CN115563640A - 联合学习架构建立的方法、装置、计算机设备及存储介质 - Google Patents
联合学习架构建立的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115563640A CN115563640A CN202110744321.2A CN202110744321A CN115563640A CN 115563640 A CN115563640 A CN 115563640A CN 202110744321 A CN202110744321 A CN 202110744321A CN 115563640 A CN115563640 A CN 115563640A
- Authority
- CN
- China
- Prior art keywords
- gradient
- encrypted
- aggregation result
- target number
- central node
- 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
Links
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
- G06F21/6263—Protecting personal data, e.g. for financial or medical purposes during internet communication, e.g. revealing personal data from cookies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及计算机技术领域,提供了一种联合学习架构建立的方法、装置、计算机设备及存储介质。该方法包括:中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;中心节点对聚合结果进行加密,得到加密后聚合结果;将加密后聚合结果和对应的索引下发给本地参与方;本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。本发明的实施例实现了保证用户数据隐私。
Description
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架构建立的方法、装置、计算机设备及存储介质。
背景技术
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。但是由于本地用户和中心节点需要进行大量的通信传输,通信开销较大,而且用户数据隐私安全无法得到保证。一般的联合学习框架是,每个用户有自己的数据集,在本地进行模型更新,中心节点对用户模型参数进行聚合。每轮训练的上传下发会给通信带来压力。
本发明基于同态加密享与TOP-K梯度选择相结合,设计了高效安全的联合学习协议,以便在保证用户数据隐私的同时,减少通信开销,提高模型训练效率。
发明内容
有鉴于此,本发明实施例提供了一种联合学习架构建立的方法、装置、计算机设备及存储介质,以解决现有技术中用户数据隐私安全无法得到保证的问题。
本发明实施例的第一方面,提供了一种联合学习架构建立的方法,包括:中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;中心节点对聚合结果进行加密,得到加密后聚合结果;将加密后聚合结果和对应的索引下发给本地参与方;本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。
本发明实施例的第二方面,提供了一种联合学习架构建立的装置,包括:聚合模块,被配置成中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;加密模块,被配置成中心节点对聚合结果进行加密,得到加密后聚合结果;下发模块,被配置成将加密后聚合结果和对应的索引下发给本地参与方;更新模块,被配置成本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。
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:中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;中心节点对聚合结果进行加密,得到加密后聚合结果;将加密后聚合结果和对应的索引下发给本地参与方;本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。本发明的实施例实现了保证用户数据隐私。
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是联合学习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架构建立的方法的流程图;
图3是本发明实施例提供的另一种联合学习架构建立的方法的流程图;
图4是本发明实施例提供的一种联合学习架构建立的装置的框图;
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。
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架构建立的方法和装置。
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。
图1是针对联合学习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1,2…n具有本地模型,本地模型的训练过程是利用本地数据对本地模型进行训练,得到至少一个梯度向量,利用梯度选择算法从至少一个梯度向量中选择出预定数量个梯度向量(利用top_k梯度选择算法从至少一个梯度向量中选择出k个梯度向量)。将选择出的预定数量个梯度向量进行加密,将加密后的梯度向量上传到中心节点,中心节点对接收到的梯度向量进行特征聚合,然后再将聚合后的梯度向量下发到各个参与方,在继续执行上述步骤直至训练次数达到预定次数。
