CN115358411A - 一种数据处理方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种数据处理方法、装置、设备及介质。该方法包括：获取多个训练样本，将当前训练样本分别输入至待训练模型，确定各待训练模型的梯度参数；获取隶属于同一参与方的各梯度参数，得到第一融合梯度参数；基于各参与方对应的第一梯度融合参数确定待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练；当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，以在接收到待处理数据时，基于目标模型对待处理数据进行处理并得到与待处理数据相对应的目标结果。实现了在保证数据隐私的前提下训练出目标模型对待处理数据处理。

Description

一种数据处理方法、装置、设备及介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种数据处理方法、装置、设备及介质。

背景技术

在数据孤岛现象与数据融合需求的矛盾逐渐凸显的背景下,为了研究或者使用，通常需要基于不同参与方的数据训练出学习模型，基于学习模型对需要处理的数据进行处理。

现有技术中，为了保证各数据参与方之间数据的隐私性，避免参与方的数据泄露给其他参与方的,不同参与方之间的数据是不互通的，因此，如何在各参与方数据不泄露的前提下，建立出适用于各参与方的学习模型以对需要处理的数据进行处理是目前亟待解决的技术问题。

发明内容

本发明提供了一种数据处理方法、装置、设备及介质，以实现在保证各参与方数据安全隐私的前提下，训练出适用于各参与方的目标模型，并基于目标模型对待处理数据处理得到相应的目标结果。

根据本发明的一方面，提供了一种数据处理方法，包括至少一个参与方，各参与方上部署有至少两个待训练模型，所述方法包括：

获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数；

获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数；

基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练；

当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，以在接收到待处理数据时，基于目标模型对待处理数据进行处理并得到与待处理数据相对应的目标结果。

根据本发明的另一方面，提供了一种数据处理装置，包括至少一个参与方，各参与方上部署有至少两个待训练模型，所述方法包括：

梯度参数确定模块，用于获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数；

梯度参数融合模块，用于获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数；

模型参数更新模块，用于基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练；

目标结果确定模块，用于当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，以在接收到待处理数据时，基于目标模型对待处理数据进行处理并得到与待处理数据相对应的目标结果。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；

以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的数据处理方法。

根据本发明的另一方面，提供了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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的数据处理方法。

本发明实施例的技术方案，包括至少一个参与方，各参与方上部署有至少两个待训练模型，通过获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数；获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数；基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练；当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，以在接收到待处理数据时，基于目标模型对待处理数据进行处理并得到与待处理数据相对应的目标结果。解决现有技术中，建立适用于各个参与方的学习模型会泄露参与方数据的问题，实现了在保证各参与方数据不泄露的情况下，训练出适用于各参与方的目标模型，并基于目标模型对待处理数据处理得到相应的目标结果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供了一种数据处理方法的流程图；

图2为本发明实施例二提供的一种数据处理方法的流程图；

图3为本发明实施例三提供的一种数据处理装置的结构示意图；

图4示出了可以用来实施本发明的实施例的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在介绍本技术方案之前，先对应用场景进行示例性说明。本发明的技术方案适用于需要根据不同参与方上的数据建立出学习模型，以对待处理数据进行处理，同时保证参与方上的数据不泄露的情况。

在本实施例中，可以包括中心服务节点和多个参与方，每个参与方包括至少两个节点，也即两个服务器，在各参与方的节点上部署相同的模型，各节点可以基于节点上的数据训练各节点的模型，确定出各模型对应的梯度参数。将隶属于同一参与方的梯度参数融合，作为各参与方的梯度参数，并上传至中心服务节点，中心服务节点将接收到各参与方的梯度参数后进行融合，得到融合后的待更新梯度参数，以基于待更新梯度参数对各节点的模型相关的参数进行更新，例如对特征层之间的权重进行更新，基于更新后的模型继续训练。如果各节点上的模型损失函数收敛，将该模型作为目标模型，如果不收敛，可以重复上述梯度参数确定、融合以及模型参数更新的过程，直至各节点的模型损失函数收敛，确定出目标模型，以基于目标模型对待处理的数据进行处理，并得到相应的结果。在上述训练的过程中，各个节点单独训练对应的模型，各节点之间数据不存在互通，同时，各参与方上传至中心节点的是融合后的梯度参数，可以有效的防止梯度攻击。

