[发明专利]一种联邦学习处理方法及装置

说明书

本发明提供了一种联邦学习处理方法及装置，其中，该方法包括：获取多个参与方基于秘密分享的方式发送的预定数量的数据；基于该预定数量的数据，通过优化算法对非线性支持向量机SVM进行训练，得到训练好的目标SVM；将该目标SVM发送给该多个参与方，以使该多个参与方根据该目标SVM对目标数据进行分类，可以解决相关技术中数据在不出域的情况下，无法发挥数据的价值，而使用第三方模型时，自身业务数据也会有泄露的可能性的问题，基于SVM的混合算法的联邦学习，可以让数据不出域的情况下，进行逻辑推断，发挥数据价值。

技术领域

本发明涉及数据处理领域，具体而言，涉及一种联邦学习处理方法及装置。

背景技术

数据在不出域的情况下，无法发挥数据的价值。使用第三方模型时，自身业务数据也会有泄露的可能性。

针对相关技术中数据在不出域的情况下，无法发挥数据的价值，而使用第三方模型时，自身业务数据也会有泄露的可能性的问题，尚未提出解决方案。

发明内容

本发明实施例提供了一种联邦学习处理方法及装置，以至少解决相关技术中数据在不出域的情况下，无法发挥数据的价值，而使用第三方模型时，自身业务数据也会有泄露的可能性的问题。

根据本发明的一个实施例，提供了一种联邦学习处理方法，包括：

获取多个参与方基于秘密分享的方式发送的预定数量的数据；

基于所述预定数量的数据，通过优化算法对非线性支持向量机(Support VectorMachine，简称为SVM)进行训练，得到训练好的目标SVM；

将所述目标SVM发送给所述多个参与方，以使所述多个参与方根据所述目标SVM对目标数据进行分类。

可选地，基于所述预定数量的数据，通过优化算法对非线性支持向量机SVM进行训练，得到训练好的目标SVM包括：

将所述预定数量的数据作为粒子随机扩散到溶液空间，所述粒子对应所述非线性SVM的高斯核函数的最佳σ参数，其中，一个数据对应一个粒子；

通过循环迭代从所述粒子中确定目标最佳粒子的方式，对非线性支持向量机SVM进行训练，确定所述目标最佳粒子对应的所述高斯核函数的最佳σ参数对应的所述非线性SVM为所述目标SVM。

可选地，通过循环迭代从所述粒子中确定目标最佳粒子的方式，对非线性支持向量机SVM进行训练包括：

初始化粒子数N、交互率ir、合理率r、成熟度限制ml、每个粒子的经验ex；

计算每个粒子的适应度，根据所述每个粒子的适应度确定初始最佳粒子，更新初始最佳粒子的交互率ir，将所述初始最佳粒子的ex值加1；

重复以下步骤，对非线性支持向量机SVM进行训练，直到满足预设条件，得到所述目标最佳粒子：

将适应度等于或高于平均适应度的目标粒子的ex值减1，除所述目标粒子之外的其他粒子的ex值加1；

更新粒子的交互率ir；

更新除最佳粒子之外的粒子的位置；

计算适应度，使用随机值更新所述最佳粒子的交互率ir并将所述最佳粒子的ex值加1；

更新ex值等于或低于成熟度限制ml的粒子，计算适应度并更新所述最佳粒子的交互率ir并将所述最佳粒子的ex值加1；

更新ex值低于0的粒子的交互率ir和粒子的位置，更新ex值等于或大于0的粒子的交互率ir，并重复r次；

更新所有粒子的交互率ir，计算适应度，更新所述最佳粒子的交互率ir，将所述最佳粒子的ex值加1。