CN115563639A - 联合学习模型训练方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及计算机技术领域，提供了一种联合学习模型训练方法、装置、计算机设备及存储介质。该方法包括：执行初始化步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；执行下发步骤，该中心节点将该目标数量个模型参数和该相似性矩阵下发到至少一个本地参与方；执行生成步骤，该至少一个本地参与方中的每个本地参与方基于该每个本地参与方对应的本地数据和该相似性矩阵，生成至少一个更新后参数；执行上传步骤，该至少一个本地参与方中的每个本地参与方将该至少一个更新后参数上传到该中心节点。本发明增加了模型收敛速度，提高准确率。

Description

联合学习模型训练方法、装置、计算机设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种联合学习模型训练方法、装置、计算机设备及存储介质。

背景技术

传统联合学习可以保护用户数据隐私进行联合模型训练，中心节点、本地参与方不断更新模型，上传下发模型参数来完成联合训练，横向联合训练可以联合到更多的数据从而提高模型精度。

联合学习是一种保护数据隐私的分布数据集的分布式学习范式。经典的联合学习框架包含中心节点和不同的本地参与方，通过各方对模型参数上传下发更新来训练，横向联合学习由于可以联合到更多的训练数据，可以提高联合模型的准确率。但是由于训练轮数较多，模型收敛效率较低。

发明内容

有鉴于此，本发明实施例提供了一种联合学习模型训练方法、装置、计算机设备及存储介质，以解决现有技术中由于训练轮数较多，模型收敛效率较低的问题。

本发明实施例的第一方面，提供了一种联合学习模型训练方法，包括：执行初始化步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；执行下发步骤，中心节点将目标数量个模型参数和相似性矩阵下发到至少一个本地参与方；执行生成步骤，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，生成至少一个更新后参数；执行上传步骤，至少一个本地参与方中的每个本地参与方将至少一个更新后参数上传到中心节点。

本发明实施例的第二方面，提供了一种联合学习模型训练装置，包括：初始化模块，被配置为执行生成步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；下发模块，被配置为执行下发步骤，中心节点将目标数量个模型参数和相似性矩阵下发到至少一个本地参与方；生成模块，被配置为执行生成步骤，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，生成至少一个更新后参数；上传模块，被配置为执行上传步骤，至少一个本地参与方中的每个本地参与方将至少一个更新后参数上传到中心节点。

本发明实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以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。

本发明实施例的第四方面，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。

本发明实施例与现有技术相比存在的有益效果是：通过执行初始化步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；执行下发步骤，中心节点将目标数量个模型参数和相似性矩阵下发到至少一个本地参与方；执行生成步骤，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，生成至少一个更新后参数；执行上传步骤，至少一个本地参与方中的每个本地参与方将至少一个更新后参数上传到中心节点。本发明增加了模型收敛速度，提高准确率。

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它的附图。

图1是本发明实施例的应用场景的场景示意图；

图2是本发明实施例提供的一种联合学习模型训练方法的流程图；

图3是本发明实施例提供的另一种联合学习模型训练方法的流程图；

图4是本发明实施例提供的一种联合学习模型训练装置的框图；

图5是本发明实施例提供的一种计算机设备的示意图。

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，以便透彻理解本发明实施例。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发明。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发明的描述。

图1是本发明实施例的应用场景的场景示意图。该应用场景可以包括中心节点和参与方1，参与方2…参与方n。

参与方1，参与方2…参与方n的数量是动态的可以随时增加或减少。中心节点初始化参数，下发初始参数给参与方1，参与方2…参与方n，参与方1，参与方2…参与方n更新模型，然后将新的参数上传至中心节点，中心节点对所有参数进行聚合，中心节点下发聚合后的参数给参与方1，参与方2…参与方n，一直训练直至收敛。

需要说明的是，参与方1，参与方2…参与方n的具体数量可以根据应用场景的实际需求进行调整，本发明实施例对此不作限制。

本发明所指的联合学习是可用于支持多用户进行多方合作，并通过AI技术联合多方合作挖掘数据价值，建立智能联合建模。其中，智能联合建模包括：

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)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发明实施例的一种联合学习模型训练方法和装置。