实施例一

图1为本发明实施例一提供了一种数据处理方法的流程图，本实施例可适用于需要根据不同参与方上的数据建立出学习模型，以对待处理数据进行处理，同时保证参与方上的数据不泄露的情况情况，该方法可以由数据处理装置来执行，该数据处理装置可以采用硬件和/或软件的形式实现，该数据处理装置可配置于服务器中。如图1所示，该方法包括：

S110、获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数。

需要说明的是，本实施的技术方案包括至少一个参与方，各个参与方包括多个节点，在各个节点上部署有一个相同的待训练模型，也可以说是各参与方上部署有多个待训练模型，可以对各个参与方上的待训练模型进行训练得到一个全局的目标模型，该全局的目标模型可以针对各参与方上的数据进行处理，而不限于处理某个参与方上的数据。

其中，训练样本可以是参与方对应的节点上存储的数据，用于训练待训练模型，节点可以理解为服务器，即各参与方包括多个服务器，用于对数据存储、发送、运算，当前训练样本可以是当前输入至待训练模型的样本。待训练模型可以是深度学习模型，例如，卷积神经网络的学习模型或者递归神经网络的学习模型，可以理解的是，对待训练模型的训练是迭代的过程，需要对模型的参数进行修正，梯度参数可以用来表示待训练模型的参数需要修正的程度，例如在待训练模型的参数的基础上加上梯度参数，即可实现对待训练模型参数的修正。

具体的，可以在参与方上部署多个节点，各个节点上部署相同的待训练模型，访问数据库的方式，将节点上存储的数据作为训练样本，从中选择一部分样本作为本次训练的当前样本，并将当前训练样本输入至节点上的待训练模型中，进而确定出当前待训练样本对应的梯度参数。

还需要说明的是，各节点对应的训练样本用于训练部署于各节点上的待训练模型，各待训练模型的训练过程是相互独立的，即各节点之间的数据不进行交互，这样可以保证各个节点上数据的安全性和隐私性，训练过程也是相互独立的，但都是基于相同的待训练模型进行训练。

在上述技术方案的基础上，所述获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数，包括：针对各待训练模型，将当前待训练样本输入至当前待训练模型，得到与当前待训练样本对应的第一输出结果；基于所述当前待训练模型中的损失函数对所述当前待训练样本和所述第一输出结果损失处理，确定待训练模型在当前训练样本下的梯度参数。

其中，第一输出结果可以是待训练模型输出的结果，第一输出结果是与当前训练样本相对应的。

具体的，将当前待训练样本输入至待训练模型，待训练模型可以输出与当前待训练样本相对应的结果，也即对当前待训练样本的预测结果，将得到的预测结果作为当前待训练样本对应的第一输出结果。需要说明的是，当前训练样本是存在对应预期结果，预期结果可以是开发人员预先确定的，因此在确定出第一输出结果后，可以通过第一输出结果与预期结果的差值计算损失值，进而基于损失值确定待训练模型的损失函数，在确定出损失函数以后，可以对损失函数求导，确定出待训练模型在当前训练样本下的梯度参数，代表在当前待训练样本的训练过程中，所确定出的待训练模型的参数需要修正的数值或者程度大小。

在实际应用中，梯度参数可以是一个参数集合，待训练模型中是包含多个特征层、神经元以及神经元之间的权重，因此在待训练模型中不同的位置都有对应的模型参数，因此每个模型参数都有对应的梯度参数。

