，可提高全局数据质量模型的准确度，从而保证后续数据定价的公平性。
S106、中间平台根据更新后的全局数据质量模型和预设定价方式，确定数据提供者对应的收益函数和用户对应的收益函数，其中，数据提供者是指用于提供数据的数据拥有者。
在步骤S106中，上述预设定价方式是指用于确定数据提供者对数据的卖出价格和用户对数据的买入价格的一种定价方式。应理解，该预设定价方式可为基于历史数据确定数据提供者对应的收益函数和用户对应的收益函数，并根据该数据提供者对应的收益函数和用户对应的收益函数进行定价。或该预设定价方式可为通过全局数据质量模型来确定数据提供者的数据的数据质量，根据数据质量的计算结果选择与该计算结果映射数据提供者的收益函数，并基于该数据提供者的收益函数对用户的收益进行衡量。本申请对预设定价方式不作具体限制。
通过中间平台根据更新后的全局数据质量模型和预设定价方式，确定数据提供者对应的收益函数和用户对应的收益函数，基于两者的收益函数，可确定定价模型，并根据定价模型指定出最佳定价，以确保数据定价的公平性。
S107、中间平台根据斯塔克尔伯格模型，对数据提供者对应的收益函数和用户对应的收益函数进行博弈处理，得到博弈定价结果。
在步骤S107中，上述斯塔克尔伯格模型是指将定价问题视为两阶段Stackelberg博弈（斯塔克尔伯格博弈），数据提供者，即领导者，在第一阶段中决定数据价格；用户，即跟随者，根据用户设定的价格，决定最佳需求。
通过博弈处理，使得用户采取最佳相应，当数据提供者的负收益最小化时，则该博弈处于Stackelberg均衡。
在本实施例中，通过联邦学习，使中间平台无须获取各数据拥有者的原始数据就可进行特征提取，得到数据质量模型。结合预设差分隐私算法，协调了对数据的隐私保护和数据效用，在防止数据定价时数据拥有者的内部参数泄露的前提下，提高了数据定价的公平性。
在本实施例的一些可选的实现方式中，步骤S102包括：
数据拥有者在接收到全局数据质量模型和全局参数后，采用本地数据和全局参数对全局数据质量模型进行训练，并根据得到的训练结果更新内部参数中的本地参数信息和本地梯度信息。
对本地数据进行特征提取，得到数据特征，其中，数据拥有者还包含价格信息。
将本地数据、价格信息、数据特征、本地参数信息和本地梯度信息作为数据拥有者的内部参数。
具体地，数据拥有者i拥有参与定价的相关信息为本地数据Di（x，y）（其中x为输入特征，y为标签）、数据价格Pi。数据拥有者i（i∈N）在接收到全局数据质量模型和全局参数后，根据全局数据质量模型qpre和本地数据Di（x）提取所需数据特征ex，并利用本地数据Di（x，y）对全局数据质量模型
进行第t+1轮训练，得到第t+1轮更新的本地参数信息
和本地梯度信息
；其中，本地数据Di（x，y），数据价格Pi、数据特征ex、本地参数信息
和本地梯度信息
为数据拥有者的内部参数。
在本实施例中，数据拥有者在接收到全局数据质量模型和全局参数后，可提高全局数据质量模型的准确度，从而保证后续数据定价的公平性。
在本实施例的一些可选的实现方式中，步骤S103包括：
基于预设的编码方式，对更新后得到的内部参数进行编码处理，得到编码信息。
基于编码信息，确定随机数范围。
在随机数范围之内，数据拥有者采用预设差分隐私算法对内部参数进行随机扰动处理，得到隐私参数，并将隐私参数传送给中间平台。
具体地，上述预设的编码方式是指将内部参数转变成二进制编码的方式。
对更新后得到的内部参数进行二进制编码处理，得到编码信息。基于编码信息，确定提取的特征个数，进而确定随机数范围，在随机数范围之内，数据拥有者采用预设差分隐私算法对内部参数进行随机扰动处理，将得到的最佳扰动结果作为隐私参数，并将隐私参数传送给中间平台。
例如，数据拥有者对数据特征进行随机扰动处理，得到数据特征对应的扰动参数，数据拥有者对本地参数信息进行随机扰动处理，得到本地参数信息对应的扰动参数。也就是说，内部参数与隐私参数是一一对应的关系。
在二进制编码中，将数据拥有者的内部参数Vpar转换为一个h位的向量v，第i位为符号位，该符号位是指小数点，前k位为整数部分，分数部分为后h-(k+1)位。如，当h=20，i=5时，则k=i-1=4，即数据拥有者的内部参数被转换为一个20位的向量v，该向量v的第5位为符号位，前4位为向量v的整数部分，第6位开始为分数部分。
在确定随机数范围中，确定提取该内部参数的特征个数t，则可用t·h位长的Vpar表示编码所有提取特征。此处需要说明的是，当内部参数为数据特征时，则Vpar为Vex。Par可用于替代内部参数的字符。
