CN116415676A - 联合学习中的预测方法及装置 - Google Patents

联合学习中的预测方法及装置 Download PDF

Info

Publication number
CN116415676A
CN116415676A CN202111639622.5A CN202111639622A CN116415676A CN 116415676 A CN116415676 A CN 116415676A CN 202111639622 A CN202111639622 A CN 202111639622A CN 116415676 A CN116415676 A CN 116415676A
Authority
CN
China
Prior art keywords
participants
participant
prediction
model
data
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
Application number
CN202111639622.5A
Other languages
English (en)
Inventor
张敏
王瑞杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinzhi I Lai Network Technology Co ltd
Original Assignee
Xinzhi I Lai Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinzhi I Lai Network Technology Co ltd filed Critical Xinzhi I Lai Network Technology Co ltd
Priority to CN202111639622.5A priority Critical patent/CN116415676A/zh
Priority to PCT/CN2022/121483 priority patent/WO2023124312A1/zh
Publication of CN116415676A publication Critical patent/CN116415676A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/40—Network security protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
    • H04L2209/46—Secure multiparty computation, e.g. millionaire problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及联合学习技术领域，提供了一种联合学习中的预测方法及装置。该方法包括：利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果；基于第一预测结果更新多个参与方的参与方模型的模型参数；利用更新模型参数后的多个参与方的参与方模型对待预测数据进行再预测，得到第二预测结果；根据多个参与方对应的第二预测结果，计算第三预测结果。采用上述技术手段，解决现有技术中，联合学习中，没有将预测结果和模型的训练联系起来，同时只能使用联合学习模型进行预测等问题。