S120、获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数。

其中，第一融合梯度参数指的是将同一参与方包含的各模型的梯度参数融合后得到的参数。

具体的，在同一参与方上部署有多个待训练模型，每个模型有对应的梯度参数，可以将隶属于同一参与方的梯度参数融合为一个参数集合，即将不同待训练模型上相同位置对应的梯度参数进行融合，融合为一个参数。在此基础上，所有位置对应的融合后的参数共同组成一个集合，可以作为该参与方对应的第一融合梯度参数。针对各个参与方，均可以采用上述方式，将参与方所包含的待训练模型的梯度参数融合，得到各个参方对应的第一融合梯度参数，并将第一融合梯度参数发送至中心节点。这样的好处在于，各个参与方上传并不是各个节点梯度参数，而是经过融合后的梯度参数，可以防止梯度攻击，防止基于节点上待训练模型的梯度参数推算出用于训练待训练模型的样本数据的情况，避免节点上的数据被泄露，保证数据的安全性、隐私性。

在上述技术方案的基础上，所述获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数，包括：在获取到各待训练模型在所述当前训练样本下所对应的梯度参数之后，获取隶属于同一参与方的各待训练模型的梯度参数；基于预设规则将隶属于同一参与方的各梯度参数融合处理，以确定出同一参与方对应的第一融合梯度参数。

其中，预设规则可以是数据处理规则，用于将同一参与方的各待训练模型的梯度参数进行融合。例如，预设规则为中位数规则、最值规则、均值规则。

具体的，对于同一参与方的各待训练模型的梯度参数，可以确定各梯度参数的最大值或者中位数，作为该参与方对应的第一融合梯度参数。例如，参与方A包括待训练模型A1和A2，模型A1不同位置对应的梯度参数为[1、5、6]，模型A2不同位置对应的梯度参数为[2、3、7]，预设规则为均值规则。计算第一融合梯度参数可以是计算1和2的均值，5和3的均值，6和7的均值，可以得到第一融合梯度参数为[1.5、4、6.5]。此处仅对确定第一融合梯度参数的方式进行示例性说明，对参数的数量以及预设规则不做限制。

S130、基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练。

其中，待更新梯度参数可以是基于第一融合梯度参数确定出的梯度参数，待更新梯度参数是用于对待训练模型中的模型参数进行更新，例如对待训练模型中的神经元之间的权重数值进行更新。

具体的，可以基于各参与方对应的第一梯度融合参数确定出各待更新梯度参数，具体的可以是对各第一梯度融合参数进行整合，得到待更新梯度参数，并将待更新梯度参数下发至各参与方的节点上，以基于待更新梯度参数对各节点上的待训练模型的参数进行更新。在接收到下一训练样本时，可以将下一训练样本输入至更新后的待训练模型，对更细后的待训练模型进一步的训练。可以理解，对模型的训练是迭代的过程，因此在修正参数以后，需要继续输入样本对模型进行训练。

在上述技术方案的基础上，所述基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练，包括：基于预设规则将各参与方对应的第一梯度融合参数融合，以确定出各待训练模型在当前样本下对应的待更新梯度参数；基于待更新梯度参数更新各所述待训练模型的模型参数，得到待训练模型中的模型参数更新后的待训练模型；在接收到下一待训练样本时，将下一待训练样本作为更新模型参数后的待训练模型的输入，并确定与下一待训练样本对应的第二输出结果，以基于第二输出结果，确定所述待更新梯度参数。

其中，第二输出结果可以是与更新后的待训练模型输出的结果，第二输出结果是与上述提及的下一训练样本相对应。

具体的，中心服务节点在接收到各参与方上传的第一梯度融合后，可以将各个节点对应的第一梯度融合参数按照预设规则进行融合，得到待更新梯度参数，待更新梯度参数是用于对各待训练模型的模型参数进行更新，中心节点可以将待更新梯度参数下发至各参与方对应的节点上，进而对各节点上的待训练模型的模型参数进行更新，得到更新后的待训练模型。进一步，在接收到下一训练样本时，将该样本作为更新后的待训练模型的输入，更新后的待训练模型可以输出与该样本对应的结果，作为第二输出结果，可以基于第二输出结果与该样本对应的预期结果，可以确定出此时待训练模型的损失函数。

S140、当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，以在接收到待处理数据时，基于目标模型对待处理数据进行处理并得到与待处理数据相对应的目标结果。