根据提取的特征个数t和该内部参数转成二进制后的位数h可知，两者之差最多为t·h位，因此，随机扰动的灵敏度最大可为t·h；由于过高的敏感度将导致过多扰动,破坏原始数据的分布，需引入隐私预算系数α，用来灵活调整’0’扰动为’1’的概率，此外，编码后的bit也会对数据效用产生影响，所以引入
使得能自适应调整bit的随机化概率。
以数据特征ex为例，按照如下公式（1）将数据特征ex转化成二进制形式，得到编码信息：
其中，vi是指数据特征ex转化后得到的二进制向量，也就是得到的编码信息，i为符号位，k为整数部分，分数部位为后h-(k+1)位，ex为数据特征，mod是指模运算，此处为模2运算。
进一步地，按照如下公式（2）得到数据特征ex对应的隐私参数：
其中，
是指对数据特征ex进行随机扰动处理得到的最佳扰动结果，p、q都是对于“0”、“1”位的扰动概率，具体而言，p是当前位为“1”时，将其扰动为“1”的概率；q则是当前位为“0”时，将其扰动为“1”的概率。Vex′是被随机编码扰动后的Vex。ε为隐私预算，用来调整对原始信息的隐私保护程度，
。
为随机化概率，α为隐私预算系数。
应理解，针对数据价格Pi、本地参数信息
和本地梯度信息
同样可执行上述公式（1），此处不再赘述。
在本实施例中，通过上述过程，结合预设差分隐私算法，协调了对数据的隐私保护和数据效用，在防止数据定价时数据拥有者的内部参数泄露的前提下，提高了数据定价的公平性。
在本实施例的一些可选的实现方式中，步骤S106包括：
S601、中间平台获取用户在数据提供者中的单位价格信息、购买力指数，数据提供者对用户的数据维护成本。
S602、基于更新后的全局数据质量模型，对单位价格信息和购买力指数进行收益计算，确定用户对应的收益函数。
S603、基于更新后的全局数据质量模型，对单位价格信息和数据维护成本进行收益计算，确定数据提供者对应的收益函数。
此处需要说明的是，数据产品方面会有各种各样的质量,用户对数据的质量要求不同，得到数据效用也不一样。上述训练得到的全局数据质量模型被用来定义数据效用。
当用户进行数据分析服务时，用户j对数据拥有者i的数据需求量很大程度会影响分类的准确率和满意度，因此，确定用户对应的收益函数时，需考虑数据需求量。
在步骤S601中，上述购买力指数也称R指数，R指数是指某个数据提供者的数据至少有R条被购买R次，也就是数据提供者的数据引用指数为R，简称“R指数”。R指数越大，说明被购买次数越多，数据权威性越大，数据质量越好，数据价值越高。
在步骤S602中，通过以下公式（3）确定用户对应的收益函数：
其中，i是指第i个数据提供者，j是指第j个用户，
是指用户j对数据提供者i的数据需求量，
是指用户j在数据提供者i中的单位价格信息，R是指购买力指数，
是指用户j的数据质量模型，β1和β2为曲线拟合参数，CUj是指用户j对应的收益函数。
在步骤S603中，通过以下公式（4）确定数据提供者对应的收益函数：
其中，i是指第i个数据提供者，n是指数据提供者的总数，j是指第j个用户，s是指第s个用户，M是指用户的总数，
是指用户j对数据提供者i的数据需求量，
是指用户j在数据提供者i中的单位价格信息,
是指用户s在数据提供者i中的单位价格信息，
是指用户j在数据提供者i中的数据维护成本，
是指用户j的数据质量模型，
是指用户s的数据质量模型。
应理解，数据提供者的所获取的收益是由售卖数据的收入减去维护数据的成本构成，为匹配不同用户的需求和偏好，数据提供者会制定不同的价格使得最终的收益最大化，并且价格和偏好的不同又会影响用户的购买力，数据质量越好，说明所需数据价值越高，数据提供者的价格设定也会相应增加，用户的购买力也会发生变化，
则用于衡量用户购买力。
在本实施例中，通过确定数据提供者对应的收益函数和用户对应的收益函数，基于两者的收益函数，可确定定价模型，并根据定价模型指定出最佳定价，以确保数据定价的公平性。
在本实施例的一些可选的实现方式中，步骤S107包括：
S701、基于数据提供者对应的收益函数，确定数据提供者对应的子博弈结果。
S702、基于用户对应的收益函数，确定用户对应的子博弈结果。
S703、基于斯塔克尔伯格模型，对数据提供者对应的子博弈结果和用户对应的子博弈结果构成斯塔克尔伯格博弈均衡，得到博弈定价结果，其中，当数据提供者的负收益满足预设收益时，将得到的需求结果和定价结果作为博弈定价结果。
在步骤S701中，数据提供者对应的子博弈结果是指数据提供者对应的收益函数利益从大到小的结果。
在步骤S702中，用户对应的子博弈结果是指用户对应的收益函数利益从大到小的结果。
在步骤S703中，将数据提供者对应的子博弈结果和用户对应的子博弈结果构成斯塔克尔伯格博弈，通过博弈处理，使得用户采取最佳相应，当数据提供者的负收益最小化时，则该博弈处于斯塔克尔伯格均衡（Stackelberg）均衡，并将博弈结果的最佳需求和最佳定价反馈给数据提供者和用户。