图2是本发明实施例提供的一种联合学习模型训练方法的流程图。图2的联合学习模型训练方法可以由服务器执行。如图2所示，该联合学习模型训练方法包括：

S201，执行初始化步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；

S202，执行下发步骤，中心节点将目标数量个模型参数和相似性矩阵下发到至少一个本地参与方；

S203，执行生成步骤，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，生成至少一个更新后参数；

S204，执行上传步骤，至少一个本地参与方中的每个本地参与方将至少一个更新后参数上传到中心节点。

具体地，执行初始化步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；执行下发步骤，中心节点将目标数量个模型参数和相似性矩阵下发到至少一个本地参与方；执行生成步骤，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，生成至少一个更新后参数；执行上传步骤，至少一个本地参与方中的每个本地参与方将至少一个更新后参数上传到中心节点。

根据本发明实施例提供的技术方案，通过执行初始化步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；执行下发步骤，中心节点将目标数量个模型参数和相似性矩阵下发到至少一个本地参与方；执行生成步骤，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，生成至少一个更新后参数；执行上传步骤，至少一个本地参与方中的每个本地参与方将至少一个更新后参数上传到中心节点。本发明增加了模型收敛速度，提高准确率。

目标数量可以是预先设定的，可以是人为设定的，也可以是根据实验得到的。模型参数可以包括梯度和loss值等。相似矩阵表示k个模型的梯度。

至少一个本地参与方的数量可以与目标数量相同也可以不同。

可选的，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，确定目标模型；利用每个本地参与方对应的本地数据训练目标模型，得到更新后参数。

在一些实施例中，执行聚合步骤，中心节点分别对接收到的至少一个更新后参数进行聚合，得到目标数量个聚合后参数和对应的相似性矩阵；继续执行下发步骤、生成步骤、上传步骤和聚合步骤，直至满足预设条件停止训练。

具体地，聚合可以是找到K个模型每一个模型的中心点。预设条件可以是预先设定的，例如，可以是训练次数达到10次。

在一些实施例中，至少一个更新后参数中的每个更新后参数是通过以下步骤得到的：从至少一个本地参与方中选取目标本地参与方，执行一下步骤：目标本地参与方利用目标本地参与方对应的本地数据与相似性矩阵进行计算，生成目标数量个梯度损失值；基于预设条件从目标数量个梯度损失值中选取目标损失值，将目标损失值对应的模型作为目标模型；目标本地参与方利用目标本地参与方对应的本地数据对目标模型进行更新，得到更新后参数。

具体地，服务器可以从至少一个本地参与方中随机选取一个本地参与方作为目标本地参与方，选取的次数与至少一个本地参与方中本地参与方的数量相同。作为示例，服务器可以利用余弦相似算法对目标本地参与方对应的本地数据和相似性矩阵进行计算，得到梯度损失值，梯度损失是模型训练过程中的一个中间参数。这里的预设条件可以是从目标数量个梯度损失值中选取梯度损失值最小的梯度损失值作为目标损失值。这里，梯度损失值越小相似度越高。

在一些实施例中，计算至少一个本地参与方中每个本地参与方对应的本地数据之间的相似度，得到相似度集合；基于相似度集合对至少一个本地参与方进行分类。

相似度可以是基于相似度算法计算得到的，例如，相似度算法可以是欧几里得距离(Euclidean Distance)、欧式距离的标准化(Standardized Euclidean distance)、马哈拉诺比斯距离(Mahalanobis Distance)、曼哈顿距离(Manhattan Distance)、调整余弦相似度(Adjusted Cosine Similarity)。将相似度之间的差值在预设范围内的本地参与方分为一类。预设范围可以是预先设定的，例如，可以是差值在0-0.5之间的。

在一些实施例中，利用目标本地参与方所在类别中的本地数据对目标模型进行训练，得到更新后参数。

在一些实施例中，目标本地参与方计算目标本地参与方对应的本地数据与相似性矩阵的余弦相似度，将余弦相似度作为梯度损失值。

余弦相似度(Cosine Similarity)可以是通过计算两个向量的夹角余弦值来评估他们的相似度。将向量根据坐标值，绘制到向量空间中，求得他们的夹角，并得出夹角对应的余弦值，此余弦值就可以用来表征这两个向量的相似性。夹角越小，余弦值越接近于1，它们的方向越吻合，则越相似。

