CN116484707A - 联合学习模型的确定方法及装置 - Google Patents

联合学习模型的确定方法及装置 Download PDF

Info

Publication number
CN116484707A
CN116484707A CN202210041507.6A CN202210041507A CN116484707A CN 116484707 A CN116484707 A CN 116484707A CN 202210041507 A CN202210041507 A CN 202210041507A CN 116484707 A CN116484707 A CN 116484707A
Authority
CN
China
Prior art keywords
model
target
participant
training
participants
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
CN202210041507.6A
Other languages
English (en)
Inventor
刘嘉
李增祥
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 CN202210041507.6A priority Critical patent/CN116484707A/zh
Publication of CN116484707A publication Critical patent/CN116484707A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及联合学习技术领域，提供了一种联合学习模型的确定方法及装置。该方法包括：获取联合学习的主题，根据主题获取目标样例数据；提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征；根据第一哈希特征和多个第二哈希特征，从多个参与方中确定出多个目标参与方；对多个目标参与方的参与方数据进行聚类操作，得到聚类结果；利用聚类结果训练神经网络模型，得到联合学习模型。采用上述技术手段，解决现有技术中，在联合学习中，直接使用多个参与方的参与方数据进行训练，得到的模型的精度低的问题。

Description

联合学习模型的确定方法及装置
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模型的确定方法及装置。
背景技术
在联合学习中，往往是通过多个参与方的参与方数据训练神经网络模型，得到每个参与方的网络模型，根据每个参与方的网络模型，得到联合学习模型。每个参与方的参与方数据是每个参与方采集得到的，因为每个参与方的业务不同或者采集数据的主体不同，每个参与方的参与方数据的数据质量和数量都不一样，因此如果直接使用多个参与方的参与方数据训练神经网络模型，得到的联合学习模型的精度低。
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：在联合学习中，直接使用多个参与方的参与方数据进行训练，得到的模型的精度低的问题。
发明内容
有鉴于此，本公开实施例提供了一种联合学习模型的确定方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，在联合学习中，直接使用多个参与方的参与方数据进行训练，得到的模型的精度低的问题。
本公开实施例的第一方面，提供了一种联合学习模型的确定方法，包括：获取联合学习的主题，根据主题获取目标样例数据；提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征；根据第一哈希特征和多个第二哈希特征，从多个参与方中确定出多个目标参与方；对多个目标参与方的参与方数据进行聚类操作，得到聚类结果；利用聚类结果训练神经网络模型，得到联合学习模型。
本公开实施例的第二方面，提供了一种联合学习模型的确定装置，包括：获取模块，被配置为获取联合学习的主题，根据主题获取目标样例数据；提取模块，被配置为提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征；确定模块，被配置为根据第一哈希特征和多个第二哈希特征，从多个参与方中确定出多个目标参与方；聚类模块，被配置为对多个目标参与方的参与方数据进行聚类操作，得到聚类结果；训练模块，被配置为利用聚类结果训练神经网络模型，得到联合学习模型。