在本实施例中，通过斯塔克尔伯格模型，协调了对数据的隐私保护和数据效用，在防止数据定价时数据拥有者的内部参数泄露的前提下，提高了数据定价的公平性。
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，而不应对本发明实施例的实施过程构成任何限定。
图2示出与上述实施例数据定价方法一一对应的数据定价装置的原理框图。如图2所示，该数据定价装置包括传输模块21、第一更新模块22、隐私参数获取模块23、第二更新模块24、判断模块25、收益函数确定模块26和博弈模块27。各功能模块详细说明如下：
传输模块21，用于中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者，其中，全局参数通过中间平台训练全局数据质量模型得到。
第一更新模块22，用于数据拥有者在接收到全局数据质量模型和全局参数后，采用本地数据和全局参数对全局数据质量模型进行训练，并根据得到的训练结果更新内部参数。
隐私参数获取模块23，用于数据拥有者采用预设差分隐私算法对更新后得到的内部参数进行随机扰动处理，得到隐私参数，并将隐私参数传送给中间平台。
第二更新模块24，用于中间平台接收数据拥有者发送的隐私参数，并根据接收到的所有隐私参数，更新全局数据质量模型。
判断模块25，用于中间平台计算全局数据质量模型的收敛值，并判断收敛值是否达到预设值，其中，若收敛值未达到预设值，则返回中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者的步骤继续执行，直到收敛值达到预设值。
收益函数确定模块26，用于中间平台根据更新后的全局数据质量模型和预设定价方式，确定数据提供者对应的收益函数和用户对应的收益函数，其中，数据提供者是指用于提供数据的数据拥有者。
博弈模块27，用于中间平台根据斯塔克尔伯格模型，对数据提供者对应的收益函数和用户对应的收益函数进行博弈处理，得到博弈定价结果。
可选地，第一更新模块22包括：
更新单元，用于数据拥有者在接收到全局数据质量模型和全局参数后，采用本地数据和全局参数对全局数据质量模型进行训练，并根据得到的训练结果更新内部参数中的本地参数信息和本地梯度信息。
特征提取单元，用于对本地数据进行特征提取，得到数据特征，其中，数据拥有者还包含价格信息。
内部参数确定单元，用于将本地数据、价格信息、数据特征、本地参数信息和本地梯度信息作为数据拥有者的内部参数。
可选地，隐私参数获取模块23包括：
编码单元，用于基于预设的编码方式，对更新后得到的内部参数进行编码处理，得到编码信息。
随机数范围确定单元，用于基于编码信息，确定随机数范围。
隐私参数获取单元，用于在随机数范围之内，数据拥有者采用预设差分隐私算法对内部参数进行随机扰动处理，得到隐私参数，并将隐私参数传送给中间平台。
可选地，收益函数确定模块26包括：
数据获取单元，用于中间平台获取用户在数据提供者中的单位价格信息、购买力指数，数据提供者对用户的数据维护成本。
第一收益函数确定单元，用于基于更新后的全局数据质量模型，对单位价格信息和购买力指数进行收益计算，确定用户对应的收益函数。
第二收益函数确定单元，用于基于更新后的全局数据质量模型，对单位价格信息和数据维护成本进行收益计算，确定数据提供者对应的收益函数。
可选地，第一收益函数确定单元包括：
通过以下公式确定用户对应的收益函数：
其中，i是指第i个数据提供者，j是指第j个用户，
是指用户j对数据提供者i的数据需求量，
是指用户j在数据提供者i中的单位价格信息，R是指购买力指数，
是指用户j的数据质量模型，β1和β2为曲线拟合参数，CUj是指用户j对应的收益函数。
可选地，第二收益函数确定单元包括：
通过以下公式确定数据提供者对应的收益函数：
其中，i是指第i个数据提供者，n是指数据提供者的总数，j是指第j个用户，s是指第s个用户，M是指用户的总数，
是指用户j对数据提供者i的数据需求量，
是指用户j在数据提供者i中的单位价格信息,
是指用户s在数据提供者i中的单位价格信息，是
指用户j在数据提供者i中的数据维护成本，
是指用户j的数据质量模型，
是指用户s的数据质量模型。
可选地，博弈模块27包括：
第一子博弈结果获取单元，用于基于数据提供者对应的收益函数，确定数据提供者对应的子博弈结果。
第二子博弈结果获取单元，用于基于用户对应的收益函数，确定用户对应的子博弈结果。
博弈单元，用于基于斯塔克尔伯格模型，对数据提供者对应的子博弈结果和用户对应的子博弈结果构成斯塔克尔伯格博弈均衡，得到博弈定价结果，其中，当数据提供者的负收益满足预设收益时，将得到的需求结果和定价结果作为博弈定价结果。