Description

联合学习中的预测方法及装置
技术领域
本公开涉及联合学习技术领域，尤其涉及一种联合学习中的预测方法及装置。
背景技术
在联合学习中，往往是通过多个参与方的数据训练神经网络模型，得到每个参与方的参与方模型，根据每个参与方的参与方模型，得到训练中心的联合学习模型，进而使用联合学习模型进行预测。如果联合学习模型的预测结果准确率低，则需要重新进行一次联合学习训练。可见，目前的技术无法将预测结果和模型的训练联系起来，同时，也只能使用联合学习模型进行预测，无法充分利用到参与方的参与方模型。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：联合学习中，没有将预测结果和模型的训练联系起来，同时只能使用联合学习模型进行预测等问题。
发明内容
有鉴于此，本公开实施例提供了一种联合学习中的预测方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，联合学习中，没有将预测结果和模型的训练联系起来，同时只能使用联合学习模型进行预测等问题。
本公开实施例的第一方面，提供了一种联合学习中的预测方法，包括：利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果；基于第一预测结果更新多个参与方的参与方模型的模型参数；利用更新模型参数后的多个参与方的参与方模型对待预测数据进行再预测，得到第二预测结果；根据多个参与方对应的第二预测结果，计算第三预测结果。
本公开实施例的第二方面，提供了一种联合学习中的预测装置，包括：第一预测模块，被配置为利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果；更新模块，被配置为基于第一预测结果更新多个参与方的参与方模型的模型参数；第二预测模块，被配置为利用更新模型参数后的多个参与方的参与方模型对待预测数据进行再预测，得到第二预测结果；计算模块，被配置为根据多个参与方对应的第二预测结果，计算第三预测结果。
本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可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。
本公开实施例与现有技术相比存在的有益效果是：利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果；基于第一预测结果更新多个参与方的参与方模型的模型参数；利用更新模型参数后的多个参与方的参与方模型对待预测数据进行再预测，得到第二预测结果；根据多个参与方对应的第二预测结果，计算第三预测结果。采用上述技术手段，可以解决现有技术中，联合学习中，没有将预测结果和模型的训练联系起来，同时只能使用联合学习模型进行预测等问题，进而提供一种新的联合学习中的预测方法。
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联合学习中的预测方法的流程示意图；
图3是本公开实施例提供的一种联合学习中的预测装置的结构示意图；
图4是本公开实施例提供的一种电子设备的结构示意图。
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联合学习中的预测方法和装置。
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联合学习中的预测方法的流程示意图。图2的联合学习中的预测方法可以由图1的服务器执行。如图2所示，该联合学习中的预测方法包括：
S201，利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果；
S202，基于第一预测结果更新多个参与方的参与方模型的模型参数；
S203，利用更新模型参数后的多个参与方的参与方模型对待预测数据进行再预测，得到第二预测结果；
S204，根据多个参与方对应的第二预测结果，计算第三预测结果。
本公开实施例的执行主体可以是一个预测系统，该预测系统包括：多个参与方和一个训练中心。联合学习训练是训练中心发起的，多个参与方提供训练数据集。目前联合学习中，没有将预测结果和模型的训练联系起来，而本公开实施例可以基于第一预测结果更新多个参与方的参与方模型的模型参数，在更新多个参与方的参与方模型的模型参数，再次利用多个参与方的参与方模型对待预测数据进行再预测，得到第二预测结果，可见本公开实施例将预测结果和模型的训练联系起来了。
本公开实施例可以应用于预测天然气的使用量。在预测天然气的使用量中，通过两次预测，根据第二次预测的结果计算得到的第三预测结果，可以提高预测天然气的使用量的准确率。
利用多个参与方的参与方模型对待预测数据进行预测，得到多个参与方对应的第一预测结果；基于每个参与方对应的第一预测结果更新每个参与方的参与方模型的模型参数；利用更新模型参数后的每个参与方的参与方模型对待预测数据进行再预测，得到每个参与方对应的第二预测结果；根据多个参与方对应的第二预测结果，计算第三预测结果，可以是对多个第二预测结果加权求和得到第三预测结果。
