CN116629381A - 一种联邦迁移学习方法、装置、存储介质及电子设备 - Google Patents
一种联邦迁移学习方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116629381A CN116629381A CN202310613933.7A CN202310613933A CN116629381A CN 116629381 A CN116629381 A CN 116629381A CN 202310613933 A CN202310613933 A CN 202310613933A CN 116629381 A CN116629381 A CN 116629381A
- Authority
- CN
- China
- Prior art keywords
- feature
- optimized
- party
- data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000013508 migration Methods 0.000 title abstract description 24
- 230000005012 migration Effects 0.000 title abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000013526 transfer learning Methods 0.000 claims abstract description 42
- 230000005477 standard model Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F21/602—Providing cryptographic facilities or services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本说明书公开了一种联邦迁移学习方法、装置、存储介质及电子设备。在本说明书提供的联邦迁移学习方法中，确定与第二参与方的共有样本对象，作为目标样本对象；将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一提取子网，获得所述第一提取子网输出的待优化特征；将所述待优化特征发送给第三方服务器，以使所述第三方服务器确定所述待优化特征与标准特征之间的特征损失，其中，所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二提取子网得到并发送给所述第三方服务器的；接收所述第三方服务器返回的特征损失，并采用所述特征损失训练所述第一提取子网。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种联邦迁移学习方法、装置、存储介质及电子设备。
背景技术
随着信息时代的不断发展，用户在各平台上产生的数据不断丰富。但是，为了保护用户的隐私，各平台的数据都不会外露，仅限内部使用。为了能够让各平台的数据相互增益，通常会采用联邦学习的方式在不泄露原始数据的情况下利用双方的数据对各自的神经网络模型进行训练。另一方面，从零开始训练一个新的模型往往成本较大，为了节省训练成本，加快训练速度，目前往往会采用迁移学习来通过已有的模型来辅助训练新的模型。
如今，为了结合上述两种训练方式的优势，联邦迁移学习应运而生。但是，现有的联邦迁移学习的过程并不完善。由于需要考虑到隐私保护等问题，参与联邦迁移学习的双方之间需要进行多轮通讯，反复交换数据。这一过程十分复杂且冗长，需要耗费大量时间。
因此，如何提高联邦迁移学习的效率是一个亟待解决的问题。
发明内容
本说明书提供一种联邦迁移学习方法、装置、存储介质及电子设备，以至少部分地解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种联邦迁移学习方法，所述方法应用于第一参与方，所述方法包括：
确定与第二参与方的共有样本对象，作为目标样本对象；
将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一提取子网，获得所述第一提取子网输出的待优化特征；
将所述待优化特征发送给第三方服务器，以使所述第三方服务器确定所述待优化特征与标准特征之间的特征损失，其中，所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二提取子网得到并发送给所述第三方服务器的；
接收所述第三方服务器返回的特征损失，并采用所述特征损失训练所述第一提取子网。
可选地，所述第一参与方和所述第二参与方为业务提供方，所述共有样本对象为在所述第一参与方和所述第二参与方均执行过业务的用户。
可选地，确定与第二参与方的共有样本对象，作为目标样本对象，具体包括：
确定自身存储的图数据的数据节点所属的样本对象中，与所述第二参与方存储的数据节点所属的对象中共有的样本对象，作为目标样本对象；
所述第一数据与所述第二数据为图数据。
可选地，所述第一提取子网在待训练的风控模型中，所述第一提取子网用于提取用户的特征，以使所述风控模型判断所述用户是否为风险用户。