关于数据定价装置的具体限定可以参见上文中对于数据定价方法的限定，在此不再赘述。上述数据定价装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图3，图3为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或D界面显示存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备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。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供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界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的数据定价方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (9)
1.一种数据定价方法，其特征在于，所述数据定价方法包括：
中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者，其中，所述全局参数通过所述中间平台训练所述全局数据质量模型得到；
所述数据拥有者在接收到所述全局数据质量模型和所述全局参数后，采用本地数据和所述全局参数对所述全局数据质量模型进行训练，并根据得到的训练结果更新内部参数；
所述数据拥有者采用预设差分隐私算法对更新后得到的所述内部参数进行随机扰动处理，得到隐私参数，并将所述隐私参数传送给所述中间平台；
所述中间平台接收所述数据拥有者发送的所述隐私参数，并根据接收到的所有所述隐私参数，更新所述全局数据质量模型；
所述中间平台计算所述全局数据质量模型的收敛值，并判断所述收敛值是否达到预设值，其中，若所述收敛值未达到预设值，则返回所述中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者的步骤继续执行，直到所述收敛值达到预设值；
所述中间平台根据更新后的全局数据质量模型和预设定价方式，确定数据提供者对应的收益函数和用户对应的收益函数，其中，所述数据提供者是指用于提供数据的数据拥有者；
所述中间平台根据斯塔克尔伯格模型，对所述数据提供者对应的收益函数和所述用户对应的收益函数进行博弈处理，得到博弈定价结果；
其中，所述数据拥有者采用预设差分隐私算法对更新后得到的所述内部参数进行随机扰动处理，得到隐私参数，并将所述隐私参数传送给所述中间平台的步骤包括：
基于预设的编码方式，对更新后得到的所述内部参数进行编码处理，得到编码信息；
基于所述编码信息，确定随机数范围；
在所述随机数范围之内，所述数据拥有者采用预设差分隐私算法对所述内部参数进行随机扰动处理，得到隐私参数，并将所述隐私参数传送给所述中间平台。
2.如权利要求1所述的数据定价方法，其特征在于，所述数据拥有者在接收到所述全局数据质量模型和所述全局参数后，采用本地数据和所述全局参数对所述全局数据质量模型进行训练，并根据得到的训练结果更新内部参数的步骤包括：
所述数据拥有者在接收到所述全局数据质量模型和所述全局参数后，采用本地数据和所述全局参数对所述全局数据质量模型进行训练，并根据得到的训练结果更新内部参数中的本地参数信息和本地梯度信息；
对本地数据进行特征提取，得到数据特征，其中，所述数据拥有者还包含价格信息；
将所述本地数据、所述价格信息、所述数据特征、所述本地参数信息和所述本地梯度信息作为所述数据拥有者的内部参数。
3.如权利要求1所述的数据定价方法，其特征在于，所述中间平台根据更新后的全局数据质量模型和预设定价方式，确定数据提供者对应的收益函数和用户对应的收益函数的步骤包括：
所述中间平台获取用户在数据提供者中的单位价格信息、购买力指数，所述数据提供者对所述用户的数据维护成本；
基于更新后的全局数据质量模型，对所述单位价格信息和所述购买力指数进行收益计算，确定所述用户对应的收益函数；
基于所述更新后的全局数据质量模型，对所述单位价格信息和所述数据维护成本进行收益计算，确定所述数据提供者对应的收益函数。
4.如权利要求3所述的数据定价方法，其特征在于，所述基于更新后的全局数据质量模型，对所述单位价格信息和所述购买力指数进行收益计算，确定所述用户对应的收益函数包括：
通过以下公式确定所述用户对应的收益函数：