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。
图2是本发明实施例提供的一种联合学习架构建立的方法的流程图。图2的联合学习架构建立的方法可以由图1的服务器执行。如图2所示,该联合学习架构建立的方法包括:
S201,中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;
S202,中心节点对聚合结果进行加密,得到加密后聚合结果;
S203,将加密后聚合结果和对应的索引下发给本地参与方;
S204,本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。
具体地,中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;中心节点对聚合结果进行加密,得到加密后聚合结果;将加密后聚合结果和对应的索引下发给本地参与方;本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。
根据本发明实施例提供的技术方案,中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;中心节点对聚合结果进行加密,得到加密后聚合结果;将加密后聚合结果和对应的索引下发给本地参与方;本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。本发明的实施例实现了保证用户数据隐私。
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。聚类可以是找到K个模型每一个模型的中心点。聚合结果可以是K个模型新的模型参数和对应的相似性矩阵。模型参数包括梯度和loss值等,相似矩阵表示k个模型的梯度。
服务器可以利用同态加密算法对聚合结果进行加密,得到加密后聚合结果。同态加密(Homomorphic Encryption)是一种特殊的加密方法,允许对密文进行处理得到仍然是加密的结果,即对密文直接进行处理,跟对明文进行处理后再对处理结果加密,得到的结果相同。从抽象代数的角度讲,保持了同态性。同态加密可以保证实现处理者无法访问到数据自身的信息。作为示例,RSA算法对于乘法操作是同态的,Paillier算法则是对加法同态的,Gentry算法则是全同态的。
服务器可以将加密后聚合结果和对应的索引下发给本地参与方,本地参与方可以有多个,本地参与方的数量与目标数量可以不同。索引可以是与加密后聚合结果相对应的,可以是用于指引加密后聚合结果的标识。
本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。这里的更新后模型与本地参与方的数量相对应。
在一些实施例中,利用梯度选择算法和从梯度向量集中选取目标数量个梯度值,其中,梯度向量集包括至少一个梯度向量,目标数量个梯度值中的每个梯度值存在对应的索引;调用同态加密算法对目标数量个梯度值进行加密,得到目标数量个加密后梯度值;将目标数量个加密后梯度值和对应的索引上传至中心节点。
具体地,梯度选择算法可以是TOP_K梯度选择算法,TOP_K梯度选择指的是上传的K个梯度值。具体来将,用户对计算梯度的绝对值进行排序,选择绝对值最大的K个梯度值。然后将这K个梯度值上传到中心节点。梯度向量集中梯度向量的数量与本地参与方的数量相同。这里的目标数量可以是这里的K个。本地参与方调用同态加密算法对目标数量个梯度值进行加密,得到目标数量个加密后梯度值,然后,将将目标数量个加密后梯度值和对应的索引上传至中心节点。
根据本发明实施例提供的技术方案,通过基于同态加密与TOP-K梯度选择相结合,设计了高效安全的联合学习协议,以便在保证用户数据隐私的同时,减少通信开销,提高模型训练效率。
在一些实施例中,梯度向量是通过一下步骤得到的:本地参与方利用本地数据对本地模型进行训练,得到梯度向量。
具体地,本地数据可以是本地参与方通过有线或无线的方式得到的,也可以是本来就具有的。
在一些实施例中,利用梯度选择算法对梯度向量集中的每个梯度向量进行计算,生成梯度值,得到梯度值集合;利用梯度值集合中的每个梯度值的绝对值对梯度值集合中的每个梯度值进行排序,得到梯度值序列;根据绝对值由大到小从梯度值序列中选取目标数量个梯度值。
具体地,本地参与方利用TOP-K梯度选择算法计算梯度的绝对值,然后对计算梯度的绝对值进行排序,选择绝对值最大的K个梯度值。然后将这K个梯度值上传到中心节点。
根据本发明实施例提供的技术方案,传统的联合学习框架中,用户每次需要上传所有的梯度。对于大型的网络来说,上传下载梯度所需要的通信开销可能成为系统的瓶颈。只上传绝对值最大的K个梯度值,减少通信开销。
在一些实施例中,中心节点对接收到的目标数量个加密后梯度值进行均值聚合,得到聚合结果。
具体地,均值聚合的算法可以是BGD(Batch gradient descent,批量梯度下降)、SGD(Stochastic gradient descent,随机梯度下降)、MBGD(Mini-batch gradientdescent,小批量梯度下降)。
在一些实施例中,中心节点利用同态加密算法对聚合结果进行加密,得到加密后聚合结果。
在一些实施例中,中心节点对应至少一个本地参与方。
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架构建立的方法的流程图。图3的联合学习架构建立的方法可以由图1的服务器执行。如图3所示,该联合学习架构建立的方法包括:
S301,利用梯度选择算法和从梯度向量集中选取目标数量个梯度值,其中,梯度向量集包括至少一个梯度向量,目标数量个梯度值中的每个梯度值存在对应的索引;
