CN116070708A - 基于联合学习的模型训练方法及装置 - Google Patents

Abstract

本发明提供了一种基于联合学习的模型训练方法及装置。该方法包括：通过接收来参与方上传的深度学习网络模型的训练参数；对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；其中，中心节点和参与方均基于联合学习架构中执行交互任务。本发明解决了现有技术中因无法保护数据隐私，而带来的模型训练不准确的问题，同时提高了模型训练精度。

Description

基于联合学习的模型训练方法及装置

技术领域

本公开涉及人工智能技术领域，尤其涉及一种基于联合学习的模型训练方法及装置。

背景技术

随着科技的飞速发展，人工智能技术的研究是现在科技术发展趋势的标志。目前在各种场景下都能见到人工智能技术的体现，例如在能源行业、健康生活等领域。那么要在这些领域实现人工智能技术又要保证各个环节的数据隐私不被泄露，往往需要先进行相关的模型训练以及相关实验，而如何在模型训练中实现最小误差的训练成为当前急需要解决的技术问题。

发明内容

有鉴于此，本公开实施例提供了一种基于联合学习的模型训练方法及装置，以解决现有技术中因无法保护数据隐私而带来的模型训练不准确的问题。

本公开实施例的第一方面，提供了一种基于联合学习的模型训练方法，包括：

中心节点接收来参与方上传的深度学习网络模型的训练参数；

对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；

响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；

其中，中心节点和参与方均基于联合学习架构中执行交互任务。

本公开实施例的第二方面，提供了一种基于联合学习的模型训练方法，包括：

响应中心节点下发的深度学习网络模型训练的通知，并得到适应深度学习网络模型训练的训练参数；通知包含参与方的深度学习网络模型训练轮数和/或参与方的深度学习网络模型的训练标准值；

将训练参数加载到所述深度学习网络模型中；

根据深度学习网络模型训练轮数和所述训练参数，对深度学习网络模型进行训练；

当训练的结果达到深度学习网络模型的训练标准值时，深度学习网络模型模型训练完成。

本公开实施例的第三方面，提供了一种基于联合学习的模型训练装置，包括：

接收模块，用于中心节点接收来参与方上传的深度学习网络模型的训练参数；

通知模块，用于对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；

优化训练模块，用于响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；

其中，中心节点和参与方均基于联合学习架构中执行交互任务。

本公开实施例的第四方面，提供了一种基于联合学习的模型训练装置，包括：

获取模块，用于响应中心节点下发的深度学习网络模型训练的通知，并得到适应深度学习网络模型训练的训练参数；其中，通知包含参与方的深度学习网络模型训练轮数和/或参与方的深度学习网络模型的训练标准值；

加载模块，用于将训练参数加载到所述深度学习网络模型中；

训练模块，用于根据深度学习网络模型训练轮数和训练参数，对深度学习网络模型进行训练；当训练的结果达到深度学习网络模型的训练标准值时，深度学习网络模型模型训练完成。

本公开实施例的第五方面，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。

本公开实施例的第六方面，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：中心节点通过接收来参与方上传的深度学习网络模型的训练参数；对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；其中，中心节点和参与方均基于联合学习架构中执行交互任务。以解决现有技术中因无法保护数据隐私，而带来的模型训练不准确的问题，同时提高模型训练精度。

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联合学习的模型训练方法的流程图；

图3是本公开实施例提供的另一种基于联合学习的模型训练方法的流程图；

图4是本公开实施例提供的一种基于联合学习的模型训练装置的框图；

图5是本公开实施例提供的另一种基于联合学习的模型训练装置的框图；

图6是本公开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联合学习的模型训练方法和装置。

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，利用本地数据进行模型训练，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所述的三个，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联合学习的模型训练方法的流程图。图2的基于联合学习的模型训练方法可以由联合学习架构的中心节点执行。如图2所示，该基于联合学习的模型训练方法包括：

S201，中心节点接收来参与方上传的深度学习网络模型的训练参数。

其中，中心节点和参与方均基于联合学习架构中执行交互任务，训练参数可以包含：参与方训练模型的目标应用场景数据、目标值数据和训练样本数据，训练模型的权重参数和偏置项参数。下述步骤中的中心节和参与方均是基于联合学习架构中，对此后续不再赘述。

S202，对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值。

具体地，对于训练参数进行初始化的方式可通过下述方式实现：首先，可以对参与方上传的深度学习网络模型的训练参数进行同态加密；

最后，将同态加密的参与方上传的深度学习网络模型的训练参数下发至联合学习中的客户端。

进一步地，对训练参数进行初始化后，通知参与方进行深度学习网络模型训练的实施方式可以通过如下方式实现：

步骤一、将对训练参数的初始化结果下发至参与方；

其中，初始化结果可以包含：对训练参数的筛选或清洗等处理工作后的适合参与方进行深度学习网络模型训练参数，并且对该参数进行同态加密后下发给参与方。

步骤二、响应于参与方的反馈信息，计算深度学习网络模型训练轮数和深度学习网络模型的训练标准值；

其中，计算深度学习网络模型训练轮数可以根据参与方上传的训练参数和参与方提供的建模算法式得到的；关于深度学习网络模型的训练标准值可以采用训练参数和参与方提供的与训练模型涉及应用场景下的历史数据确定。