根据本公开实施例提供的技术方案，利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果；基于第一预测结果更新多个参与方的参与方模型的模型参数；利用更新模型参数后的多个参与方的参与方模型对待预测数据进行再预测，得到第二预测结果；根据多个参与方对应的第二预测结果，计算第三预测结果。采用上述技术手段，可以解决现有技术中，联合学习中，没有将预测结果和模型的训练联系起来，同时只能使用联合学习模型进行预测等问题，进而提供一种新的联合学习中的预测方法。
在步骤S202中，基于第一预测结果更新多个参与方的参与方模型的模型参数，包括：根据多个参与方对应的第一预测结果，利用训练中心计算待预测数据对应的预测概率；根据预测概率，通过目标参与方的目标参与方模型计算待预测数据对应的残差，其中，多个参与方包括目标参与方，多个参与方模型包括目标参与方模型；基于残差更新多个参与方的参与方模型的模型参数。
在预测系统中，多个参与方对待预测数据进行预测，得到对应的第一预测结果；多个参与方将第一预测结果发送给训练中心，训练中心根据多个参与方对应的第一预测结果，利用联合学习模型计算待预测数据对应的预测概率，联合学习模型将预测概率发送给目标参与方；目标参与方的目标参与方模型，根据预测概率计算待预测数据对应的残差，目标参与方将残差发送给其他的参与方；基于残差更新多个参与方的参与方模型的模型参数，多个参与方，包括：其他的参与方和目标参与方。
根据多个参与方对应的第一预测结果，利用训练中心计算待预测数据对应的预测概率之后，方法还包括：根据预测概率，通过目标参与方模型计算待预测数据对应的损失；根据损失更新训练中心的联合学习模型的模型参数，其中，联合学习模型和多个参与方模型相关；利用更新模型参数后的联合学习模型对待预测数据进行预测，得到第四预测结果。
预测概率还可以用来计算待预测数据对应的损失，使用损失更新训练中心的联合学习模型的模型参数，联合学习模型的模型参数是由多个参与方模型的模型参数聚合而来的。损失和残差相关。利用更新模型参数后的联合学习模型对待预测数据进行预测，也可以得到一种预测结果，可见本公开实施例将预测结果和模型的训练联系起来了。
利用更新模型参数后的联合学习模型对待预测数据进行预测，得到第四预测结果之后，方法还包括：根据预测概率，通过目标参与方模型计算待预测数据对应的残差；基于残差更新多个参与方模型的模型参数；利用更新模型参数后的多个参与方模型对待预测数据进行再预测，得到第二预测结果；根据多个参与方对应的第二预测结果，计算第三预测结果；利用第四预测结果更新第三预测结果。
为了提高对待预测数据预测的准确率，本公开实施例使用第四预测结果更新第三预测结果，可以理解为，使用第四预测结果和第三预测结果相加求平均，得到一种新的预测结果。
在执行步骤S201之前，也就是利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果之前，方法还包括：通过样本对齐操作确定多个参与方的训练数据集的公共样本；根据公共样本和每个参与方的训练数据集训练神经网络模型，得到每个参与方的参与方模型；聚合多个参与方的参与方模型的模型参数，得到全局模型参数；基于全局模型参数更新神经网络模型的模型参数，得到训练中心的联合学习模型。
在联合学习中，涉及多个参与方，每个参与方都有各自的数据，其中，每个参与方的数据中可能存在一样的样本。随着对数据保密越来越重视，联合学习中，多个参与方的数据交互也应该注意数据保密。为了兼顾多个参与方交互的质量和保密，多个参与方共有的样本应该是公开的，多个参与方不共有的样本应该是保密的。为了实现上述目的，本公开实施例是先通过样本对齐操作确定多个参与方的训练数据集的公共样本，再进行联合学习训练。
通过样本对齐操作确定多个参与方的训练数据集的公共样本，包括：利用布隆过滤器对多个参与方的训练数据集进行处理，得到多个参与方对应的处理结果；遍历多个参与方中任意两个参与方对应的处理结果，确定多个参与方中任意两个参与方的公共样本，其中，样本对齐操作包括遍历；遍历公共样本和剩余的参与方中任意一个参与方对应的处理结果，以更新公共样本，直至遍历完所有的参与方对应的处理结果，停止遍历。
在一个联合学习中，存在多个参与方时，是先确定两个参与方的公共样本，然后确定该公共样本和第三个参与方的公共的样本，将此时确定的公共的样本作为最新的公共样本；每次确定最新的公共样本的剩余的参与方中的任意一个参与方的公共的样本，将此时确定的公共的样本作为最新的公共样本。将停止遍历时的最新的公共样本作为所有的参与方的公共样本。
布隆过滤器可以检索一个元素是否在一个集合中，本公开实施例结合布隆过滤器的工作原理，提出了一种应用于联合学习的样本对齐的方法。本公开实施例是首次将布隆过滤器应用到了联合学习中。样本对齐操作，可以是遍历操作，用于确定多个参与方的公共样本。因为每个参与方的样本数据中的每个样本都可以对应一个标识号，因此遍历每个参与方对应的处理结果中的样本或者元素，可以是在每个参与方对应的处理结果中，遍历一个样本对应的标识号，通过一个参与方对应的处理结果中是否存在该标识号，判断该样本是否存在。布隆过滤器(Bloom Filter)是由布隆(Burton Howard Bloom)在1970年提出的。它实际上是由一个很长的二进制向量和一系列随机映射函数组成，布隆过滤器可以用于检索一个元素是否在一个集合中。