可选地，将所述待优化特征发送给第三方服务器，具体包括：
对所述待优化特征进行加密，并将加密后的待优化特征发送给第三方服务器；
所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型得到并加密后发送给所述第三方服务器的。
可选地，所述第三方服务器确定所述待优化特征与标准特征之间的特征损失，具体包括：
所述第三方服务器确定所述待优化特征与标准特征之间的相似度；
根据所述相似度，确定所述待优化特征与所述标准特征之间的特征损失。
可选地，所述第二提取子网在预先训练的标准模型中；
预先训练标准模型，具体包括：
在历史数据中确定样本用户，并获取所述样本用户的样本信息以及标注，所述标注为所述样本用户是否为风险用户；
将所述样本信息输入待训练的标准模型，通过所述标准模型中的第二提取子网提取所述样本信息的待优化样本特征；
通过所述标准模型中的输出子网，根据所述待优化样本特征得到所述标准模型的待优化输出结果；
以所述待优化输出结果与所述标注之间的差异最小为优化目标，对所述标准模型进行训练。
可选地，所述方法还包括：
将自身存储的用户的数据输入训练完成的第一提取子网，获得所述第一提取子网输出的目标特征；
采用所述目标特征对所述待训练的风控模型进行训练。
本说明书提供了一种联邦迁移学习方法，所述方法应用于第二参与方，所述方法包括：
确定与第一参与方的共有样本对象，作为目标样本对象；
将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型，获得所述第二模型输出的标准特征；
将所述标准特征发送给第三方服务器，以使所述第三方服务器确定所述标准特征与待优化特征之间的特征损失，并将所述特征损失发送给第一参与方，以使所述第一参与方根据所述特征损失对第一模型进行训练，其中，所述待优化特征是所述第一参与方将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一模型得到并发送给所述第三方服务器的。
本说明书提供了一种联邦迁移学习装置，包括：
第一确定模块，用于确定与第二参与方的共有样本对象，作为目标样本对象；
第一输入模块，用于将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一提取子网，获得所述第一提取子网输出的待优化特征；
第一发送模块，用于将所述待优化特征发送给第三方服务器，以使所述第三方服务器确定所述待优化特征与标准特征之间的特征损失，其中，所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二提取子网得到并发送给所述第三方服务器的；
接收模块，用于接收所述第三方服务器返回的特征损失，并采用所述特征损失训练所述第一提取子网。
可选地，所述第一参与方和所述第二参与方为业务提供方，所述共有样本对象为在所述第一参与方和所述第二参与方均执行过业务的用户。
可选地，所述第一确定模块，具体用于确定自身存储的图数据的数据节点所属的样本对象中，与所述第二参与方存储的数据节点所属的对象中共有的样本对象，作为目标样本对象；所述第一数据与所述第二数据为图数据。
可选地，所述第一提取子网在待训练的风控模型中，所述第一提取子网用于提取用户的特征，以使所述风控模型判断所述用户是否为风险用户。
可选地，所述第一发送模块，具体用于对所述待优化特征进行加密，并将加密后的待优化特征发送给第三方服务器；所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型得到并加密后发送给所述第三方服务器的。
可选地，所述第一发送模块，具体用于所述第三方服务器确定所述待优化特征与标准特征之间的相似度；根据所述相似度，确定所述待优化特征与所述标准特征之间的特征损失。
可选地，所述第二提取子网在预先训练的标准模型中；
所述装置还包括预先训练模块，具体用于在历史数据中确定样本用户，并获取所述样本用户的样本信息以及标注，所述标注为所述样本用户是否为风险用户；将所述样本信息输入待训练的标准模型，通过所述标准模型中的第二提取子网提取所述样本信息的待优化样本特征；通过所述标准模型中的输出子网，根据所述待优化样本特征得到所述标准模型的待优化输出结果；以所述待优化输出结果与所述标注之间的差异最小为优化目标，对所述标准模型进行训练。
可选地，所述装置还包括复用模块，具体用于将自身存储的用户的数据输入训练完成的第一提取子网，获得所述第一提取子网输出的目标特征；采用所述目标特征对所述待训练的风控模型进行训练。
本说明书提供了一种联邦迁移学习装置，包括：
第二确定模块，用于确定与第一参与方的共有样本对象，作为目标样本对象；
第二输入模块，用于将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型，获得所述第二模型输出的标准特征；