其中，目标模型可以是最终训练得到的模型，待处理数据可以是需要目标模型处理的数据，目标结果为与待处理数据相对应的结果。

具体的，当检测到待训练模型中的损失函数为收敛，说明待训练模型可以较为准确的对数据处理或者预测，相应得到的预测结果是符合预期的，可以将此时的待训练模型作为目标模型。当接收到待处理数据时，可以通过训练得到的目标模型对待处理数据进行处理和预测，并将得到的结果作为与待处理数据相对应的目标结果。

可以理解的是，目标模型的参数是基于待更新梯度参数进确定的，待更新梯度参数是基于各参与方的第一融合梯度参数确定的，因此，目标模型是可以用于对各个参与方的数据进行预测或者对与各个参与方上的数据为同一类型的数据进行处理以及预测，即目标模型可以对各参与方上的数据进行预测或处理。

在上述技术方案的基础上，所述当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，包括：当检测到各参与方对应的待训练模型中的损失函数均收敛时，将损失函数收敛时所对应的待更新梯度参数作为目标模型参数；将所述目标模型参数更新至各待训练模型中，以得到目标模型。

其中，目标更新参数可以是用于对待训练模型进行更新的参数。

具体的，当检测到各参与方的待训练模型中的损失函数均收敛，说明当前的待训练模型可以较为准确的对各参与方上的数据处理或者预测，此时，可以将损失函数收敛时对应的待更新梯度参数作为目标模型参数，基于目标模型参数对待训练模型的参数进行更新，并将更新后的模型作为目标模型。目标模型不仅适用于某个参与方上的数据的处理，还适用于所有的参与方上的数据，同时该模型的确定过程中，并不需要各个节点将节点上的数据分享出去才可以训练成功，而是可以保证节点上数据的隐私性。在接收到待处理数据时，可以将待处理数据作为目标模型的输入，该模型可以输出相应的结果，将其作为目标结果。本实施例的目标模型可以任意一种模型，具体的模型取决于在各个节点上的数据类型以及部署在各个节点上的待训练模型的类型。

在上述技术方案的基础上，在得到所述目标模型之后，还包括：在接收到图像数据或者文本数据时，将所述图像数据或者文本数据确定为待处理数据；将所述待处理数据输入至目标模型，以使目标模型对所述待处理数据处理，得到与待处理数据相对应的目标结果。

具体的，在接收到图像数据或者文本数据时，可以将图像数据或者文本数据作为待处理数据，并将其输入至目标模型，目标模型可以对输入的图像数据或者文本数据进行处理，输出相应的结果。

示例性的，待处理数据为图像数据，目标模型为图像分割模型，在接收到图像数据后，目标模型可以对图像数据进行处理，得到分割后的图像数据并输出，分割后的图像数据即为对应的目标结果。如果待处理数据为文本数据，相应的目标模型为文本处理模型，此时文本处理模型可以对输入的文本数据进行处理，如进行语义分析或者识别，得到与文本数据对应的语义，将输出的语义作为目标结果。

本发明实施例的技术方案，包括至少一个参与方，各参与方上部署有至少两个待训练模型，通过获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数；获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数；基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练；当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，以在接收到待处理数据时，基于目标模型对待处理数据进行处理并得到与待处理数据相对应的目标结果。解决现有技术中，建立适用于各个参与方的学习模型会泄露参与方数据的问题，实现了在保证各参与方数据不泄露的情况下，训练出适用于各参与方的目标模型，并基于目标模型对待处理数据处理得到相应的目标结果，在上述训练的过程中，各个节点单独训练对应的模型，各节点之间数据不存在互通，同时，各参与方上传至中心节点的是融合后的梯度参数，可以有效的防止梯度攻击。

实施例二

图2为本发明实施例二提供的一种数据处理方法的流程图，本实施例为上述实施例的一优选实施例，其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。如图2所示，该方法包括：

