[发明专利]基于联邦学习的预测方法、装置、设备及存储介质

说明书

本发明提供一种基于联邦学习的预测方法、装置、设备及存储介质，该方法包括：根据加密训练数据和本地特征训练数据对初始联邦预测模型进行训练，获得联邦预测模型；接收第二遥感设备传输的加密特征数据，所述加密特征数据由所述第二遥感设备对初始特征数据加密后获得；将所述加密特征数据和本地特征数据输入所述联邦预测模型，由所述联邦预测模型输出预测标签。由此，第一遥感设备和第二遥感设备通过联邦学习进行联合建模，实现了利用各遥感设备之间的数据进行高空联合建模，提升了利用高空数据建模的模型性能。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于联邦学习的预测方法、装置、设备及存储介质。

背景技术

当前越来越多的遥感设备，例如卫星在高空中运行，并执行各自的任务，获得对应的数据。众所周知，遥感技术难度高、耗资大，遥感设备获得的数据都很珍贵，若要综合利用各个遥感设备的数据，则需要将这些数据汇总到地面信息中心，由地面信息中心进行数据分析和处理。但是遥感设备与地面信息中心存在网络延时的问题，且遥感设备获得的高空数据的数据量巨大，因此遥感设备和地面信息中心的数据传输成为了技术瓶颈。

发明内容

本发明提供一种基于联邦学习的预测方法、装置、设备及存储介质，旨在实现各个遥感设备的高空联合建模，提升利用高空数据建模的模型性能。

为实现上述目的，本发明提供一种基于联邦学习的预测方法，所述方法包括：

根据加密训练数据和本地特征训练数据对初始联邦预测模型进行训练，获得联邦预测模型；

接收第二遥感设备传输的加密特征数据，所述加密特征数据由所述第二遥感设备对初始特征数据加密后获得；

将所述加密特征数据和本地特征数据输入所述联邦预测模型，由所述联邦预测模型输出预测标签。

优选地，所述根据加密训练数据和本地特征训练数据对初始联邦预测模型进行训练，获得联邦预测模型的步骤包括：

接收所述第二遥感设备传输的加密训练数据，所述加密训练数据由所述第二遥感设备对初始训练数据加密后获得；

利用本地特征训练数据和所述加密训练数据对初始联邦预测模型进行训练；

根据损失值和加密梯度对所述初始联邦模型的初始模型参数进行更新，直到收敛，保存最终的联邦预测模型参数，获得所述联邦预测模型。

优选地，所述将所述加密特征数据和本地特征数据输入所述联邦预测模型的步骤之前还包括：

判断所述加密特征数据与所述本地特征数据是否包括多个不同维度的特征数据；

若所述加密特征数据与所述本地特征数据包括多个不同维度的特征数据，则执行步骤：将所述加密特征数据和本地特征数据输入所述联邦预测模型。

优选地，所述根据损失值和加密梯度对所述初始联邦模型的初始模型参数进行更新，直到收敛，保存最终的联邦预测模型参数，获得所述联邦预测模型的步骤包括：

根据预设标签数据和所述初始联邦预测模型输出的初始预测标签计算所述损失值，并分别计算所述第一遥感设备的第一加密梯度和所述第二遥感设备的第二加密梯度；

根据所述第一加密梯度进行梯度下降运算，获得更新后的第一联邦模型参数；

将所述第二加密梯度返回至所述第二遥感设备，由所述第二遥感设备进行梯度下降运算获得更新后的第二联邦模型参数；

不断更新所述第一联邦模型参数和所述第二联邦模型参数，直至收敛，获得所述联邦预测模型。

优选地，所述接收第二遥感设备传输的加密特征数据的步骤之前，还包括：