第二发送模块，用于将所述标准特征发送给第三方服务器，以使所述第三方服务器确定所述标准特征与待优化特征之间的特征损失，并将所述特征损失发送给第一参与方，以使所述第一参与方根据所述特征损失对第一模型进行训练，其中，所述待优化特征是所述第一参与方将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一模型得到并发送给所述第三方服务器的。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述联邦迁移学习方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述联邦迁移学习方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的联邦迁移学习方法中，确定与第二参与方的共有样本对象，作为目标样本对象；将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一提取子网，获得所述第一提取子网输出的待优化特征；将所述待优化特征发送给第三方服务器，以使所述第三方服务器确定所述待优化特征与标准特征之间的特征损失，其中，所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二提取子网得到并发送给所述第三方服务器的；接收所述第三方服务器返回的特征损失，并采用所述特征损失训练所述第一提取子网。
在采用本说明书提供的联邦迁移学习方法对第一参与方的第一提取子网进行训练时，可首先确定出第一参与方与第二参与方的共有样本对象作为目标样本对象，并采用第一参与方的待训练的第一提取子网和第二参与方的预先训练的第二提取子网，分别提取目标样本对象的待优化特征和标准特征；由第三方服务器确定待优化特征和标准特征之间的特征损失，并返回给第一参与方，根据特征损失训练第一提取子网。采用本方法能够在通讯轮次较少的情况下完成对第一提取子网的训练，同时减少了参与联邦迁移学习的双方所需要完成的计算量，大幅降低了联邦迁移学习的成本。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种应用于第一参与方的联邦迁移学习方法的流程示意图；
图2为本说明书中提供的一种应用于第二参与方的联邦迁移学习方法的流程示意图；
图3为本说明书提供的一种联邦迁移学习装置的示意图；
图4为本说明书提供的另一种联邦迁移学习装置的示意图；
图5为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
在现有的联邦迁移学习方法中，由于参与联邦迁移学习的双方都需要保护自身的原始数据以及模型结构和参数等，在学习的过程中，需要不断地对各自的数据进行加密、解密，因此造成了双方通常需要很多轮通讯才能够完成联邦迁移学习。以最简单的场景为例，假设在一个联邦迁移学习中，参与的双方为A方和B方，在利用A方数据对B方模型进行训练的过程中，首先需要A方将数据进行a加密后发送给B方，B方将加密的数据输入模型，并将模型输出的内容进行b加密，随后返回给A方；A方对接收到的内容中的a加密进行解密后，再次发送给B方，最终B方再对内容中的b加密进行解密后，才能对模型进行训练。可以想到的，在利用B方数据对A方模型进行训练时，也会重复相同的过程。
不难看出，上述过程十分复杂且繁琐，双方需要承担的计算量都较大，是一个非常耗费时间的过程，训练成本较高。
因此，为了解决上述技术问题，本说明书提供了一种训练成本更低的联邦迁移学习方法。
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种应用于第一参与方的联邦迁移学习方法的流程示意图，包括以下步骤：
S100：确定与第二参与方的共有样本对象，作为目标样本对象。
在联邦迁移学习的过程中，通常需要至少两个参与方，因此，在本说明书提供的联邦迁移学习方法中，存在第一参与方与第二参与方，其中，为了便于解释与说明，在本说明书中，将第一参与方作为进行训练的一方，将第二参与方作为指导第一参与方进行训练的一方。需要注意的是，在实际应用中，双方通常都需要利用对方的数据或模型指导自身的模型进行训练。换句话说，第一参与方和第二参与方的身份可以进行互换，并且在互换后仍可执行本说明书提供的联邦迁移学习方法。
在本说明书中，用于实现联邦迁移学习的执行主体，可以指服务器等设置于业务平台的指定设备，为了便于描述，本说明书仅以服务器是执行主体为例，对本说明书提供的一种联邦迁移学习方法进行说明。值得一提的是，在本方法中，执行主体的所属应为第一参与方。
通常情况下，参与联邦迁移学习的双方在训练数据以及模型功能上一定会存在部分的重合，以保证迁移学习是能够发挥作用的。基于此，在此步骤中，可确定第一参与方与第二参与方的共有样本对象。其中，共有样本对象为在第一参与方的数据所属的样本对象中，和第二参与方的数据所属的样本对象中，均存在的样本对象。
举例来说，样本对象可以是用户。具体的，所述第一参与方和所述第二参与方为业务提供方，所述共有样本对象为在所述第一参与方和所述第二参与方均执行过业务的用户。例如，第一参与方和第二参与方可以分别是两个不同的银行，而二者的共有样本对象可以是分别在两个银行均办理过业务的用户。
更进一步的，第一参与方和第二参与方用于进行联邦迁移学习的数据可以是图数据。在确定共有样本对象时，可具体的，确定自身存储的图数据的数据节点所属的样本对象中，与所述第二参与方存储的数据节点所属的对象中共有的样本对象，作为目标样本对象。
S102：将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一提取子网，获得所述第一提取子网输出的待优化特征。