步骤三、将深度学习网络模型训练轮数和/或深度学习网络模型的训练标准值下发至参与方。

S203，响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型。

具体地，可以通过下述方式现上述步骤S203，如下所示：

步骤一、响应于参与方上传的深度学习网络模型训练状态；

其中，参与方上传的深度学习网络模型训练状态可以包含：当前该模型训练的轮数及采用的训练样本、对应当前训练结果等。

步骤二、获取深度学习网络模型当前的训练轮数达到目标轮数时，将目标轮数对应的深度学习网络模型训练参数进行加密；

步骤三、将加密的深度学习网络模型训练参数发送至参与方；

步骤四、响应参与方反馈的深度学习网络模型训练的状态信息，协助参与方优化深度学习网络模型。

根据本公开实施例提供的技术方案，中心节点通过接收来参与方上传的深度学习网络模型的训练参数；对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；其中，中心节点和参与方均基于联合学习架构中执行交互任务。以解决现有技术中因无法保护数据隐私，而带来的模型训练不准确的问题，同时提高模型训练精度。

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是本公开实施例提供的一种基于联合学习的模型训练方法的流程图。图3的基于联合学习的模型训练方法可以由联合学习架构的参与方执行。如图3所示，该基于联合学习的模型训练方法包括：

S301，响应中心节点下发的深度学习网络模型训练的通知，并得到适应深度学习网络模型训练的训练参数；其中，通知包含参与方的深度学习网络模型训练轮数和/或参与方的深度学习网络模型的训练标准值。

具体地，在得到中心节点下发的深度学习网络模型训练的通知之前，参与方可以先开始搭建深度学习网络，以便后续建立深度学习网络模型。进一步参与方在搭建深度学习网络时，同时也会收集深度学习网络模型的训练参数(即训练参数可以包含：参与方训练模型的目标应用场景数据、目标值数据和训练样本数据，训练模型的权重参数和偏置项参数)；其中权重参数和偏置项参数使用随机数算法生成。然后将训练参数加密后上传至中心节点。

S302，将训练参数加载到所述深度学习网络模型中。

具体地，由于在联合学习架构中可能存在一个中心节点对应多个参与方的情况，那么训练参数是由联合学习中心节点指导，因为这个训练参数可以由相同属性或(同一应用场景及相同目标值)的另一参与方获取。

S303，根据深度学习网络模型训练轮数和训练参数，对深度学习网络模型进行训练。

S304，当训练的结果达到深度学习网络模型的训练标准值时，深度学习网络模型模型训练完成。

进一步地，对于在参与方基于联合学习的深度学习网络模型训练方法还可以通过下述步骤实现：

步骤一、当深度学习网络模型训练轮数到达目标轮数时，获取中心节点下发的训练深度学习网络模型目标轮数对应的加密的训练参数；

步骤二、对训练参数进行解密，并将解密后的训练参数加载到深度学习网络模型中，以得到深度学习网络模型的训练状态信息；

步骤三、根据训练状态信息，确定是否进行优化深度学习网络模型。

根据本公开实施例提供的技术方案，参与方通响应中心节点下发的深度学习网络模型训练的通知，并得到适应深度学习网络模型训练的训练参数；通知包含参与方的深度学习网络模型训练轮数和/或参与方的深度学习网络模型的训练标准值；将训练参数加载到所述深度学习网络模型中；根据深度学习网络模型训练轮数和训练参数，对深度学习网络模型进行训练；当训练的结果达到深度学习网络模型的训练标准值时，深度学习网络模型模型训练完成。以解决现有技术中因无法保护数据隐私，而带来的模型训练不准确的问题，同时提高模型训练精度。

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。

本公开装置实施例，该中心节点和参与方均基于联合学习架构中执行交互任务。

图4是本公开实施例提供的一种基于联合学习的模型训练装置的示意图。

如图4所示，该基于联合学习的模型训练装置包括：

接收模块401，被配置为用于中心节点接收来参与方上传的深度学习网络模型的训练参数；

通知模块402，被配置为用于对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；

优化训练模块403，被配置为用于响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型。

根据本公开实施例提供的技术方案，中心节点通过接收来参与方上传的深度学习网络模型的训练参数；对训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；其中，中心节点和参与方均基于联合学习架构中执行交互任务。以解决现有技术中因无法保护数据隐私，而带来的模型训练不准确的问题，同时提高模型训练精度。

图5是本公开实施例提供的一种基于联合学习的模型训练装置的示意图。如图5所示，该基于联合学习的模型训练装置包括：

获取模块501，被配置为用于响应中心节点下发的深度学习网络模型训练的通知，并得到适应深度学习网络模型训练的训练参数；其中，通知包含参与方的深度学习网络模型训练轮数和/或参与方的深度学习网络模型的训练标准值；