首先在参与联邦学习的各方分别部署n(n≥2)个节点；

其次，在节点上部署相同的联邦学习模型；

其次，在每一步联邦学习模型参数迭代过程中，在同一方的多个节点先进行梯度融合，融合后再传入中心服务器进行梯度融合；

其次，把中心服务器融合后的梯度参数传回到各个节点的联邦学习模型进行参数更新；

最后，按照上述方法进行联邦学习训练，直到模型收敛，完成整个训练过程。

具体方法包括下列步骤：

(1)在参与联邦学习的各方分别部署n(n≥2)个节点，每方部署的节点数n可以不同；

(2)在节点上部署相同的联邦学习模型；

(3)在每一步联邦学习模型参数迭代过程中，在同一方的多个节点先进行梯度融合，融合后再传入中心服务器进行梯度融合；

(4)把中心服务器融合后的梯度参数传回到各个节点的联邦学习模型进行参数更新；

(5)按照上述方法进行联邦学习训练，直到模型收敛，完成整个训练过程。

本发明实施例的技术方案，包括至少一个参与方，各参与方上部署有至少两个待训练模型，通过获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数；获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数；基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练；当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，以在接收到待处理数据时，基于目标模型对待处理数据进行处理并得到与待处理数据相对应的目标结果。解决现有技术中，建立适用于各个参与方的学习模型会泄露参与方数据的问题，实现了在保证各参与方数据不泄露的情况下，训练出适用于各参与方的目标模型，并基于目标模型对待处理数据处理得到相应的目标结果。

实施例三

图3为本发明实施例三提供的一种数据处理装置的结构示意图。如图3所示，该装置包括至少一个参与方，各参与方上部署有至少两个待训练模型，所述装置包括：

梯度参数确定模块310，用于获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数；

梯度参数融合模块320，用于获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数；

模型参数更新模块330，用于基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练；

目标结果确定模块340，用于当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，以在接收到待处理数据时，基于目标模型对待处理数据进行处理并得到与待处理数据相对应的目标结果。

在上述装置的基础上，所述所述梯度参数确定模块310，包括：

第一结果确定模块，用于将当前待训练样本输入至待训练模型，得到与当前待训练样本对应的第一输出结果；

损失函数确定模块，用于基于当前待训练样本和所述第一输出结果计算待训练模型的损失函数，以基于所述损失函数确定待训练模型在当前训练样本下的梯度参数。

在上述装置的基础上，所述梯度参数融合模块320包括：

梯度参数获取模块，用于在获取到各待训练模型在所述当前训练样本下所对应的梯度参数之后，获取隶属于同一参与方的各待训练模型的梯度参数；

预设规则融合模块，用于基于预设规则将隶属于同一参与方的各梯度参数融合处理，以确定出同一参与方对应的第一融合梯度参数。

在上述装置的基础上，所述模型参数更新模块330包括：

待更新梯度参数确定模块，用于基于待更新梯度参数更新各所述待训练模型的模型参数，得到待训练模型中的模型参数更新后的待训练模型；

模型参数更新模块，用于在接收到下一待训练样本时，将下一待训练样本作为更新模型参数后的待训练模型的输入，并确定与下一待训练样本对应的第二输出结果，以基于第二输出结果，确定所述待更新梯度参数。

在上述装置的基础上，所述目标结果确定模块340包括：

目标模型参数确定模块，用于当检测到各参与方对应的待训练模型中的损失函数均收敛时，则将损失函数收敛时所对应的待更新梯度参数作为目标模型参数；

目标模型确定模块，用于将所述目标模型参数更新至各待训练模型中，以得到目标模型。

在上述装置的基础上，所述装置还包括：

待处理数据确定模块，用于在接收到图像数据或者文本数据时，将所述图像数据或者文本数据确定为待处理数据；

待处理数据处理模块，用于将所述待处理数据输入至目标模型，以使目标模型对所述待处理数据处理，得到与待处理数据相对应的目标结果。

本发明实施例的技术方案，包括至少一个参与方，各参与方上部署有至少两个待训练模型，通过获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数；获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数；基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练；当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，以在接收到待处理数据时，基于目标模型对待处理数据进行处理并得到与待处理数据相对应的目标结果。解决现有技术中，建立适用于各个参与方的学习模型会泄露参与方数据的问题，实现了在保证各参与方数据不泄露的情况下，训练出适用于各参与方的目标模型，并基于目标模型对待处理数据处理得到相应的目标结果。