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：获取联合学习的主题，根据主题获取目标样例数据；提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征；根据第一哈希特征和多个第二哈希特征，从多个参与方中确定出多个目标参与方；对多个目标参与方的参与方数据进行聚类操作，得到聚类结果；利用聚类结果训练神经网络模型，得到联合学习模型。采用上述技术手段，可以解决现有技术中，在联合学习中，直接使用多个参与方的参与方数据进行训练，得到的模型的精度低的问题，进而提高联合学习中模型的精度。
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联合学习模型的确定方法的流程示意图；
图3是本公开实施例提供的一种联合学习模型的确定装置的结构示意图；
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模型的确定方法和装置。
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模型的确定方法的流程示意图。图2的联合学习模型的确定方法可以由图1的服务器执行。如图2所示，该联合学习模型的确定方法包括：
S201，获取联合学习的主题，根据主题获取目标样例数据；
S202，提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征；
S203，根据第一哈希特征和多个第二哈希特征，从多个参与方中确定出多个目标参与方；
S204，对多个目标参与方的参与方数据进行聚类操作，得到聚类结果；
S205，利用聚类结果训练神经网络模型，得到联合学习模型。
本公开实施例的执行主体可以是训练的发起方或者说数据的聚合方。目标样例数据是数据的聚合方在联合学习的主题下对应的样例数据。该样例数据用于从多个参与方中确定出多个目标参与方，凡是与该样例数据类似的参与方数据就是符合本次训练主题的，该参与方数据对应的参与方就是可以参与本次训练的。参与方数据与该样例数据类似，可以通过数据相似度或者数据特征的相似度判断。因为每个参与方采集的参与方数据的数据质量和数量都不一样，现有技术不会对联合学习的多个参与方进行挑选，会造成训练得到的联合学习模型的精度低的问题。为了解决上述问题，本公开实施例利用哈希算法和联合学习的主题从多个参与方中确定出多个目标参与方，利用多个目标参与方的参与方数据训练模型，进而提高了联合学习模型的精度。对多个目标参与方的参与方数据进行聚类操作，得到聚类结果，利用聚类结果训练神经网络模型，可以进一步提高联合学习模型的精度。聚类分析又称群分析，它是研究(样品或指标)分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。
对多个目标参与方的参与方数据进行聚类操作，可以理解为对多个目标参与方的参与方数据进行聚类(Cluster)分析，聚类分析是由若干模式(Pattern)组成的，通常，模式是一个度量(Measurement)的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
根据本公开实施例提供的技术方案，获取联合学习的主题，根据主题获取目标样例数据；提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征；根据第一哈希特征和多个第二哈希特征，从多个参与方中确定出多个目标参与方；对多个目标参与方的参与方数据进行聚类操作，得到聚类结果；利用聚类结果训练神经网络模型，得到联合学习模型。采用上述技术手段，可以解决现有技术中，在联合学习中，直接使用多个参与方的参与方数据进行训练，得到的模型的精度低的问题，进而提高联合学习中模型的精度。
在步骤S202中，提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征，包括：根据哈希算法，生成哈希程序；利用哈希程序提取第一哈希特征和多个第二哈希特征。
哈希算法也就是哈希分析的算法。本公开实施例为了提高提取数据特征的效率，根据哈希算法，生成哈希程序，利用哈希程序提取哈希特征。根据哈希算法，生成哈希程序，可以理解为将算法程序化的一种操作。
在执行步骤S203之后，也就是根据第一哈希特征和多个第二哈希特征，从多个参与方中确定出多个目标参与方之后，方法还包括：分别利用每个目标参与方的参与方数据训练神经网络模型，得到每个参与方对应的网络模型；获取每个参与方对应的网络模型的模型参数；聚合多个参与方对应的网络模型的模型参数，得到全局参数；基于全局参数更新神经网络模型的模型参数，得到联合学习模型。
为了降低训练的难度，本公开实施例分别利用每个目标参与方的参与方数据训练神经网络模型，得到每个参与方对应的网络模型，聚合多个参与方对应的网络模型的模型参数，进而得到联合学习模型。利用每个目标参与方的参与方数据训练神经网络模型，可以是通过每个目标参与方进行的，如此，就可以充分利用多方的设备，减小数据聚合方的计算量。