在此步骤中，可将步骤S100确定出的目标样本对象在第一参与方中的第一数据输入待训练的第一提取子网，得到第一提取子网输出的待优化特征。其中，第一数据为目标样本对象的数据，存储在第一参与方中；第一提取子网的作用为根据样本对象的数据，提取样本对象的特征。由于此时第一提取子网尚未进行训练，因此在此步骤中第一提取子网提取出的特征为需要等待训练优化的待优化特征。
值得一提的是，第一提取子网并不是一个完整的模型，而仅是一个可以应用在模型中的子网。第一提取子网可以应用于任何需要利用到样本对象的特征的模型中，例如，在沿用上例，样本对象为用户的情况下，第一提取子网可应用于判断用户是否存在风险的风控模型中。具体的，所述第一提取子网在待训练的风控模型中，所述第一提取子网用于提取用户的特征，以使所述风控模型判断所述用户是否为风险用户。除第一提取子网外，风控模型中还可存在其它子网，例如特征处理子网、输出子网等，本说明书对此不做具体限制。
S104：将所述待优化特征发送给第三方服务器，以使所述第三方服务器确定所述待优化特征与标准特征之间的特征损失，其中，所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二提取子网得到并发送给所述第三方服务器的。
在此步骤中，可将步骤S102中确定出的待优化特征发送给第三方服务器，以使第三方服务器确定出待优化特征与标准特征之间的特征损失。除本方法所应用在的第一参与方外，在本说明书提供的联邦迁移学习方法中，还存在第二参与方。而标准特征就是第二参与方将目标样本对象在第二参与方中的第二数据输入预先训练的第二提取子网得到并发送给第三方服务器的。
由于在本方法中，第一参与方为接收训练的一方，第二参与方为指导的一方。因此，在第二参与方中，存在已经预先完成训练的第二提取子网。与第一提取子网相似的，第二提取子网的作用同样为根据样本对象的数据，提取样本对象的特征。而由于第二提取子网为已经训练好的子网，因此在本方法中可将第二提取子网提取出的特征认为是较为准确的标准特征。
第二提取子网同样并非一个完整的模型，而仅是一个可以应用在模型中的子网，第二提取子网同样可以是任意一个需要利用样本对象的特征的模型中。需要注意的是，第二提取子网所在的模型应是已经预先完成训练的模型。
第三方服务器为第一参与方与第二参与方均信任的中立方服务器，需要做到对双方提供的数据进行保密。当第三方服务器接收到第一参与方发送的待优化特征和第二参与方发送的标准特征后，可计算出待优化特征和标准特征的之间的特征损失，特征损失用于描述待优化特征与标准特征之间的差异程度。特征损失越大，则表明待优化特征与标准特征之间的差异越大；反之，特征损失越小，则表明待优化特征与标准特征之间的差异越小。
可以想到的，迁移学习的目的便是利用已有的模型更加快速地训练出新的模型。在本方法中，由于第一提取子网和第二提取子网的功能相同，即使二者实际上面对的数据分别为属于第一参与方的第一数据和属于第二参与方的第二数据，但由于第一数据和第二数据所属的样本对象相同，为第一参与方和第二参与方的共有样本对象，因此可以认为，在完成训练的情况下，对于相同的样本对象，第一提取子网和第二提取子网所提取出的特征在很大程度上仍然是相似的。因此，在本方法中，可以采用已经预先完成训练的第二提取子网对待训练的第一提取子网进行指导训练。
更优的，虽然在本方法中，第三方服务器是被第一参与方和第二参与方信任的，但在实际应用的过程中，不得不考虑数据在发送的过程中被拦截、窃取或是第三方服务器被攻击导致数据泄露等情况，因此，无论是待优化特征还是标准特征，都可以在加密后再发送给第三方服务器。具体的，可对所述待优化特征进行加密，并将加密后的待优化特征发送给第三方服务器；所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型得到并加密后发送给所述第三方服务器的。由此，即可更进一步地保证双方数据的安全性。
更优的，第三方数据在计算待优化特征和标准特征之间的特征损失时，存在多种不同的计算方式，例如采用欧氏距离直接作为特征损失，或者通过相似度间接确定出特征损失等。具体的，所述第三方服务器可确定所述待优化特征与标准特征之间的相似度；根据所述相似度，确定所述待优化特征与所述标准特征之间的特征损失。在通过待优化特征与标准特征之间的相似度间接确定二者之间的特征损失时，也存在多种计算方式，例如特征损失可以是(1-相似度)等，本说明书对此不做具体限制。
S106：接收所述第三方服务器返回的特征损失，并采用所述特征损失训练所述第一提取子网。
在此步骤中，可接收第三方服务器在步骤S104中确定出的特征损失，并采用特征损失对第一提取子网进行训练，也就是对第一提取子网的参数进行调整。
正如步骤S104中描述的，在本方法中，希望训练后得到的第一提取子网和第二提取子网能够提取出尽量相似的特征，因此在此步骤中，接收到的特征损失越大，对第一提取子网的参数的调整幅度就越大；反之，接收到的特征损失越小，对第一提取子网的参数的调整幅度就越小。在对第一提取子网进行调整后，可重新执行本说明书提供的联邦迁移学习方法，直到接收到的第三方服务器发送的特征损失不大于指定阈值，可认为对第一提取子网的训练完成。其中，指定阈值可根据需求进行设定，例如0.2等，本说明书对此不做具体限制。