在一个可选实施例中，包括：多个参与方和训练中心中的任意两方通过跨语言的通讯协议交互，交互的内容通过同态加密处理；多个参与方包括目标参与方，多个参与方模型包括目标参与方模型，目标参与方具有私钥和公钥，其他的参与方具有公钥。
同态加密处理是云计算中常用的加密技术，在此不再赘述。因为只有目标参与方具有私钥，因为交互的内容均通过同态加密处理，所以只有目标参与方可以解密(其他的参与方通过公钥加密)，所以其他的参与方将各自的第二预测结果(第二预测结果是加密后的数据)发送给目标参与方，目标参与方对其他的参与方发送的第二预测结果解密，目标参与方可以得到所有的第二预测结果(解密后的第二预测结果)，根据所有解密后的第二预测结果计算第三预测结果。
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。
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。
图3是本公开实施例提供的一种联合学习中的预测装置的示意图。如图3所示，该联合学习中的预测装置包括：
第一预测模块301，被配置为利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果；
更新模块302，被配置为基于第一预测结果更新多个参与方的参与方模型的模型参数；
第二预测模块303，被配置为利用更新模型参数后的多个参与方的参与方模型对待预测数据进行再预测，得到第二预测结果；
计算模块304，被配置为根据多个参与方对应的第二预测结果，计算第三预测结果。
本公开实施例的执行主体可以是一个预测系统，该预测系统包括：多个参与方和一个训练中心。联合学习训练是训练中心发起的，多个参与方提供训练数据集。目前联合学习中，没有将预测结果和模型的训练联系起来，而本公开实施例可以基于第一预测结果更新多个参与方的参与方模型的模型参数，在更新多个参与方的参与方模型的模型参数，再次利用多个参与方的参与方模型对待预测数据进行再预测，得到第二预测结果，可见本公开实施例将预测结果和模型的训练联系起来了。
利用多个参与方的参与方模型对待预测数据进行预测，得到多个参与方对应的第一预测结果；基于每个参与方对应的第一预测结果更新每个参与方的参与方模型的模型参数；利用更新模型参数后的每个参与方的参与方模型对待预测数据进行再预测，得到每个参与方对应的第二预测结果；根据多个参与方对应的第二预测结果，计算第三预测结果，可以是对多个第二预测结果加权求和得到第三预测结果。
根据本公开实施例提供的技术方案，利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果；基于第一预测结果更新多个参与方的参与方模型的模型参数；利用更新模型参数后的多个参与方的参与方模型对待预测数据进行再预测，得到第二预测结果；根据多个参与方对应的第二预测结果，计算第三预测结果。采用上述技术手段，可以解决现有技术中，联合学习中，没有将预测结果和模型的训练联系起来，同时只能使用联合学习模型进行预测等问题，进而提供一种新的联合学习中的预测方法。
可选地，更新模块302还被配置为根据多个参与方对应的第一预测结果，利用训练中心计算待预测数据对应的预测概率；根据预测概率，通过目标参与方的目标参与方模型计算待预测数据对应的残差，其中，多个参与方包括目标参与方，多个参与方模型包括目标参与方模型；基于残差更新多个参与方的参与方模型的模型参数。
在预测系统中，多个参与方对待预测数据进行预测，得到对应的第一预测结果；多个参与方将第一预测结果发送给训练中心，训练中心根据多个参与方对应的第一预测结果，利用联合学习模型计算待预测数据对应的预测概率，联合学习模型将预测概率发送给目标参与方；目标参与方的目标参与方模型，根据预测概率计算待预测数据对应的残差，目标参与方将残差发送给其他的参与方；基于残差更新多个参与方的参与方模型的模型参数，多个参与方，包括：其他的参与方和目标参与方。
可选地，更新模块302还被配置为根据预测概率，通过目标参与方模型计算待预测数据对应的损失；根据损失更新训练中心的联合学习模型的模型参数，其中，联合学习模型和多个参与方模型相关；利用更新模型参数后的联合学习模型对待预测数据进行预测，得到第四预测结果。
预测概率还可以用来计算待预测数据对应的损失，使用损失更新训练中心的联合学习模型的模型参数，联合学习模型的模型参数是由多个参与方模型的模型参数聚合而来的。损失和残差相关。利用更新模型参数后的联合学习模型对待预测数据进行预测，也可以得到一种预测结果，可见本公开实施例将预测结果和模型的训练联系起来了。
可选地，更新模块302还被配置为根据预测概率，通过目标参与方模型计算待预测数据对应的残差；基于残差更新多个参与方模型的模型参数；利用更新模型参数后的多个参与方模型对待预测数据进行再预测，得到第二预测结果；根据多个参与方对应的第二预测结果，计算第三预测结果；利用第四预测结果更新第三预测结果。
为了提高对待预测数据预测的准确率，本公开实施例使用第四预测结果更新第三预测结果，可以理解为，使用第四预测结果和第三预测结果相加求平均，得到一种新的预测结果。