其中，i是指第i个数据提供者，j是指第j个用户，
是指用户j对数据提供者i的数据需求量，
是指用户j在数据提供者i中的单位价格信息，R是指购买力指数，
是指用户j的数据质量模型，β1和β2为曲线拟合参数，CUj是指用户j对应的收益函数。
5.如权利要求3所述的数据定价方法，其特征在于，所述基于所述更新后的全局数据质量模型，对所述单位价格信息和所述数据维护成本进行收益计算，确定所述数据提供者对应的收益函数包括：
通过以下公式确定所述数据提供者对应的收益函数：
其中，i是指第i个数据提供者，n是指数据提供者的总数，j是指第j个用户，s是指第s个用户，M是指用户的总数，
是指用户j对数据提供者i的数据需求量，
是指用户j在数据提供者i中的单位价格信息,
是指用户s在数据提供者i中的单位价格信息，
是指用户j在数据提供者i中的数据维护成本，
是指用户j的数据质量模型，
是指用户s的数据质量模型。
6.如权利要求3所述的数据定价方法，其特征在于，所述中间平台根据斯塔克尔伯格模型，对所述数据提供者对应的收益函数和所述用户对应的收益函数进行博弈处理，得到博弈结果包括：
基于所述数据提供者对应的收益函数，确定所述数据提供者对应的子博弈结果；
基于所述用户对应的收益函数，确定所述用户对应的子博弈结果；
基于斯塔克尔伯格模型，对所述数据提供者对应的子博弈结果和所述用户对应的子博弈结果构成斯塔克尔伯格博弈均衡，得到博弈定价结果，其中，当所述数据提供者的负收益满足预设收益时，将得到的需求结果和定价结果作为所述博弈定价结果。
7.一种数据定价装置，其特征在于，所述数据定价装置包括：
传输模块，用于中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者，其中，所述全局参数通过所述中间平台训练所述全局数据质量模型得到；
第一更新模块，用于所述数据拥有者在接收到所述全局数据质量模型和所述全局参数后，采用本地数据和所述全局参数对所述全局数据质量模型进行训练，并根据得到的训练结果更新内部参数；
隐私参数获取模块，用于所述数据拥有者采用预设差分隐私算法对更新后得到的所述内部参数进行随机扰动处理，得到隐私参数，并将所述隐私参数传送给所述中间平台；
第二更新模块，用于所述中间平台接收所述数据拥有者发送的所述隐私参数，并根据接收到的所有所述隐私参数，更新所述全局数据质量模型；
判断模块，用于所述中间平台计算所述全局数据质量模型的收敛值，并判断所述收敛值是否达到预设值，其中，若所述收敛值未达到预设值，则返回所述中间平台将全局数据质量模型和全局参数传送给至少两个数据拥有者的步骤继续执行，直到所述收敛值达到预设值；
收益函数确定模块，用于所述中间平台根据更新后的全局数据质量模型和预设定价方式，确定数据提供者对应的收益函数和用户对应的收益函数，其中，所述数据提供者是指用于提供数据的数据拥有者；
博弈模块，用于所述中间平台根据斯塔克尔伯格模型，对所述数据提供者对应的收益函数和所述用户对应的收益函数进行博弈处理，得到博弈定价结果；
其中，所述隐私参数获取模块包括：
编码单元，用于基于预设的编码方式，对更新后得到的所述内部参数进行编码处理，得到编码信息；
随机数范围确定单元，用于基于所述编码信息，确定随机数范围；
隐私参数获取单元，用于在所述随机数范围之内，所述数据拥有者采用预设差分隐私算法对所述内部参数进行随机扰动处理，得到隐私参数，并将所述隐私参数传送给所述中间平台。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的数据定价方法。
9.一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6任一项所述的数据定价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210930181.2A CN115017548B (zh) | 2022-08-04 | 2022-08-04 | 数据定价方法、装置及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210930181.2A CN115017548B (zh) | 2022-08-04 | 2022-08-04 | 数据定价方法、装置及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115017548A CN115017548A (zh) | 2022-09-06 |
| CN115017548B true CN115017548B (zh) | 2022-11-08 |
Family