S302,调用同态加密算法对目标数量个梯度值进行加密,得到目标数量个加密后梯度值;
S303,将目标数量个加密后梯度值和对应的索引上传至中心节点;
S304,中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;
S305,中心节点对聚合结果进行加密,得到加密后聚合结果;
S306,将加密后聚合结果和对应的索引下发给本地参与方;
S307,本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。
具体地,利用梯度选择算法和从梯度向量集中选取目标数量个梯度值,其中,梯度向量集包括至少一个梯度向量,目标数量个梯度值中的每个梯度值存在对应的索引;调用同态加密算法对目标数量个梯度值进行加密,得到目标数量个加密后梯度值;将目标数量个加密后梯度值和对应的索引上传至中心节点;中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;中心节点对聚合结果进行加密,得到加密后聚合结果;将加密后聚合结果和对应的索引下发给本地参与方;本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。
根据本发明实施例提供的技术方案,利用梯度选择算法和从梯度向量集中选取目标数量个梯度值,其中,梯度向量集包括至少一个梯度向量,目标数量个梯度值中的每个梯度值存在对应的索引;调用同态加密算法对目标数量个梯度值进行加密,得到目标数量个加密后梯度值;将目标数量个加密后梯度值和对应的索引上传至中心节点;中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;中心节点对聚合结果进行加密,得到加密后聚合结果;将加密后聚合结果和对应的索引下发给本地参与方;本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。通过基于同态加密与梯度选择相结合,设计了高效安全的联合学习协议,以便在保证用户数据隐私的同时,减少通信开销,提高模型训练效率。
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架构建立的装置的示意图。如图4所示,该联合学习架构建立的装置包括:
聚合模块401,被配置为中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;
加密模块402,被配置为中心节点对聚合结果进行加密,得到加密后聚合结果;
下发模块403,被配置为将加密后聚合结果和对应的索引下发给本地参与方;
更新模块404,被配置为本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。
根据本发明实施例提供的技术方案,中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;中心节点对聚合结果进行加密,得到加密后聚合结果;将加密后聚合结果和对应的索引下发给本地参与方;本地参与方利用加密后聚合结果对本地参与方对应的本地模型进行更新,得到更新后模型。本发明的实施例实现了保证用户数据隐私。
在一些实施例中,联合学习架构建立的装置还包括:选取模块405,被配置为利用梯度选择算法和从梯度向量集中选取目标数量个梯度值,其中,梯度向量集包括至少一个梯度向量,目标数量个梯度值中的每个梯度值存在对应的索引;调用模块406,被配置为调用同态加密算法对目标数量个梯度值进行加密,得到目标数量个加密后梯度值;上传模块407,被配置为将目标数量个加密后梯度值和对应的索引上传至中心节点。
在一些实施例中,梯度向量是通过一下步骤得到的:本地参与方利用本地数据对本地模型进行训练,得到梯度向量。
在一些实施例中,选取模块405被进一步配置为:利用梯度选择算法对梯度向量集中的每个梯度向量进行计算,生成梯度值,得到梯度值集合;利用梯度值集合中的每个梯度值的绝对值对梯度值集合中的每个梯度值进行排序,得到梯度值序列;根据绝对值由大到小从梯度值序列中选取目标数量个梯度值。
在一些实施例中,聚合模块401被进一步配置为:中心节点对接收到的目标数量个加密后梯度值进行均值聚合,得到聚合结果。
在一些实施例中,加密模块402被进一步配置为:中心节点利用同态加密算法对聚合结果进行加密,得到加密后聚合结果。
在一些实施例中,中心节点对应至少一个本地参与方。
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)
1.一种联合学习架构建立的方法,其特征在于,包括:
中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;
所述中心节点对所述聚合结果进行加密,得到加密后聚合结果;
将所述加密后聚合结果和对应的索引下发给本地参与方;
所述本地参与方利用所述加密后聚合结果对所述本地参与方对应的本地模型进行更新,得到更新后模型。
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:
利用梯度选择算法和从梯度向量集中选取目标数量个梯度值,其中,所述梯度向量集包括至少一个梯度向量,所述目标数量个梯度值中的每个梯度值存在对应的索引;
调用同态加密算法对所述目标数量个梯度值进行加密,得到目标数量个加密后梯度值;
将所述目标数量个加密后梯度值和对应的索引上传至所述中心节点。
3.根据权利要求1所述的方法,其特征在于,所述梯度向量是通过一下步骤得到的:
所述本地参与方利用本地数据对所述本地模型进行训练,得到梯度向量。
4.根据权利要求2所述的方法,其特征在于,所述利用梯度选择算法和从梯度向量集中选取目标数量个梯度值,包括:
利用所述梯度选择算法对所述梯度向量集中的每个梯度向量进行计算,生成梯度值,得到梯度值集合;