在执行步骤S205之后，也就是利用聚类结果训练神经网络模型，得到联合学习模型之后，方法还包括：将待预测数据输入联合学习模型，得到预测结果；获取预测结果对应的目标资源，按照预测规则为多个目标参与方分配目标资源。
联合学习的主题可以是某地区某个时间段的电量预测或者某地区某个时间段的燃气预测等。基于一个联合学习的主题训练得到的联合学习模型可以用于该主题下的预测。目标资源可以是联合学习模型通过预测获得的经济效益，也可以是联合学习模型的预测结果、预测的服务等。
在执行步骤S203之后，也就是按照预测规则为多个目标参与方分配目标资源，包括：计算目标样例数据与每个目标参与方的参与方数据的相似度；根据目标样例数据与每个目标参与方的参与方数据的相似度为多个目标参与方分配目标资源。
本公开实施例计算相似度，可以是余弦相似度等常用的相似度。目标样例数据与一个目标参与方的参与方数据的相似度越高，说明该目标参与方的参与方数据质量越好，该目标参与方对本次联合学习的贡献越大，给该目标参与方分配的目标资源越多。
可选地，按照预测规则为多个目标参与方分配目标资源，包括：计算第一哈希特征和每个第二哈希特征的相似度；根据第一哈希特征和每个第二哈希特征的相似度为多个目标参与方分配目标资源。
在执行步骤S204之后，也就是对多个目标参与方的参与方数据进行聚类操作，得到聚类结果之后，方法还包括：对聚类结果进行标注处理，得到标注结果；对聚类结果和标注结果进行拟合处理，得到拟合结果；根据拟合结果构建数学模型，并利用数学模型和神经网络模型构建待训练模型；利用聚类结果训练待训练模型，得到联合学习模型。
本公开实施例的标注类似于现有技术的标注的概念，但是存在不同。本公开实施例对聚类结果进行标注处理，得到标注结果，标注结果可以理解为聚类结果对应的标签(现有技术对数据标注，得到的结果是包括该数据和该数据对应的标签的)。对聚类结果和标注结果进行拟合处理，是确定聚类结果和标注结果之间的映射关系。利用数学模型和神经网络模型构建待训练模型，可以是数学模型后接神经网络模型，或者神经网络模型后接数学模型。
在执行步骤S204之后，也就是利用聚类结果训练待训练模型，得到联合学习模型，包括：在整个训练过程中，第一轮训练：在冻结神经网络模型的情况下，使用聚类结果训练待训练模型，以更新待训练模型中的数学模型的模型参数；第二轮训练：在冻结数学模型的情况下，使用聚类结果训练待训练模型，以更新待训练模型中的神经网络模型的模型参数；第三轮训练：使用聚类结果训练待训练模型，以更新待训练模型中的数学模型和神经网络模型的模型参数；将训练后的待训练模型中的神经网络模型确定为联合学习模型。
为了提高联合学习模型的精度，本公开实施例借助了根据拟合结果构建的数学模型。利用聚类结果训练待训练模型，包括三轮训练：第一轮训练，第二轮训练和第三轮训练。
可选地，使用聚类结果训练待训练模型，以更新待训练模型中的数学模型和神经网络模型的模型参数之后，还可以将训练后的待训练模型确定为联合学习模型。
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模型的确定装置的示意图。如图3所示，该联合学习模型的确定装置包括：
获取模块301，被配置为获取联合学习的主题，根据主题获取目标样例数据；
提取模块302，被配置为提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征；
确定模块303，被配置为根据第一哈希特征和多个第二哈希特征，从多个参与方中确定出多个目标参与方；
聚类模块304，被配置为对多个目标参与方的参与方数据进行聚类操作，得到聚类结果；
训练模块305，被配置为利用聚类结果训练神经网络模型，得到联合学习模型。
本公开实施例的执行主体可以是训练的发起方或者说数据的聚合方。目标样例数据是数据的聚合方在联合学习的主题下对应的样例数据。该样例数据用于从多个参与方中确定出多个目标参与方，凡是与该样例数据类似的参与方数据就是符合本次训练主题的，该参与方数据对应的参与方就是可以参与本次训练的。参与方数据与该样例数据类似，可以通过数据相似度或者数据特征的相似度判断。因为每个参与方采集的参与方数据的数据质量和数量都不一样，现有技术不会对联合学习的多个参与方进行挑选，会造成训练得到的联合学习模型的精度低的问题。为了解决上述问题，本公开实施例利用哈希算法和联合学习的主题从多个参与方中确定出多个目标参与方，利用多个目标参与方的参与方数据训练模型，进而提高了联合学习模型的精度。对多个目标参与方的参与方数据进行聚类操作，得到聚类结果，利用聚类结果训练神经网络模型，可以进一步提高联合学习模型的精度。聚类分析又称群分析，它是研究(样品或指标)分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。
