[发明专利]一种个性化的隐私保护学习方法、装置以及设备

权利要求书

1.一种个性化的隐私保护学习方法，应用于第一参与端，所述方法包括：

确定全局模型和所述第一参与端的局部模型；

通过与多个第二参与端进行联邦学习，协同训练所述全局模型，得到第一训练结果；

根据所述第一参与端的训练数据，训练所述第一参与端的局部模型，得到第二训练结果；

根据所述第一训练结果和所述第二训练结果，训练所述第一参与端的局部模型，具体包括：确定为所述第一训练结果和所述第二训练结果分别设置的权重系数；根据所述第一训练结果和所述第二训练结果分别的所述权重系数和包含的模型权重参数，更新所述第一参与端的局部模型的模型权重参数；

所述确定为所述第一训练结果和所述第二训练结果分别设置的权重系数之前，所述方法还包括：

根据所述第一训练结果和所述第二训练结果，验证所述全局模型和所述第一参与端的局部模型当前的预测效果；根据所述当前的预测效果，为所述第一训练结果和所述第二训练结果分别设置差异化的权重系数。

2.如权利要求1所述的方法，所述根据所述第一参与端的训练数据，训练所述第一参与端的局部模型，具体包括：

获取所述协同训练使用的所述第一参与端的训练数据；

根据获取的所述训练数据，训练所述第一参与端的局部模型。

3.如权利要求1所述的方法，所述通过与多个第二参与端进行联邦学习，协同训练所述全局模型，得到第一训练结果，具体包括：

采用第一指定批次的训练数据，与多个采用第二指定批次的训练数据的第二参与端进行联邦学习，协同训练所述全局模型，得到第一训练结果；

所述根据所述第一参与端的训练数据，训练所述第一参与端的局部模型，得到第二训练结果，具体包括：

根据所述第一参与端的第三指定批次的训练数据，训练所述第一参与端的局部模型，得到第二训练结果。

4.如权利要求1所述的方法，所述全局模型部署于服务端；

所述得到第一训练结果，具体包括：

从所述服务端获取所述协同训练后的全局模型；

根据所述协同训练后的全局模型，获取所述模型权重参数。

5.如权利要求1～4任一项所述的方法，所述全局模型与所述第一参与端的局部模型结构一致。

6.一种个性化的隐私保护学习装置，应用于第一参与端，所述装置包括：

模型确定模块，确定全局模型和所述第一参与端的局部模型；

全局训练模块，通过与多个第二参与端进行联邦学习，协同训练所述全局模型，得到第一训练结果；

第一局部训练模块，根据所述第一参与端的训练数据，训练所述第一参与端的局部模型，得到第二训练结果；

第二局部训练模块，根据所述第一训练结果和所述第二训练结果，训练所述第一参与端的局部模型，具体包括：确定为所述第一训练结果和所述第二训练结果分别设置的权重系数；根据所述第一训练结果和所述第二训练结果分别的所述权重系数和包含的模型权重参数，更新所述第一参与端的局部模型的模型权重参数；

权重系数设定模块，在所述第二局部训练模块确定为所述第一训练结果和所述第二训练结果分别设置的权重系数之前，根据所述第一训练结果和所述第二训练结果，验证所述全局模型和所述第一参与端的局部模型当前的预测效果；根据所述当前的预测效果，为所述第一训练结果和所述第二训练结果分别设置差异化的权重系数。

7.如权利要求6所述的装置，所述第一局部训练模块，获取所述协同训练使用的所述第一参与端的训练数据；

根据获取的所述训练数据，训练所述第一参与端的局部模型。

8.如权利要求6所述的装置，所述全局训练模块，采用第一指定批次的训练数据，与多个采用第二指定批次的训练数据的第二参与端进行联邦学习，协同训练所述全局模型，得到第一训练结果；

所述第一局部训练模块，根据所述第一参与端的第三指定批次的训练数据，训练所述第一参与端的局部模型，得到第二训练结果。