在采用本说明书提供的联邦迁移学习方法对第一参与方的第一提取子网进行训练时，可首先确定出第一参与方与第二参与方的共有样本对象作为目标样本对象，并采用第一参与方的待训练的第一提取子网和第二参与方的预先训练的第二提取子网，分别提取目标样本对象的待优化特征和标准特征；由第三方服务器确定待优化特征和标准特征之间的特征损失，并返回给第一参与方，根据特征损失训练第一提取子网。采用本方法能够在通讯轮次较少的情况下完成对第一提取子网的训练，同时减少了参与联邦迁移学习的双方所需要完成的计算量，大幅降低了联邦迁移学习的成本。
额外的，本说明书所提供的联邦迁移学习方法中采用的第二提取子网可以预先训练。通常情况下，可以将第二提取子网应用在一个模型中，对模型进行训练，得到经过训练的第二提取子网。例如，与步骤S102中描述的第一提取子网可以存在于风控模型中类似，第二提取子网可以存在于一个标准模型中，为了保证联邦迁移学习的效率，标准模型的功能可与风控模型相同，为根据用户的特征判断用户是否存在风险。此时，可以对标准模型进行预先训练，从而达到训练第二提取子网的效果。
具体的，可在历史数据中确定样本用户，并获取所述样本用户的样本信息以及标注，所述标注为所述样本用户是否为风险用户；将所述样本信息输入待训练的标准模型，通过所述标准模型中的第二提取子网提取所述样本信息的待优化样本特征；通过所述标准模型中的输出子网，根据所述待优化样本特征得到所述标准模型的待优化输出结果；以所述待优化输出结果与所述标注之间的差异最小为优化目标，对所述标准模型进行训练。
需要注意的是，第二提取子网是由第二参与方进行训练的，训练中所采用的样本数据也均为第二参与方自身的数据。通过上述方式，第二参与方可训练出能够判断用户是否为风险用户的标准模型，而标准模型中的第二提取子网也就随之完成了预先训练。
额外的，为了使本说明书中提供的联邦迁移学习方法中训练出的第一提取子网能够发挥更大的作用，可以在得到训练完成的第一提取子网后，采用第一提取子网对任意需要用到样本对象的特征的模型进行训练。仍以风控模型为例，将训练完成的第一提取子网设置于风控模型中，第一参与方可将自身存储的用户的数据输入训练完成的第一提取子网，获得所述第一提取子网输出的目标特征；采用所述目标特征对所述待训练的风控模型进行训练。
在对风控模型进行训练时，可具体的，从第一参与方存储的用户数据中获取训练样本与训练标注，其中，训练样本为用户的数据，训练标注为用户是否为风险用户；将训练样本输入待训练的风控模型，得到风控模型的待优化预测结果；以待优化预测结果和训练标注之间的差异最小为优化目标，对风控模型进行训练。值得一提的是，在对风控模型进行训练的过程中，无需再调整第一提取子网的参数，仅需调整风控模型中其它子网与网络层的参数即可。对于训练完成的风控模型，在实际应用的过程中，将用户的数据输入风控模型中，风控模型即可给出用户是否为风险用户。
以上对风控模型的训练以及应用过程仅是多种实施例中的一种，应当明白，第一提取子网还可应用于多种不同的其它模型中，本说明书在此不再进行赘述。
与上述应用于第一参与方的联邦迁移学习方法相对应的，本说明书还提供了一种应用于第二参与方的联邦迁移学习方法。图2为本说明书中提供的一种应用于第二参与方的联邦迁移学习方法的流程示意图，包括以下步骤：
S200：确定与第一参与方的共有样本对象，作为目标样本对象。
S202：将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型，获得所述第二模型输出的标准特征。
S204：将所述标准特征发送给第三方服务器，以使所述第三方服务器确定所述标准特征与待优化特征之间的特征损失，并将所述特征损失发送给第一参与方，以使所述第一参与方根据所述特征损失对第一模型进行训练，其中，所述待优化特征是所述第一参与方将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一模型得到并发送给所述第三方服务器的。
上述应用于第二参与方的联邦迁移学习方法与本说明书提供的应用于第一参与方的联邦迁移学习方法相对应，在应用时二者应同时使用。另外，上述应用于第二参与方的联邦迁移学习方法主要为第二参与方在联邦迁移学习的过程中所需要完成的步骤，在本说明书介绍应用于第一参与方的联邦迁移学习方法时已进行过详细阐述，在此不再进行赘述。
以上为本说明书的一个或多个实施联邦迁移学习的方法，基于同样的思路，本说明书还提供了相应的联邦迁移学习装置，如图3和图4所示。
图3为本说明书提供的一种联邦迁移学习装置的示意图，包括：
第一确定模块300，用于确定与第二参与方的共有样本对象，作为目标样本对象；
第一输入模块302，用于将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一提取子网，获得所述第一提取子网输出的待优化特征；
第一发送模块304，用于将所述待优化特征发送给第三方服务器，以使所述第三方服务器确定所述待优化特征与标准特征之间的特征损失，其中，所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二提取子网得到并发送给所述第三方服务器的；
接收模块306，用于接收所述第三方服务器返回的特征损失，并采用所述特征损失训练所述第一提取子网。
