[发明专利]面向行为分析的元知识联邦方法、装置、电子设备及系统

权利要求书

1.一种面向行为分析的元知识联邦方法，其特征在于：包括以下步骤：

获取用户行为数据，并接收服务器发送的第一元知识；

基于所述第一元知识和所述用户行为数据进行元知识学习，得到元知识更新；

将所述元知识更新发送至服务器，使所述元知识更新进行联邦归集以得到更新后的第一元知识；

接收所述更新后的第一元知识并判断所述更新后的第一元知识是否收敛，若收敛则将所述更新后的第一元知识作为基准元知识，并根据所述基准元知识对用户行为进行分析认证；若不收敛则基于所述更新后的第一元知识继续进行元知识学习；

其中，元知识学习包括内层学习和外层学习，基于所述第一元知识和所述用户行为数据进行元知识学习，得到元知识更新，包括：

根据所述第一元知识，初始化元基础模型的第二元知识；

根据所述用户行为数据，得到N个任务T_i，i=1,...,N，每个任务包括训练集和验证集；

内层学习基于单个任务的训练集训练所述元基础模型，得到所述任务的元知识，包括：针对单次任务，利用该任务的训练集对元基础模型进行M次迭代训练，在时间步t=0至t=M-1，基于预设的损失函数L和梯度下降算法，将任务的参数更新为：；其中，是任务在时间步t的参数，是内层学习的学习率，是参数为的元基础模型，L是元基础模型的损失函数，是在时间步t的参数的梯度，元基础模型经过M次迭代，将参数作为任务的元知识；

所述任务的验证集通过所述元知识计算，得到所述任务的损失；

外层学习基于N个任务T_i，i=1,...,N对应的损失，i=1,...,N对所述第二元知识进行优化，得到优化后的第二元知识：；其中，是元基础模型当前的第二元知识，是外层学习的学习率，是当前第二元知识的梯度，是任务的损失；

所述优化后的第二元知识和所述第二元知识的初始值经过减法计算，得到所述元知识更新；

其中，所述元基础模型为机器学习模型、深度学习神经网络中的任一种；

其中，所述第一元知识通过所述服务器的基础行为数据训练基础模型获得，对所述基础行为数据的学习包括内层学习和外层学习；

其中，根据所述基准元知识对用户行为进行分析认证，包括：在所述基准元知识的基础上，利用所述用户行为数据进行元知识学习，训练所述元基础模型，获得识别所述用户行为数据的个性化元知识，基于所述个性化元知识对行为进行分析认证。

2.如权利要求1所述的一种面向行为分析的元知识联邦方法，其特征在于：所述基础模型与所述元基础模型相同。