对多个目标参与方的参与方数据进行聚类操作，可以理解为对多个目标参与方的参与方数据进行聚类(Cluster)分析，聚类分析是由若干模式(Pattern)组成的，通常，模式是一个度量(Measurement)的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
根据本公开实施例提供的技术方案，获取联合学习的主题，根据主题获取目标样例数据；提取目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征；根据第一哈希特征和多个第二哈希特征，从多个参与方中确定出多个目标参与方；对多个目标参与方的参与方数据进行聚类操作，得到聚类结果；利用聚类结果训练神经网络模型，得到联合学习模型。采用上述技术手段，可以解决现有技术中，在联合学习中，直接使用多个参与方的参与方数据进行训练，得到的模型的精度低的问题，进而提高联合学习中模型的精度。
可选地，提取模块302还被配置为根据哈希算法，生成哈希程序；利用哈希程序提取第一哈希特征和多个第二哈希特征。
哈希算法也就是哈希分析的算法。本公开实施例为了提高提取数据特征的效率，根据哈希算法，生成哈希程序，利用哈希程序提取哈希特征。根据哈希算法，生成哈希程序，可以理解为将算法程序化的一种操作。
可选地，确定模块303还被配置为分别利用每个目标参与方的参与方数据训练神经网络模型，得到每个参与方对应的网络模型；获取每个参与方对应的网络模型的模型参数；聚合多个参与方对应的网络模型的模型参数，得到全局参数；基于全局参数更新神经网络模型的模型参数，得到联合学习模型。
为了降低训练的难度，本公开实施例分别利用每个目标参与方的参与方数据训练神经网络模型，得到每个参与方对应的网络模型，聚合多个参与方对应的网络模型的模型参数，进而得到联合学习模型。利用每个目标参与方的参与方数据训练神经网络模型，可以是通过每个目标参与方进行的，如此，就可以充分利用多方的设备，减小数据聚合方的计算量。
可选地，训练模块305还被配置为将待预测数据输入联合学习模型，得到预测结果；获取预测结果对应的目标资源，按照预测规则为多个目标参与方分配目标资源。
联合学习的主题可以是某地区某个时间段的电量预测或者某地区某个时间段的燃气预测等。基于一个联合学习的主题训练得到的联合学习模型可以用于该主题下的预测。目标资源可以是联合学习模型通过预测获得的经济效益，也可以是联合学习模型的预测结果、预测的服务等。
可选地，确定模块303还被配置为计算目标样例数据与每个目标参与方的参与方数据的相似度；根据目标样例数据与每个目标参与方的参与方数据的相似度为多个目标参与方分配目标资源。
本公开实施例计算相似度，可以是余弦相似度等常用的相似度。目标样例数据与一个目标参与方的参与方数据的相似度越高，说明该目标参与方的参与方数据质量越好，该目标参与方对本次联合学习的贡献越大，给该目标参与方分配的目标资源越多。
可选地，确定模块303还被配置为计算第一哈希特征和每个第二哈希特征的相似度；根据第一哈希特征和每个第二哈希特征的相似度为多个目标参与方分配目标资源。
可选地，聚类模块304还被配置为对聚类结果进行标注处理，得到标注结果；对聚类结果和标注结果进行拟合处理，得到拟合结果；根据拟合结果构建数学模型，并利用数学模型和神经网络模型构建待训练模型；利用聚类结果训练待训练模型，得到联合学习模型。
本公开实施例的标注类似于现有技术的标注的概念，但是存在不同。本公开实施例对聚类结果进行标注处理，得到标注结果，标注结果可以理解为聚类结果对应的标签(现有技术对数据标注，得到的结果是包括该数据和该数据对应的标签的)。对聚类结果和标注结果进行拟合处理，是确定聚类结果和标注结果之间的映射关系。利用数学模型和神经网络模型构建待训练模型，可以是数学模型后接神经网络模型，或者神经网络模型后接数学模型。
可选地，聚类模块304还被配置为在整个训练过程中，第一轮训练：在冻结神经网络模型的情况下，使用聚类结果训练待训练模型，以更新待训练模型中的数学模型的模型参数；第二轮训练：在冻结数学模型的情况下，使用聚类结果训练待训练模型，以更新待训练模型中的神经网络模型的模型参数；第三轮训练：使用聚类结果训练待训练模型，以更新待训练模型中的数学模型和神经网络模型的模型参数；将训练后的待训练模型中的神经网络模型确定为联合学习模型。
为了提高联合学习模型的精度，本公开实施例借助了根据拟合结果构建的数学模型。利用聚类结果训练待训练模型，包括三轮训练：第一轮训练，第二轮训练和第三轮训练。
可选地，使用聚类结果训练待训练模型，以更新待训练模型中的数学模型和神经网络模型的模型参数之后，还可以将训练后的待训练模型确定为联合学习模型。
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)