可选地，所述第一参与方和所述第二参与方为业务提供方，所述共有样本对象为在所述第一参与方和所述第二参与方均执行过业务的用户。
可选地，所述第一确定模块300，具体用于确定自身存储的图数据的数据节点所属的样本对象中，与所述第二参与方存储的数据节点所属的对象中共有的样本对象，作为目标样本对象；所述第一数据与所述第二数据为图数据。
可选地，所述第一提取子网在待训练的风控模型中，所述第一提取子网用于提取用户的特征，以使所述风控模型判断所述用户是否为风险用户。
可选地，所述第一发送模块304，具体用于对所述待优化特征进行加密，并将加密后的待优化特征发送给第三方服务器；所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型得到并加密后发送给所述第三方服务器的。
可选地，所述第一发送模块304，具体用于所述第三方服务器确定所述待优化特征与标准特征之间的相似度；根据所述相似度，确定所述待优化特征与所述标准特征之间的特征损失。
可选地，所述第二提取子网在预先训练的标准模型中；
所述装置还包括预先训练模块308，具体用于在历史数据中确定样本用户，并获取所述样本用户的样本信息以及标注，所述标注为所述样本用户是否为风险用户；将所述样本信息输入待训练的标准模型，通过所述标准模型中的第二提取子网提取所述样本信息的待优化样本特征；通过所述标准模型中的输出子网，根据所述待优化样本特征得到所述标准模型的待优化输出结果；以所述待优化输出结果与所述标注之间的差异最小为优化目标，对所述标准模型进行训练。
可选地，所述装置还包括复用模块310，具体用于将自身存储的用户的数据输入训练完成的第一提取子网，获得所述第一提取子网输出的目标特征；采用所述目标特征对所述待训练的风控模型进行训练。
图4为本说明书提供的另一种联邦迁移学习装置的示意图，包括：
第二确定模块400，用于确定与第一参与方的共有样本对象，作为目标样本对象；
第二输入模块402，用于将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型，获得所述第二模型输出的标准特征；
第二发送模块404，用于将所述标准特征发送给第三方服务器，以使所述第三方服务器确定所述标准特征与待优化特征之间的特征损失，并将所述特征损失发送给第一参与方，以使所述第一参与方根据所述特征损失对第一模型进行训练，其中，所述待优化特征是所述第一参与方将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一模型得到并发送给所述第三方服务器的。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种联邦迁移学习方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的联邦迁移学习方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (20)
1.一种联邦迁移学习方法，其特征在于，所述方法应用于第一参与方，所述方法包括：
确定与第二参与方的共有样本对象，作为目标样本对象；
将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一提取子网，获得所述第一提取子网输出的待优化特征；
将所述待优化特征发送给第三方服务器，以使所述第三方服务器确定所述待优化特征与标准特征之间的特征损失，其中，所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二提取子网得到并发送给所述第三方服务器的；
接收所述第三方服务器返回的特征损失，并采用所述特征损失训练所述第一提取子网。
2.如权利要求1所述的方法，其特征在于，所述第一参与方和所述第二参与方为业务提供方，所述共有样本对象为在所述第一参与方和所述第二参与方均执行过业务的用户。
3.如权利要求1所述的方法，其特征在于，确定与第二参与方的共有样本对象，作为目标样本对象，具体包括：
确定自身存储的图数据的数据节点所属的样本对象中，与所述第二参与方存储的数据节点所属的对象中共有的样本对象，作为目标样本对象；
所述第一数据与所述第二数据为图数据。
4.如权利要求1所述的方法，其特征在于，所述第一提取子网在待训练的风控模型中，所述第一提取子网用于提取用户的特征，以使所述风控模型判断所述用户是否为风险用户。
5.如权利要求1所述的方法，其特征在于，将所述待优化特征发送给第三方服务器，具体包括：
对所述待优化特征进行加密，并将加密后的待优化特征发送给第三方服务器；
所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型得到并加密后发送给所述第三方服务器的。
6.如权利要求1所述的方法，其特征在于，所述第三方服务器确定所述待优化特征与标准特征之间的特征损失，具体包括：
所述第三方服务器确定所述待优化特征与标准特征之间的相似度；
根据所述相似度，确定所述待优化特征与所述标准特征之间的特征损失。
7.如权利要求1所述的方法，其特征在于，所述第二提取子网在预先训练的标准模型中；
预先训练标准模型，具体包括：