本发明实施例所提供的数据处理装置可执行本发明任意实施例所提供的数据处理方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(ROM)42、随机访问存储器(RAM)43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。

电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理，例如数据处理方法。

在一些实施例中，数据处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时，可以执行上文描述的数据处理的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种数据处理方法，其特征在于，包括至少一个参与方，各参与方上部署有至少两个待训练模型，所述方法包括：

获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数；

获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数；

基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练；

当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，以在接收到待处理数据时，基于目标模型对待处理数据进行处理并得到与待处理数据相对应的目标结果。

2.根据权利要求1所述的方法，其特征在于，所述获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数，包括：

针对各待训练模型，将当前待训练样本输入至当前待训练模型，得到与当前待训练样本对应的第一输出结果；

基于所述当前待训练模型中的损失函数对所述当前待训练样本和所述第一输出结果损失处理，确定待训练模型在当前训练样本下的梯度参数。

3.根据权利要求1所述的方法，其特征在于，所述获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数，包括：

在获取到各待训练模型在所述当前训练样本下所对应的梯度参数之后，获取隶属于同一参与方的各待训练模型的梯度参数；

基于预设规则将隶属于同一参与方的各梯度参数融合处理，以确定出同一参与方对应的第一融合梯度参数。

4.根据权利要求1中所述的方法，其特征在于，所述基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练，包括：

基于预设规则将各参与方对应的第一梯度融合参数融合，以确定出各待训练模型在当前样本下对应的待更新梯度参数；

基于待更新梯度参数更新各所述待训练模型的模型参数，得到待训练模型中的模型参数更新后的待训练模型；

在接收到下一待训练样本时，将下一待训练样本作为更新模型参数后的待训练模型的输入，并确定与下一待训练样本对应的第二输出结果，以基于第二输出结果，确定所述待更新梯度参数。

5.根据权利要求1中所述的方法，其特征在于，所述当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，包括：

当检测到各参与方对应的待训练模型中的损失函数均收敛时，则将损失函数收敛时所对应的待更新梯度参数作为目标模型参数；

将所述目标模型参数更新至各待训练模型中，以得到目标模型。

6.根据权利要求1或5所述的方法，其特征在于，在得到所述目标模型之后，还包括：

在接收到图像数据或者文本数据时，将所述图像数据或者文本数据确定为待处理数据；

将所述待处理数据输入至目标模型，以使目标模型对所述待处理数据处理，得到与待处理数据相对应的目标结果。

7.一种数据处理装置，其特征在于，包括至少一个参与方，各参与方上部署有至少两个待训练模型，所述方法包括：

梯度参数确定模块，用于获取多个训练样本，将当前训练样本分别输入至待训练模型，以确定各待训练模型在当前训练样本下的梯度参数；

梯度参数融合模块，用于获取隶属于同一参与方的各梯度参数，得到与各参与方所对应的第一融合梯度参数；

模型参数更新模块，用于基于各参与方对应的第一梯度融合参数确定各待训练模型在当前训练样本下对应的待更新梯度参数，并基于待更新梯度参数更新各待训练模型的参数，以在接收到下一待训练样本时，基于下一待训练样本对更新后的各待训练模型进行训练；

目标结果确定模块，用于当检测到待训练模型中的损失函数收敛时，训练得到部署至各参与方的目标模型，以在接收到待处理数据时，基于目标模型对待处理数据进行处理并得到与待处理数据相对应的目标结果。

8.根据权利要求7所述的装置，其特征在于，所述梯度参数确定模块，包括：

第一结果确定模块，用于将当前待训练样本输入至待训练模型，得到与当前待训练样本对应的第一输出结果；

损失函数确定模块，用于基于当前待训练样本和所述第一输出结果计算待训练模型的损失函数，以基于所述损失函数确定待训练模型在当前训练样本下的梯度参数。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的数据处理方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的数据处理方法。

Images