在一些实施例中，响应于检测到本地参与方的数量发生变化，利用变化后的本地参与方继续训练。

具体的，数量发生变化可以是增加也可以是减少。本发明支持参与方的动态加入，当新的参与方加入进来后，一起进行计算。

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。

图3是本发明实施例提供的另一种联合学习模型训练方法的流程图。图3的联合学习模型训练方法可以由服务器执行。如图3所示，该联合学习模型训练方法包括：

S301，执行初始化步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；

S302，执行下发步骤，中心节点将目标数量个模型参数和相似性矩阵下发到至少一个本地参与方；

S303，执行生成步骤，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，生成至少一个更新后参数；

S304，执行上传步骤，至少一个本地参与方中的每个本地参与方将至少一个更新后参数上传到中心节点；

S305，执行聚合步骤，中心节点分别对接收到的至少一个更新后参数进行聚合，得到目标数量个聚合后参数和对应的相似性矩阵；

S306，继续执行下发步骤、生成步骤、上传步骤和聚合步骤，直至满足预设条件停止训练。

具体地，执行初始化步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；执行下发步骤，中心节点将目标数量个模型参数和相似性矩阵下发到至少一个本地参与方；执行生成步骤，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，生成至少一个更新后参数；执行上传步骤，至少一个本地参与方中的每个本地参与方将至少一个更新后参数上传到中心节点；执行聚合步骤，中心节点分别对接收到的至少一个更新后参数进行聚合，得到目标数量个聚合后参数和对应的相似性矩阵；继续执行下发步骤、生成步骤、上传步骤和聚合步骤，直至满足预设条件停止训练。

根据本发明实施例提供的技术方案，执行初始化步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；执行下发步骤，中心节点将目标数量个模型参数和相似性矩阵下发到至少一个本地参与方；执行生成步骤，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，生成至少一个更新后参数；执行上传步骤，至少一个本地参与方中的每个本地参与方将至少一个更新后参数上传到中心节点；执行聚合步骤，中心节点分别对接收到的至少一个更新后参数进行聚合，得到目标数量个聚合后参数和对应的相似性矩阵；继续执行下发步骤、生成步骤、上传步骤和聚合步骤，直至满足预设条件停止训练。本发明增加了模型收敛速度，提高准确率。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

图4是本发明实施例提供的一种联合学习模型训练装置的示意图。如图4所示，该联合学习模型训练装置包括：

初始化模块401，被配置为执行生成步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；

下发模块402，被配置为执行下发步骤，中心节点将目标数量个模型参数和相似性矩阵下发到至少一个本地参与方；

生成模块403，被配置为执行生成步骤，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，生成至少一个更新后参数；

上传模块404，被配置为执行上传步骤，至少一个本地参与方中的每个本地参与方将至少一个更新后参数上传到中心节点。

根据本发明实施例提供的技术方案，通过执行初始化步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；执行下发步骤，中心节点将目标数量个模型参数和相似性矩阵下发到至少一个本地参与方；执行生成步骤，至少一个本地参与方中的每个本地参与方基于每个本地参与方对应的本地数据和相似性矩阵，生成至少一个更新后参数；执行上传步骤，至少一个本地参与方中的每个本地参与方将至少一个更新后参数上传到中心节点。本发明增加了模型收敛速度，提高准确率。

在一些实施例中，该联合学习模型训练装置还包括：聚合模块405，被配置为中心节点分别对接收到的至少一个更新后参数进行聚合，得到目标数量个聚合后参数和对应的相似性矩阵；停止模块406，被配置为继续执行步骤S102-S105，直至满足预设条件停止训练。

在一些实施例中，至少一个更新后参数中的每个更新后参数是通过以下步骤得到的：从至少一个本地参与方中选取目标本地参与方，执行一下步骤：目标本地参与方利用目标本地参与方对应的本地数据与相似性矩阵进行计算，生成目标数量个梯度损失值；基于预设条件从目标数量个梯度损失值中选取目标损失值，将目标损失值对应的模型作为目标模型；目标本地参与方利用目标本地参与方对应的本地数据对目标模型进行更新，得到更新后参数。

在一些实施例中，该联合学习模型训练装置被进一步配置为：计算至少一个本地参与方中每个本地参与方对应的本地数据之间的相似度，得到相似度集合；基于相似度集合对至少一个本地参与方进行分类。

