[发明专利]联合训练目标模型的贡献度的确定方法、装置和终端设备

权利要求书

1.一种联合训练目标模型的贡献度的确定方法，其特征在于，包括：

获取对照模型、目标模型；其中，所述对照模型为在第一终端设备没有与第二终端设备进行联合训练的情况下所得到的模型，所述目标模型为在第一终端设备与第二终端设备进行联合训练的情况下所得到的模型；

根据相匹配的处理规则，基于所述对照模型、目标模型、测试数据，与第二终端设备进行相应的数据处理，以确定出第二终端设备所拥有的第二数据源对于目标模型训练的边际预测效果提升参数；

根据所述边际预测效果提升参数，和预设的检验区间，确定出对应的检验结果；其中，所述检验结果用于衡量引入第二终端设备所拥有的第二数据源对目标模型训练的边际预测效果提升作用；

根据所述检验结果，确定出第二终端设备所拥有的第二数据源对联合训练目标模型的贡献度；其中，根据所述检验结果，确定出第二终端设备所拥有的第二数据源对联合训练目标模型的贡献度，包括：根据所述检验结果，在确定所述边际预测效果提升参数数值在所述预设的检验区间外的情况下，确定第二终端设备所拥有的第二数据源对联合训练目标模型的贡献度符合预设要求。

2.根据权利要求1所述的方法，其特征在于，在确定出第二终端设备所拥有的第二数据源对联合训练目标模型的贡献度之后，所述方法还包括：

根据所述贡献度，确定针对第二终端设备的奖励数据；

向所述第二终端设备发送相应的奖励数据。

3.根据权利要求1所述的方法，其特征在于，所述相匹配的处理规则包括：基于横向联邦学习的处理规则、基于纵向联邦学习的处理规则，或基于联邦迁移学习的处理规则。

4.根据权利要求3所述的方法，其特征在于，所述相匹配的处理规则按照以下方式确定：

确定第一终端设备和第二终端设备在联合训练目标模型时所采用的联合训练类型；其中，所述联合训练类型包括：横向联邦学习、纵向联邦学习，或联邦迁移学习；

根据所述联合训练类型，确定出相匹配的处理规则。

5.根据权利要求3所述的方法，其特征在于，在确定所述相匹配的处理规则为基于纵向联邦学习的处理规则的情况下，所述目标模型包括第一终端设备持有的第一模型，和第二终端设备持有的第二模型。

6.根据权利要求5所述的方法，其特征在于，在确定所述相匹配的处理规则为基于纵向联邦学习的处理规则的情况下，根据相匹配的处理规则，基于所述对照模型、目标模型、测试数据，与第二终端设备进行相应的数据处理，以确定出第二终端设备所拥有的第二数据源对于目标模型训练的边际预测效果提升参数，包括：

利用所述对照模型处理所述测试数据，得到第一组预测概率；

利用所述第一模型处理所述测试数据，得到第一处理结果；

获取来自第二终端设备的第二处理结果；其中，所述第二处理结果为第二终端设备利用所述第二模型处理所述测试数据得到的；

根据所述第一处理结果和所述第二处理结果，确定出第二组预测概率；

根据所述第一组预测概率，和所述第二组预测概率，确定出第二数据源对于目标模型训练的边际预测效果提升参数。

7.根据权利要求6所述的方法，其特征在于，所述获取来自第二终端设备的第二处理结果，包括：

接收加密后的第二处理结果；其中，所述第二终端设备基于同态加密算法加密所述第二处理结果得到对应的加密后的第二处理结果；

对所述加密后的第二处理结果进行相应的解密处理，以得到所述第二处理结果。

8.根据权利要求6所述的方法，其特征在于，根据所述第一组预测概率，和所述第二组预测概率，确定出第二数据源对于目标模型训练的边际预测效果提升参数，包括：

根据测试数据的数据标签、所述第一组预测概率、所述第二组预测概率，分别计算基于对照模型的第一AUC参数和基于目标模型的第二AUC参数；

根据所述第一AUC参数、所述第二AUC参数，计算标准差；

根据所述第一AUC参数、所述第二AUC参数，所述标准差，计算第二数据源对于目标模型训练的边际预测效果提升参数。