[发明专利]联邦学习模型的训练方法、装置、电子设备及存储介质

权利要求书

1.一种联邦学习模型的训练方法，其特征在于，应用于服务端设备，所述方法包括：

获取初始的教师模型和公开数据集，所述公开数据集由参与联邦训练的多个参与方设备共同持有；

基于所述教师模型和所述公开数据集，训练得到各参与方设备对应的学生模型；

将各学生模型发送至对应的参与方设备，以使各所述参与方设备根据各自的私有训练数据对对应的学生模型进行更新，得到更新后的学生模型；

根据所述各参与方设备发送的所述更新后的学生模型，对所述教师模型进行更新，得到更新后的教师模型；

当所述更新后的教师模型满足预设收敛条件时，将所述更新后的教师模型确定为训练好的联邦学习模型。

2.根据权利要求1所述的方法，其特征在于，所述训练得到各参与方设备对应的学生模型之前，所述方法还包括：

接收各所述参与方设备发送的所述公开数据集中各公开数据的权重；

所述基于所述教师模型和所述公开数据集，训练得到各参与方设备对应的学生模型，包括：

基于各所述参与方设备发送的所述公开数据集中各公开数据的权重，对相应公开数据集中各公开数据进行调整，得到各参与方设备对应的目标数据集；

基于所述教师模型和各参与方设备对应的目标数据集，训练得到各参与方设备对应的学生模型。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

接收所述参与方设备发送的请求信息，所述请求信息用于获取训练好的联邦学习模型；

响应于所述请求信息，将所述训练好的联邦学习模型发送至所述参与方设备，以使所述参与方设备根据目标用户的特征数据和所述训练好的联邦学习模型确定针对所述目标用户的目标信息。

4.根据权利要求2所述的方法，其特征在于，所述基于所述教师模型和各参与方设备对应的目标数据集，训练得到各参与方设备对应的学生模型，包括：

针对各参与方设备对应的目标数据集，执行以下操作：

将所述目标数据集中多个数据分别输入至所述教师模型，得到相应的预测结果；

以所述预测结果作为相应数据的标签，构建所述参与方设备对应的学生模型的训练样本；

基于构建的训练样本，训练所述参与方设备对应的学生模型。

5.根据权利要求1所述的方法，其特征在于，所述获取初始的教师模型，包括：

获取初始化的联邦学习模型；

将所述初始化的联邦学习模型发送至所述多个参与方设备，以使各所述参与方设备根据各自的私有训练数据对所述初始化的联邦学习模型进行更新，得到更新后的联邦学习模型；

接收各所述参与方设备发送的更新后的联邦学习模型；

将各所述参与方设备发送的更新后的联邦学习模型进行聚合，得到初始的教师模型。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当所述更新后的教师模型不满足预设收敛条件时，基于所述更新后的教师模型和所述公开数据集，训练得到各参与方设备对应的更新后的学生模型；

将各更新后的学生模型发送至对应的参与方设备，以使各所述参与方设备根据各自的私有训练数据对对应的更新后的学生模型进行再次更新，得到再次更新后的学生模型；

将各所述参与方设备发送的再次更新后的联邦学习模型进行聚合，得到再次更新后的教师模型。

7.一种联邦学习模型的训练方法，其特征在于，应用于参与方设备，所述方法包括：

接收服务端设备发送的学生模型，所述学生模型由所述服务端设备根据教师模型和公开数据集训练得到，所述公开数据集由参与联邦训练的多个参与方设备共同持有；

获取所述参与方设备的私有训练数据；

根据所述私有训练数据对所述学生模型进行更新，得到更新后的学生模型；

将所述更新后的学生模型发送至所述服务端设备，以使所述服务端设备根据所述更新后的学生模型对所述教师模型进行更新，并在更新后的教师模型满足预设收敛条件时，将所述更新后的教师模型确定为训练好的联邦学习模型。