ID=83065311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210930181.2A Active CN115017548B (zh) | 2022-08-04 | 2022-08-04 | 数据定价方法、装置及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115017548B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116341014B (zh) * | 2023-05-29 | 2023-08-29 | 之江实验室 | 一种多方联邦隐私数据资源交互方法、装置和介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198009A (zh) * | 2018-03-07 | 2018-06-22 | 四川大学 | 一种优质电力定价模型构建方法 |
| CN110706018A (zh) * | 2019-08-30 | 2020-01-17 | 四川大学 | 一种平衡共赢的数据资产定价机制 |
| CN111046433A (zh) * | 2019-12-13 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
| CN111340212A (zh) * | 2020-02-19 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 一种数据联盟的信誉度确定方法及装置 |
| CN112132639A (zh) * | 2020-10-23 | 2020-12-25 | 中国科学院计算技术研究所 | 一种数据集的基于机器学习的动态定价方法 |
| CN112688335A (zh) * | 2021-01-13 | 2021-04-20 | 贵州电网有限责任公司 | 一种基于博弈均衡的实时需求响应建模方法 |
| CN112767021A (zh) * | 2021-01-13 | 2021-05-07 | 南京航空航天大学 | 一种基于区块链的共享汽车数据市场的数据定价方法 |
| CN112906903A (zh) * | 2021-01-11 | 2021-06-04 | 北京源堡科技有限公司 | 网络安全风险预测方法、装置、存储介质及计算机设备 |
| CN113204795A (zh) * | 2021-07-07 | 2021-08-03 | 数据堂（北京）科技股份有限公司 | 基于联邦数据及联邦服务的数据共享方法及装置 |
| CN113591145A (zh) * | 2021-07-28 | 2021-11-02 | 西安电子科技大学 | 基于差分隐私和量化的联邦学习全局模型训练方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492420B (zh) * | 2018-12-28 | 2021-07-20 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、终端、系统及介质 |
| EP3798934A1 (en) * | 2019-09-27 | 2021-03-31 | Siemens Healthcare GmbH | Method and system for scalable and decentralized incremental machine learning which protects data privacy |
-
2022
- 2022-08-04 CN CN202210930181.2A patent/CN115017548B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198009A (zh) * | 2018-03-07 | 2018-06-22 | 四川大学 | 一种优质电力定价模型构建方法 |
| CN110706018A (zh) * | 2019-08-30 | 2020-01-17 | 四川大学 | 一种平衡共赢的数据资产定价机制 |
| CN111046433A (zh) * | 2019-12-13 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
| CN111340212A (zh) * | 2020-02-19 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 一种数据联盟的信誉度确定方法及装置 |