在一些实施例中，该联合学习模型训练装置被进一步配置为：利用目标本地参与方所在类别中的本地数据对目标模型进行训练，得到更新后参数。

在一些实施例中，该联合学习模型训练装置被进一步配置为：目标本地参与方计算目标本地参与方对应的本地数据与相似性矩阵的余弦相似度，将余弦相似度作为梯度损失值。

在一些实施例中，该联合学习模型训练装置还包括：训练模块407，被配置为响应于检测到本地参与方的数量发生变化，利用变化后的本地参与方继续训练。

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5是本发明实施例提供的计算机设备5的示意图。如图5所示，该实施例的计算机设备5包括：处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503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503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502中，并由处理器501执行，以完成本发明。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503在计算机设备5中的执行过程。

计算机设备5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机设备。计算机设备5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是计算机设备5的示例，并不构成对计算机设备5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，计算机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501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502可以是计算机设备5的内部存储单元，例如，计算机设备5的硬盘或内存。存储器502也可以是计算机设备5的外部存储设备，例如，计算机设备5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502还可以既包括计算机设备5的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器502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，结合本文中所发明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发明的范围。

在本发明所提供的实施例中，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，在本发明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，本发明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发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种联合学习模型训练方法，其特征在于，包括：

执行初始化步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；

执行下发步骤，所述中心节点将所述目标数量个模型参数和所述相似性矩阵下发到至少一个本地参与方；

执行生成步骤，所述至少一个本地参与方中的每个本地参与方基于所述每个本地参与方对应的本地数据和所述相似性矩阵，生成至少一个更新后参数；

执行上传步骤，所述至少一个本地参与方中的每个本地参与方将所述至少一个更新后参数上传到所述中心节点。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

执行聚合步骤，所述中心节点分别对接收到的所述至少一个更新后参数进行聚合，得到目标数量个聚合后参数和对应的相似性矩阵；

继续执行所述下发步骤、所述生成步骤、所述上传步骤和所述聚合步骤，直至满足预设条件停止训练。

3.根据权利要求1所述的方法，其特征在于，所述至少一个更新后参数中的每个更新后参数是通过以下步骤得到的：

从所述至少一个本地参与方中选取目标本地参与方，执行一下步骤：

所述目标本地参与方利用所述目标本地参与方对应的本地数据与所述相似性矩阵进行计算，生成目标数量个梯度损失值；

基于预设条件从所述目标数量个梯度损失值中选取目标损失值，将所述目标损失值对应的模型作为目标模型；

所述目标本地参与方利用所述目标本地参与方对应的本地数据对所述目标模型进行更新，得到更新后参数。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

计算所述至少一个本地参与方中每个本地参与方对应的本地数据之间的相似度，得到相似度集合；

基于所述相似度集合对所述至少一个本地参与方进行分类。

5.根据权利要求4所述的方法，其特征在于，所述目标本地参与方利用所述目标本地参与方对应的本地数据对所述目标模型进行更新，得到更新后参数，包括：

利用所述目标本地参与方所在类别中的本地数据对所述目标模型进行训练，得到更新后参数。

6.根据权利要求3所述的方法，其特征在于，所述目标本地参与方利用所述目标本地参与方对应的本地数据与所述相似性矩阵进行计算，生成目标数量个梯度损失值，包括：

所述目标本地参与方计算所述目标本地参与方对应的本地数据与所述相似性矩阵的余弦相似度，将所述余弦相似度作为所述梯度损失值。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：

响应于检测到本地参与方的数量发生变化，利用变化后的本地参与方继续训练。

8.一种联合学习模型训练装置，其特征在于，包括：

初始化模块，被配置为执行生成步骤，中心节点初始化目标数量个模型，得到目标数量个模型参数和对应的相似性矩阵；

下发模块，被配置为执行下发步骤，所述中心节点将所述目标数量个模型参数和所述相似性矩阵下发到至少一个本地参与方；

生成模块，被配置为执行生成步骤，所述至少一个本地参与方中的每个本地参与方基于所述每个本地参与方对应的本地数据和所述相似性矩阵，生成至少一个更新后参数；

上传模块，被配置为执行上传步骤，所述至少一个本地参与方中的每个本地参与方将所述至少一个更新后参数上传到所述中心节点。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并且可以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7中任一项所述方法的步骤。

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中任一项所述方法的步骤。

Images