1.一种联合学习模型的确定方法，其特征在于，包括：
获取联合学习的主题，根据所述主题获取目标样例数据；
提取所述目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征；
根据所述第一哈希特征和多个所述第二哈希特征，从多个所述参与方中确定出多个目标参与方；
对多个所述目标参与方的参与方数据进行聚类操作，得到聚类结果；
利用所述聚类结果训练神经网络模型，得到联合学习模型。
2.根据权利要求1所述的方法，其特征在于，所述提取所述目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征，包括：
根据哈希算法，生成哈希程序；
利用所述哈希程序提取所述第一哈希特征和多个所述第二哈希特征。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一哈希特征和多个所述第二哈希特征，从多个所述参与方中确定出多个目标参与方之后，所述方法还包括：
分别利用每个所述目标参与方的参与方数据训练神经网络模型，得到每个所述参与方对应的网络模型；
获取每个所述参与方对应的网络模型的模型参数；
聚合多个所述参与方对应的网络模型的模型参数，得到全局参数；
基于所述全局参数更新所述神经网络模型的模型参数，得到所述联合学习模型。
4.根据权利要求1所述的方法，其特征在于，所述利用所述聚类结果训练神经网络模型，得到联合学习模型之后，所述方法还包括：
将待预测数据输入所述联合学习模型，得到预测结果；
获取所述预测结果对应的目标资源，按照预测规则为多个所述目标参与方分配所述目标资源。
5.根据权利要求4所述的方法，其特征在于，所述按照预测规则为多个所述目标参与方分配所述目标资源，包括：
计算所述目标样例数据与每个所述目标参与方的参与方数据的相似度；
根据所述目标样例数据与每个所述目标参与方的参与方数据的相似度为多个所述目标参与方分配所述目标资源。
6.根据权利要求1所述的方法，其特征在于，所述对多个所述目标参与方的参与方数据进行聚类操作，得到聚类结果之后，所述方法还包括：
对所述聚类结果进行标注处理，得到标注结果；
对所述聚类结果和所述标注结果进行拟合处理，得到所述拟合结果；
根据所述拟合结果构建数学模型，并利用所述数学模型和所述神经网络模型构建待训练模型；
利用所述聚类结果训练所述待训练模型，得到联合学习模型。
7.根据权利要求6所述的方法，其特征在于，所述利用所述聚类结果训练所述待训练模型，得到联合学习模型，包括：
在整个训练过程中，第一轮训练：在冻结所述神经网络模型的情况下，使用所述聚类结果训练所述待训练模型，以更新所述待训练模型中的所述数学模型的模型参数；
第二轮训练：在冻结所述数学模型的情况下，使用所述聚类结果训练所述待训练模型，以更新所述待训练模型中的所述神经网络模型的模型参数；
第三轮训练：使用所述聚类结果训练所述待训练模型，以更新所述待训练模型中的所述数学模型和所述神经网络模型的模型参数；
将训练后的所述待训练模型中的所述神经网络模型确定为所述联合学习模型。
8.一种联合学习模型的确定装置，其特征在于，包括：
获取模块，被配置为获取联合学习的主题，根据所述主题获取目标样例数据；
提取模块，被配置为提取所述目标样例数据的第一哈希特征和每个参与方的参与方数据的第二哈希特征；
确定模块，被配置为根据所述第一哈希特征和多个所述第二哈希特征，从多个所述参与方中确定出多个目标参与方；
聚类模块，被配置为对多个所述目标参与方的参与方数据进行聚类操作，得到聚类结果；
训练模块，被配置为利用所述聚类结果训练神经网络模型，得到联合学习模型。
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。
CN202210041507.6A 2022-01-14 2022-01-14 联合学习模型的确定方法及装置 Pending CN116484707A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210041507.6A CN116484707A (zh) 2022-01-14 2022-01-14 联合学习模型的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210041507.6A CN116484707A (zh) 2022-01-14 2022-01-14 联合学习模型的确定方法及装置