加载模块502，被配置为用于将训练参数加载到所述深度学习网络模型中；

训练模块503，被配置为用于根据深度学习网络模型训练轮数和训练参数，对深度学习网络模型进行训练；当训练的结果达到深度学习网络模型的训练标准值时，深度学习网络模型模型训练完成。

根据本公开实施例提供的技术方案，参与方通响应中心节点下发的深度学习网络模型训练的通知，并得到适应深度学习网络模型训练的训练参数；通知包含参与方的深度学习网络模型训练轮数和/或参与方的深度学习网络模型的训练标准值；将训练参数加载到所述深度学习网络模型中；根据深度学习网络模型训练轮数和训练参数，对深度学习网络模型进行训练；当训练的结果达到深度学习网络模型的训练标准值时，深度学习网络模型模型训练完成。以解决现有技术中因无法保护数据隐私，而带来的模型训练不准确的问题，同时提高模型训练精度。

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6是本公开实施例提供的计算机设备6的示意图。如图6所示，该实施例的计算机设备6包括：处理器601、存储器602以及存储在该存储器602中并且可以在处理器601上运行的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序603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603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602中，并由处理器601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603在计算机设备6中的执行过程。

计算机设备6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6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是计算机设备6的示例，并不构成对计算机设备6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601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602可以是计算机设备6的内部存储单元，例如，计算机设备6的硬盘或内存。存储器602也可以是计算机设备6的外部存储设备，例如，计算机设备6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602还可以既包括计算机设备6的内部存储单元也包括外部存储设备。存储器602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602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/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)

1.一种基于联合学习的模型训练方法，其特征在于，包括：

中心节点接收来参与方上传的深度学习网络模型的训练参数；

对所述训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，所述通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；

响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；

其中，所述中心节点和参与方均基于联合学习架构中执行交互任务。

2.根据权利要求1所述的方法，其特征在于，对所述训练参数进行初始化包括：

对参与方上传的深度学习网络模型的训练参数进行同态加密；

将同态加密的参与方上传的深度学习网络模型的训练参数下发至联合学习中的客户端。

3.根据权利要求1所述的方法，其特征在于，对所述训练参数进行初始化后，通知参与方进行深度学习网络模型训练包括：

将对所述训练参数的初始化结果下发至所述参与方；

响应于参与方的反馈信息，计算深度学习网络模型训练轮数和深度学习网络模型的训练标准值；

将深度学习网络模型训练轮数和/或深度学习网络模型的训练标准值下发至参与方。

4.根据权利要求1所述的方法，其特征在于，响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型包括：

响应于参与方上传的深度学习网络模型训练状态；

获取所述深度学习网络模型当前的训练轮数达到目标轮数时，将所述目标轮数对应的深度学习网络模型训练参数进行加密；

将加密的深度学习网络模型训练参数发送至所述参与方；

响应所述参与方反馈的深度学习网络模型训练的状态信息，协助参与方优化深度学习网络模型。

5.一种基于联合学习的深度学习网络模型训练方法，其特征在于，包括：

响应中心节点下发的深度学习网络模型训练的通知，并得到适应深度学习网络模型训练的训练参数；所述通知包含参与方的深度学习网络模型训练轮数和/或参与方的深度学习网络模型的训练标准值；

将所述训练参数加载到所述深度学习网络模型中；

根据深度学习网络模型训练轮数和所述训练参数，对所述深度学习网络模型进行训练；

当所述训练的结果达到深度学习网络模型的训练标准值时，所述深度学习网络模型模型训练完成。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

当深度学习网络模型训练轮数到达目标轮数时，获取中心节点下发的训练深度学习网络模型目标轮数对应的加密的训练参数；

对所述训练参数进行解密，并将解密后的训练参数加载到深度学习网络模型中，以得到深度学习网络模型的训练状态信息；

根据所述训练状态信息，确定是否进行优化深度学习网络模型。

7.一种基于联合学习的模型训练装置，其特征在于，包括：

接收模块，用于中心节点接收来参与方上传的深度学习网络模型的训练参数；

通知模块，用于对所述训练参数进行初始化后，通知参与方进行深度学习网络模型训练；其中，所述通知包含参与方的深度学习网络模型训练轮数和参与方的深度学习网络模型的训练标准值；

优化训练模块，用于响应于参与方上传的深度学习网络模型训练状态，协助参与方优化深度学习网络模型；

其中，所述中心节点和参与方均基于联合学习架构中执行交互任务。

8.一种基于联合学习的深度学习网络模型训练装置，其特征在于，包括：

获取模块，用于响应中心节点下发的深度学习网络模型训练的通知，并得到适应深度学习网络模型训练的训练参数；所述通知包含参与方的深度学习网络模型训练轮数和/或参与方的深度学习网络模型的训练标准值；

加载模块，用于将所述训练参数加载到所述深度学习网络模型中；

训练模块，用于根据深度学习网络模型训练轮数和所述训练参数，对所述深度学习网络模型进行训练；当所述训练的结果达到深度学习网络模型的训练标准值时，所述深度学习网络模型模型训练完成。

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6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6中任一项所述方法的步骤。

Images