可选地，第一预测模块301还被配置为通过样本对齐操作确定多个参与方的训练数据集的公共样本；根据公共样本和每个参与方的训练数据集训练神经网络模型，得到每个参与方的参与方模型；聚合多个参与方的参与方模型的模型参数，得到全局模型参数；基于全局模型参数更新神经网络模型的模型参数，得到训练中心的联合学习模型。
在联合学习中，涉及多个参与方，每个参与方都有各自的数据，其中，每个参与方的数据中可能存在一样的样本。随着对数据保密越来越重视，联合学习中，多个参与方的数据交互也应该注意数据保密。为了兼顾多个参与方交互的质量和保密，多个参与方共有的样本应该是公开的，多个参与方不共有的样本应该是保密的。为了实现上述目的，本公开实施例是先通过样本对齐操作确定多个参与方的训练数据集的公共样本，再进行联合学习训练。
可选地，第一预测模块301还被配置为利用布隆过滤器对多个参与方的训练数据集进行处理，得到多个参与方对应的处理结果；遍历多个参与方中任意两个参与方对应的处理结果，确定多个参与方中任意两个参与方的公共样本，其中，样本对齐操作包括遍历；遍历公共样本和剩余的参与方中任意一个参与方对应的处理结果，以更新公共样本，直至遍历完所有的参与方对应的处理结果，停止遍历。
在一个联合学习中，存在多个参与方时，是先确定两个参与方的公共样本，然后确定该公共样本和第三个参与方的公共的样本，将此时确定的公共的样本作为最新的公共样本；每次确定最新的公共样本的剩余的参与方中的任意一个参与方的公共的样本，将此时确定的公共的样本作为最新的公共样本。将停止遍历时的最新的公共样本作为所有的参与方的公共样本。
布隆过滤器可以检索一个元素是否在一个集合中，本公开实施例结合布隆过滤器的工作原理，提出了一种应用于联合学习的样本对齐的方法。本公开实施例是首次将布隆过滤器应用到了联合学习中。样本对齐操作，可以是遍历操作，用于确定多个参与方的公共样本。因为每个参与方的样本数据中的每个样本都可以对应一个标识号，因此遍历每个参与方对应的处理结果中的样本或者元素，可以是在每个参与方对应的处理结果中，遍历一个样本对应的标识号，通过一个参与方对应的处理结果中是否存在该标识号，判断该样本是否存在。布隆过滤器(Bloom Filter)是由布隆(Burton Howard Bloom)在1970年提出的。它实际上是由一个很长的二进制向量和一系列随机映射函数组成，布隆过滤器可以用于检索一个元素是否在一个集合中。
多个参与方和训练中心中的任意两方通过跨语言的通讯协议交互，交互的内容通过同态加密处理；多个参与方包括目标参与方，多个参与方模型包括目标参与方模型，目标参与方具有私钥和公钥，其他的参与方具有公钥。
同态加密处理是云计算中常用的加密技术，在此不再赘述。因为只有目标参与方具有私钥，因为交互的内容均通过同态加密处理，所以只有目标参与方可以解密(其他的参与方通过公钥加密)，所以其他的参与方将各自的第二预测结果(第二预测结果是加密后的数据)发送给目标参与方，目标参与方对其他的参与方发送的第二预测结果解密，目标参与方可以得到所有的第二预测结果(解密后的第二预测结果)，根据所有解密后的第二预测结果计算第三预测结果。
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4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403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403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402中，并由处理器401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403在电子设备4中的执行过程。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4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，电子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401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402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备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。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402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/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子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)