Publications (1)

Publication Number Publication Date
CN116484707A true CN116484707A (zh) 2023-07-25

Family

ID=87212432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210041507.6A Pending CN116484707A (zh) 2022-01-14 2022-01-14 联合学习模型的确定方法及装置

Country Status (1)

Country Link
CN (1) CN116484707A (zh)

Similar Documents

Publication Publication Date Title
CN110084377B (zh) 用于构建决策树的方法和装置
CN111368911B (zh) 一种图像分类方法、装置和计算机可读存储介质
CN114330125A (zh) 基于知识蒸馏的联合学习训练方法、装置、设备及介质
CN114116705B (zh) 联合学习中确定参与方贡献值的方法及装置
CN113988310A (zh) 深度学习模型选择方法、装置、计算机设备和介质
CN112817563A (zh) 目标属性配置信息确定方法、计算机设备和存储介质
CN116050557A (zh) 电力负荷预测方法、装置、计算机设备和介质
CN116402366A (zh) 基于联合学习的数据贡献评价方法及装置
CN116484707A (zh) 联合学习模型的确定方法及装置
CN113887495A (zh) 基于迁移学习的视频标注方法及装置
CN116340959A (zh) 一种面向断点隐私保护的方法、装置、设备及介质
CN116069767A (zh) 设备数据清洗方法、装置、计算机设备及介质
CN116362101A (zh) 基于联合学习的数据处理方法、数据模型生成方法及装置
CN113762972A (zh) 数据存储控制方法及装置、电子设备、存储介质
CN114154714A (zh) 时序数据预测方法、装置、计算机设备及介质
CN116416655A (zh) 基于联合学习的主题的预测方法及装置
CN116485215A (zh) 联合学习中资源的分配方法及装置
CN114897186A (zh) 联合学习训练方法及装置
CN114118542B (zh) 烟气含氧量负荷预测模型的选择方法及装置
CN114298320A (zh) 联合学习的贡献值计算方法、装置、电子设备及存储介质
CN116384501A (zh) 一种联合学习训练方法及装置
CN116341152A (zh) 一种用气负荷预测方法、装置、电子设备及存储介质
CN116049681A (zh) 能源相关数据的选择方法、装置、计算机设备和介质
CN117077798A (zh) 基于半监督学习的联合学习模型的生成方法及装置
CN117313831A (zh) 基于模型蒸馏的联合学习训练方法及装置

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