在历史数据中确定样本用户，并获取所述样本用户的样本信息以及标注，所述标注为所述样本用户是否为风险用户；
将所述样本信息输入待训练的标准模型，通过所述标准模型中的第二提取子网提取所述样本信息的待优化样本特征；
通过所述标准模型中的输出子网，根据所述待优化样本特征得到所述标准模型的待优化输出结果；
以所述待优化输出结果与所述标注之间的差异最小为优化目标，对所述标准模型进行训练。
8.如权利要求4所述的方法，其特征在于，所述方法还包括：
将自身存储的用户的数据输入训练完成的第一提取子网，获得所述第一提取子网输出的目标特征；
采用所述目标特征对所述待训练的风控模型进行训练。
9.一种联邦迁移学习方法，其特征在于，所述方法应用于第二参与方，所述方法包括：
确定与第一参与方的共有样本对象，作为目标样本对象；
将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型，获得所述第二模型输出的标准特征；
将所述标准特征发送给第三方服务器，以使所述第三方服务器确定所述标准特征与待优化特征之间的特征损失，并将所述特征损失发送给第一参与方，以使所述第一参与方根据所述特征损失对第一模型进行训练，其中，所述待优化特征是所述第一参与方将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一模型得到并发送给所述第三方服务器的。
10.一种联邦迁移学习装置，其特征在于，包括：
第一确定模块，用于确定与第二参与方的共有样本对象，作为目标样本对象；
第一输入模块，用于将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一提取子网，获得所述第一提取子网输出的待优化特征；
第一发送模块，用于将所述待优化特征发送给第三方服务器，以使所述第三方服务器确定所述待优化特征与标准特征之间的特征损失，其中，所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二提取子网得到并发送给所述第三方服务器的；
接收模块，用于接收所述第三方服务器返回的特征损失，并采用所述特征损失训练所述第一提取子网。
11.如权利要求10所述的装置，其特征在于，所述第一参与方和所述第二参与方为业务提供方，所述共有样本对象为在所述第一参与方和所述第二参与方均执行过业务的用户。
12.如权利要求10所述的装置，其特征在于，所述第一确定模块，具体用于确定自身存储的图数据的数据节点所属的样本对象中，与所述第二参与方存储的数据节点所属的对象中共有的样本对象，作为目标样本对象；所述第一数据与所述第二数据为图数据。
13.如权利要求10所述的装置，其特征在于，所述第一提取子网在待训练的风控模型中，所述第一提取子网用于提取用户的特征，以使所述风控模型判断所述用户是否为风险用户。
14.如权利要求10所述的装置，其特征在于，所述第一发送模块，具体用于对所述待优化特征进行加密，并将加密后的待优化特征发送给第三方服务器；所述标准特征是所述第二参与方将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型得到并加密后发送给所述第三方服务器的。
15.如权利要求10所述的装置，其特征在于，所述第一发送模块，具体用于所述第三方服务器确定所述待优化特征与标准特征之间的相似度；根据所述相似度，确定所述待优化特征与所述标准特征之间的特征损失。
16.如权利要求10所述的装置，其特征在于，所述第二提取子网在预先训练的标准模型中；
所述装置还包括预先训练模块，具体用于在历史数据中确定样本用户，并获取所述样本用户的样本信息以及标注，所述标注为所述样本用户是否为风险用户；将所述样本信息输入待训练的标准模型，通过所述标准模型中的第二提取子网提取所述样本信息的待优化样本特征；通过所述标准模型中的输出子网，根据所述待优化样本特征得到所述标准模型的待优化输出结果；以所述待优化输出结果与所述标注之间的差异最小为优化目标，对所述标准模型进行训练。
17.如权利要求13所述的装置，其特征在于，所述装置还包括复用模块，具体用于将自身存储的用户的数据输入训练完成的第一提取子网，获得所述第一提取子网输出的目标特征；采用所述目标特征对所述待训练的风控模型进行训练。
18.一种联邦迁移学习装置，其特征在于，包括：
第二确定模块，用于确定与第一参与方的共有样本对象，作为目标样本对象；
第二输入模块，用于将所述目标样本对象在所述第二参与方的第二数据输入预先训练的第二模型，获得所述第二模型输出的标准特征；
第二发送模块，用于将所述标准特征发送给第三方服务器，以使所述第三方服务器确定所述标准特征与待优化特征之间的特征损失，并将所述特征损失发送给第一参与方，以使所述第一参与方根据所述特征损失对第一模型进行训练，其中，所述待优化特征是所述第一参与方将所述目标样本对象在所述第一参与方的第一数据输入待训练的第一模型得到并发送给所述第三方服务器的。
19.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～9任一项所述的方法。