1.一种联合学习中的预测方法，其特征在于，包括：
利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果；
基于所述第一预测结果更新多个所述参与方的参与方模型的模型参数；
利用更新所述模型参数后的多个所述参与方的参与方模型对所述待预测数据进行再预测，得到第二预测结果；
根据多个所述参与方对应的第二预测结果，计算第三预测结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一预测结果更新多个所述参与方的参与方模型的模型参数，包括：
根据多个所述参与方对应的第一预测结果，利用训练中心计算所述待预测数据对应的预测概率；
根据所述预测概率，通过目标参与方的目标参与方模型计算所述待预测数据对应的残差，其中，多个所述参与方包括所述目标参与方，多个所述参与方模型包括所述目标参与方模型；
基于所述残差更新多个所述参与方的参与方模型的模型参数。
3.根据权利要求2所述的方法，其特征在于，所述根据多个所述参与方对应的第一预测结果，利用训练中心计算所述待预测数据对应的预测概率之后，所述方法还包括：
根据所述预测概率，通过所述目标参与方模型计算所述待预测数据对应的损失；
根据所述损失更新所述训练中心的联合学习模型的模型参数，其中，所述联合学习模型和多个所述参与方模型相关；
利用更新所述模型参数后的所述联合学习模型对所述待预测数据进行预测，得到第四预测结果。
4.根据权利要求3所述的方法，其特征在于，所述利用更新所述模型参数后的所述联合学习模型对所述待预测数据进行预测，得到第四预测结果之后，所述方法还包括：
根据所述预测概率，通过所述目标参与方模型计算所述待预测数据对应的残差；
基于所述残差更新多个所述参与方模型的模型参数；
利用更新所述模型参数后的多个所述参与方模型对所述待预测数据进行所述再预测，得到所述第二预测结果；
根据多个所述参与方对应的第二预测结果，计算所述第三预测结果；
利用所述第四预测结果更新所述第三预测结果。
5.根据权利要求1所述的方法，其特征在于，所述利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果之前，所述方法还包括：
通过样本对齐操作确定多个所述参与方的训练数据集的公共样本；
根据所述公共样本和每个所述参与方的训练数据集训练神经网络模型，得到每个所述参与方的参与方模型；
聚合多个所述参与方的参与方模型的模型参数，得到全局模型参数；
基于所述全局模型参数更新所述神经网络模型的模型参数，得到所述训练中心的联合学习模型。
6.根据权利要求5所述的方法，其特征在于，所述通过样本对齐操作确定多个所述参与方的训练数据集的公共样本，包括：
利用布隆过滤器对多个所述参与方的训练数据集进行处理，得到多个所述参与方对应的处理结果；
遍历多个所述参与方中任意两个所述参与方对应的处理结果，确定多个所述参与方中任意两个所述参与方的公共样本，其中，所述样本对齐操作包括遍历；
遍历所述公共样本和剩余的所述参与方中任意一个所述参与方对应的处理结果，以更新所述公共样本，直至遍历完所有的所述参与方对应的处理结果，停止遍历。
7.根据权利要求1所述的方法，其特征在于，包括：
多个所述参与方和训练中心中的任意两方通过跨语言的通讯协议交互，所述交互的内容通过同态加密处理；
多个所述参与方包括目标参与方，多个所述参与方模型包括目标参与方模型，所述目标参与方具有私钥和公钥，其他的所述参与方具有所述公钥。
8.一种联合学习中的预测装置，其特征在于，包括：
第一预测模块，被配置为利用多个参与方的参与方模型对待预测数据进行预测，得到第一预测结果；
更新模块，被配置为基于所述第一预测结果更新多个所述参与方的参与方模型的模型参数；
第二预测模块，被配置为利用更新所述模型参数后的多个所述参与方的参与方模型对所述待预测数据进行再预测，得到第二预测结果；
计算模块，被配置为根据多个所述参与方对应的第二预测结果，计算第三预测结果。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且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。
CN202111639622.5A 2021-12-29 2021-12-29 联合学习中的预测方法及装置 Pending CN116415676A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111639622.5A CN116415676A (zh) 2021-12-29 2021-12-29 联合学习中的预测方法及装置
PCT/CN2022/121483 WO2023124312A1 (zh) 2021-12-29 2022-09-26 联合学习中的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111639622.5A CN116415676A (zh) 2021-12-29 2021-12-29 联合学习中的预测方法及装置