利用所述梯度值集合中的每个梯度值的绝对值对所述梯度值集合中的每个梯度值进行排序,得到梯度值序列;
根据所述绝对值由大到小从所述梯度值序列中选取目标数量个梯度值。
5.根据权利要求1所述的方法,其特征在于,所述中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果,包括:
所述中心节点对接收到的所述目标数量个加密后梯度值进行均值聚合,得到聚合结果。
6.根据权利要求1所述的方法,其特征在于,所述中心节点对所述聚合结果进行加密,得到加密后聚合结果,包括:
所述中心节点利用同态加密算法对所述聚合结果进行加密,得到加密后聚合结果。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述中心节点对应至少一个本地参与方。
8.一种联合学习架构建立的装置,其特征在于,包括:
聚合模块,被配置成中心节点对接收到的目标数量个加密后梯度值进行聚合,得到聚合结果;
加密模块,被配置成所述中心节点对所述聚合结果进行加密,得到加密后聚合结果;
下发模块,被配置成将所述加密后聚合结果和对应的索引下发给本地参与方;
更新模块,被配置成所述本地参与方利用所述加密后聚合结果对所述本地参与方对应的本地模型进行更新,得到更新后模型。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110744321.2A CN115563640A (zh) | 2021-07-01 | 2021-07-01 | 联合学习架构建立的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110744321.2A CN115563640A (zh) | 2021-07-01 | 2021-07-01 | 联合学习架构建立的方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115563640A true CN115563640A (zh) | 2023-01-03 |
Family
ID=84737631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110744321.2A Pending CN115563640A (zh) | 2021-07-01 | 2021-07-01 | 联合学习架构建立的方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563640A (zh) |
-
2021
- 2021-07-01 CN CN202110744321.2A patent/CN115563640A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021179720A1 (zh) | 基于联邦学习的用户数据分类方法、装置、设备及介质 | |
US20220350898A1 (en) | Model training method, model using method, system, trusted node and device | |
CN112714050B (zh) | 一种基于区块链和联邦学习的数据共享与隐私保护方法 | |
CN111428887B (zh) | 一种基于多个计算节点的模型训练控制方法、装置及系统 | |
CN116506124B (zh) | 多方隐私求交系统及方法 | |
CN111008863A (zh) | 一种基于区块链的抽奖方法及系统 | |
CN107707347A (zh) | 用户密钥的备份方法及装置、用户密钥的导入方法及装置 | |
WO2022156594A1 (zh) | 联邦模型训练方法、装置、电子设备、计算机程序产品及计算机可读存储介质 | |
CN113988310A (zh) | 深度学习模型选择方法、装置、计算机设备和介质 | |
CN113435534A (zh) | 一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质 | |
CN113051239A (zh) | 数据共享方法、应用其的模型的使用方法及相关设备 | |
CN113987941A (zh) | 时间序列预测方法、装置、计算机设备和可读存储介质 | |
CN113486584A (zh) | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 | |
WO2023098546A1 (zh) | 一种联邦学习方法及相关设备 | |
CN111767411A (zh) | 知识图谱表示学习优化方法、设备及可读存储介质 | |
CN115801220A (zh) | 加速设备、计算系统及加速方法 | |
CN113792890B (zh) | 一种基于联邦学习的模型训练方法及相关设备 | |
CN112949866A (zh) | 泊松回归模型的训练方法、装置、电子设备及存储介质 | |
CN113887746A (zh) | 基于联合学习的降低通信压力的方法及装置 | |
CN115563640A (zh) | 联合学习架构建立的方法、装置、计算机设备及存储介质 | |
CN109951417B (zh) | 一种身份认证的方法、系统及终端设备 | |
CN116384461A (zh) | 基于联合学习的模型优化训练方法及装置 | |
CN115801221A (zh) | 加速设备、计算系统及加速方法 | |
CN116415267A (zh) | 一种联合学习模型迭代更新方法、装置、系统及存储介质 | |
CN116340959A (zh) | 一种面向断点隐私保护的方法、装置、设备及介质 |
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 |