20.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1～9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310613933.7A CN116629381A (zh) | 2023-05-26 | 2023-05-26 | 一种联邦迁移学习方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310613933.7A CN116629381A (zh) | 2023-05-26 | 2023-05-26 | 一种联邦迁移学习方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629381A true CN116629381A (zh) | 2023-08-22 |
Family
ID=87602269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310613933.7A Pending CN116629381A (zh) | 2023-05-26 | 2023-05-26 | 一种联邦迁移学习方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629381A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117011945A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 动作能力评估方法、装置、计算机设备及可读存储介质 |
-
2023
- 2023-05-26 CN CN202310613933.7A patent/CN116629381A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117011945A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 动作能力评估方法、装置、计算机设备及可读存储介质 |
| CN117011945B (zh) * | 2023-10-07 | 2024-03-19 | 之江实验室 | 动作能力评估方法、装置、计算机设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112016120B (zh) | 基于用户隐私保护的事件预测方法和装置 | |
| CN110427969B (zh) | 数据处理方法、装置和电子设备 | |
| CN109726563B (zh) | 一种数据统计的方法、装置以及设备 | |
| CN110391895B (zh) | 数据预处理方法、密文数据获取方法、装置和电子设备 | |
| CN112231742B (zh) | 基于隐私保护的模型联合训练方法及装置 | |
| CN116011587A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
| CN116629381A (zh) | 一种联邦迁移学习方法、装置、存储介质及电子设备 | |
| WO2020155173A1 (en) | Data processing method, device and system for machine learning model | |
| CN109428900B (zh) | 一种数据处理的方法及装置 | |
| TW201923647A (zh) | 可溯源的多方數據處理方法、裝置及設備 | |
| CN112016136A (zh) | 基于联盟链的数据处理方法及装置 | |
| CN112101954A (zh) | 基于隐私数据、基于设备信息的跨境业务处理方法和装置 | |
| CN115618375A (zh) | 一种业务执行方法、装置、存储介质及电子设备 | |
| CN113849837B (zh) | 一种安全模型的训练方法、装置、设备以及数据处理方法 | |
| CN114638998A (zh) | 模型更新方法、装置、系统及设备 | |
| CN116306959A (zh) | 一种联邦学习的方法、装置、存储介质及电子设备 | |
| CN115550071B (zh) | 一种数据处理方法、装置、存储介质及设备 | |
| CN116962085B (zh) | 鲁棒的个性化联邦学习方法、装置、系统及存储介质 | |
| CN115987489B (zh) | 一种轻量级的加密解密方法、装置和存储介质 | |
| CN117114392A (zh) | 一种风险识别模型训练方法、装置、存储介质及电子设备 | |
| CN112819177B (zh) | 一种个性化的隐私保护学习方法、装置以及设备 | |
| CN115600177B (zh) | 一种身份认证的方法、装置、存储介质及电子设备 | |
| CN111275445B (zh) | 一种数据的处理方法、装置及设备 | |
| CN113824552B (zh) | 车辆应用程序的密钥生成方法、装置、电子设备 | |
| CN115186278A (zh) | 数据的处理方法、装置及设备 |
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 |