| CN112132639A (zh) * | 2020-10-23 | 2020-12-25 | 中国科学院计算技术研究所 | 一种数据集的基于机器学习的动态定价方法 |
| CN112906903A (zh) * | 2021-01-11 | 2021-06-04 | 北京源堡科技有限公司 | 网络安全风险预测方法、装置、存储介质及计算机设备 |
| CN112688335A (zh) * | 2021-01-13 | 2021-04-20 | 贵州电网有限责任公司 | 一种基于博弈均衡的实时需求响应建模方法 |
| CN112767021A (zh) * | 2021-01-13 | 2021-05-07 | 南京航空航天大学 | 一种基于区块链的共享汽车数据市场的数据定价方法 |
| CN113204795A (zh) * | 2021-07-07 | 2021-08-03 | 数据堂（北京）科技股份有限公司 | 基于联邦数据及联邦服务的数据共享方法及装置 |
| CN113591145A (zh) * | 2021-07-28 | 2021-11-02 | 西安电子科技大学 | 基于差分隐私和量化的联邦学习全局模型训练方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据质量评估的公平联邦学习方案;杨秀清等;《计算机与数字工程》;20220620;第1278-1285页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115017548A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107730389A (zh) | 电子装置、保险产品推荐方法及计算机可读存储介质 | |
| CN110796477A (zh) | 广告展示方法、装置、电子设备及可读存储介质 | |
| CN110349004A (zh) | 基于用户节点关系网络的欺诈风险侦测方法及装置 | |
| CN106469196A (zh) | 数据处理方法及其装置、投保方法及其投保系统 | |
| CN110837653B (zh) | 标签预测方法、装置以及计算机可读存储介质 | |
| CN105469279A (zh) | 一种商品的质量评价方法和装置 | |
| WO2020244468A1 (zh) | 金融产品推荐方法、装置、电子设备及计算机存储介质 | |
| CN115017548B (zh) | 数据定价方法、装置及相关设备 | |
| KR20200022202A (ko) | 블록체인 기반의 탈 중앙화 콘텐츠 공유 시스템 및 방법 | |
| KR102092461B1 (ko) | 투자성공률 제공방법 | |
| CN112446764A (zh) | 游戏商品推荐方法、装置及电子设备 | |
| CN107767152A (zh) | 产品购买倾向分析方法及服务器 | |
| CN110348947A (zh) | 对象推荐方法及装置 | |
| CN107798536A (zh) | 信用额度处理方法和装置 | |
| CN110232150B (zh) | 一种用户数据分析方法、装置、可读存储介质及终端设备 | |
| CN106056445A (zh) | 借贷系统、和借贷信息显示及处理方法、及系统 | |
| CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
| CN110941644A (zh) | 保单数据生成方法、装置、设备及存储介质 | |
| CN110213239B (zh) | 可疑交易报文生成方法、装置及服务器 | |
| CN117422553A (zh) | 区块链网络的交易处理方法、装置、设备、介质和产品 | |
| CN110599118A (zh) | 一种数据处理方法及装置 | |
| CN116681519A (zh) | 违约预测方法、装置、电子设备、介质和程序产品 | |
| CN110610320A (zh) | 金融风险等级预测方法、装置、电子设备、存储介质 | |
| CN114663149B (zh) | 一种基于隐私保护的产品投放方法及其相关设备 | |
| CN110675136A (zh) | 信息处理方法、装置及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |