[发明专利]横向联邦学习建模优化方法、设备、介质及程序产品

说明书

本申请公开了一种横向联邦学习建模优化方法、设备、介质及程序产品，应用于联邦参与方，所述横向联邦学习建模优化方法包括：依据获取的训练任务数据集和目标白盒签名，通过对本地神经网络模型进行迭代训练更新，将目标白盒签名嵌入本地神经网络模型的网络参数中的预设签名位置，得到签名嵌入本地模型；将签名嵌入本地模型发送至横向联邦服务器，以供横向联邦服务器对各联邦参与方发送的签名嵌入本地模型进行聚合，得到聚合签名嵌入本地模型，其中，不同联邦参与方所具备的预设签名位置不同；基于聚合签名嵌入本地模型，优化签名嵌入本地模型，得到目标签名嵌入模型。本申请解决了分布式机器学习场景中AI模型知识产权保护安全性低的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种横向联邦学习建模优化方法、设备、介质及程序产品。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。

随着计算机软件和人工智能、大数据云服务应用的不断发展，目前，保护深度神经网络的知识产权,如何使其不被非法拷贝、分发和滥用是急迫的需求，目前，虽然基于网络嵌入水印和护照的方法可保护AI模型的知识产权，但是，该方法无法直接应用于分布式机器学习场景，例如，联邦学习场景以及联邦迁移学习场景等，所以，现有的分布式机器学习场景中难以保护AI模型的知识产权，分布式机器学习场景中的AI模型在知识产权保护方面仍然存在安全隐患。

发明内容

本申请的主要目的在于提供一种横向联邦学习建模优化方法、设备、介质及程序产品，旨在解决现有技术中分布式机器学习场景中AI模型知识产权保护安全性低的技术问题。

为实现上述目的，本申请提供一种横向联邦学习建模优化方法，所述横向联邦学习建模优化方法应用于联邦参与方，所述横向联邦学习建模优化方法包括：

获取训练任务数据集和目标白盒签名；

依据所述训练任务数据集和所述目标白盒签名，通过对本地神经网络模型进行迭代训练更新，将所述目标白盒签名嵌入所述本地神经网络模型的网络参数中的预设签名位置，得到签名嵌入本地模型；

将所述签名嵌入本地模型发送至横向联邦服务器，以供所述横向联邦服务器对各所述联邦参与方发送的签名嵌入本地模型进行聚合，得到聚合签名嵌入本地模型，其中，不同联邦参与方所具备的预设签名位置不同；

基于所述聚合签名嵌入本地模型，优化所述签名嵌入本地模型，得到目标签名嵌入模型。

本申请还提供一种横向联邦学习建模优化装置，所述横向联邦学习建模优化装置为虚拟装置，且所述横向联邦学习建模优化装置应用于联邦参与方，所述横向联邦学习建模优化装置包括：

获取模块，用于获取训练任务数据集和目标白盒签名；

嵌入模块，用于依据所述训练任务数据集和所述目标白盒签名，通过对本地神经网络模型进行迭代训练更新，将所述目标白盒签名嵌入所述本地神经网络模型的网络参数中的预设签名位置，得到签名嵌入本地模型；

聚合模块，用于将所述签名嵌入本地模型发送至横向联邦服务器，以供所述横向联邦服务器对各所述联邦参与方发送的签名嵌入本地模型进行聚合，得到聚合签名嵌入本地模型，其中，不同联邦参与方所具备的预设签名位置不同；

优化模块，用于基于所述聚合签名嵌入本地模型，优化所述签名嵌入本地模型，得到目标签名嵌入模型。

本申请还提供一种横向联邦学习建模优化设备，所述横向联邦学习建模优化设备为实体设备，所述横向联邦学习建模优化设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述横向联邦学习建模优化方法的程序，所述横向联邦学习建模优化方法的程序被处理器执行时可实现如上述的横向联邦学习建模优化方法的步骤。