Publications (1)

Publication Number Publication Date
CN116415676A true CN116415676A (zh) 2023-07-11

Family

ID=86997433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111639622.5A Pending CN116415676A (zh) 2021-12-29 2021-12-29 联合学习中的预测方法及装置

Country Status (2)

Country Link
CN (1) CN116415676A (zh)
WO (1) WO2023124312A1 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929887B (zh) * 2020-02-17 2020-07-03 支付宝(杭州)信息技术有限公司 逻辑回归模型训练方法、装置及系统
CN112381236A (zh) * 2020-12-02 2021-02-19 深圳前海微众银行股份有限公司 联邦迁移学习的数据处理方法、装置、设备及存储介质
CN112948885B (zh) * 2021-03-25 2023-10-27 支付宝(杭州)信息技术有限公司 实现隐私保护的多方协同更新模型的方法、装置及系统
CN113221183B (zh) * 2021-06-11 2022-09-16 支付宝(杭州)信息技术有限公司 实现隐私保护的多方协同更新模型的方法、装置及系统

Also Published As

Publication number Publication date
WO2023124312A1 (zh) 2023-07-06

Similar Documents

Publication Publication Date Title
CN113159327B (zh) 基于联邦学习系统的模型训练方法、装置、电子设备
CN113515760B (zh) 横向联邦学习方法、装置、计算机设备和存储介质
CN116506124B (zh) 多方隐私求交系统及方法
Lyu et al. Towards fair and decentralized privacy-preserving deep learning with blockchain
CN112347500A (zh) 分布式系统的机器学习方法、装置、系统、设备及存储介质
WO2023124219A1 (zh) 一种联合学习模型迭代更新方法、装置、系统及存储介质
CN113988310A (zh) 深度学习模型选择方法、装置、计算机设备和介质
CN112949866B (zh) 泊松回归模型的训练方法、装置、电子设备及存储介质
CN115982779B (zh) 一种数据匿名化方法、装置、电子设备及存储介质
CN117134945A (zh) 数据处理方法、系统、装置、计算机设备及存储介质
CN117034287A (zh) 基于隐私计算互联互通技术的多方联合建模安全增强方法
CN116384461A (zh) 基于联合学习的模型优化训练方法及装置
CN116306905A (zh) 半监督非独立同分布的联邦学习蒸馏方法及装置
CN116415676A (zh) 联合学习中的预测方法及装置
CN116032590A (zh) 一种ddos攻击的检测模型训练方法及相关装置
CN116069767A (zh) 设备数据清洗方法、装置、计算机设备及介质
CN112668037B (zh) 一种模型训练方法、装置和电子设备
CN116050557A (zh) 电力负荷预测方法、装置、计算机设备和介质
Feng et al. PpNNT: Multiparty Privacy-Preserving Neural Network Training System
CN113887746A (zh) 基于联合学习的降低通信压力的方法及装置
Chen et al. Crowdlearning: Crowded deep learning with data privacy
CN116415263A (zh) 基于联合学习的数据样本处理方法及装置
CN116070708A (zh) 基于联合学习的模型训练方法及装置
CN115439219A (zh) 违约风险检测模型的训练方法及装置
CN117034000B (zh) 纵向联邦学习的建模方法、装置、存储介质以及电子设备

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