[发明专利]一种智能学习方法及系统

说明书

本发明揭示了一种智能学习方法及系统，所述智能学习方法包括：联邦学习建模步骤；guest方选择数据集上传至建模平台，host方选择数据集上传至建模平台；guest方利用host方上传设定项目的数据集，结合自身上传的对应项目的数据集建立至少一联邦学习数学模型；非联邦学习建模步骤；guest方利用自身带有目标变量的数据单方建立至少一非联邦学习数学模型；学习步骤；在联邦学习模式下，利用联邦学习建模步骤中建立的设定联邦数学模型进行学习；在非联邦学习模式下，利用非联邦学习建模步骤中建立的设定非联邦数学模型进行学习；学习模式切换步骤；根据选择将学习模式设定为联邦学习模式或非联邦学习模式。本发明可提高智能学习的操作流程，提高工作效率。

技术领域

本发明属于智能学习技术领域，涉及一种智能学习方法，尤其涉及一种联邦学习与非联邦学习融合的智能学习方法及系统。

背景技术

联邦学习需要两方数据进行交互式建模，需要两方单独上传数据至建模平台，即两方 guest方和host方都需要上传各自的数据。本技术通过一些规范简化了操作流程，host方通过建立和guest方相同的项目，host方上传数据至AI平台后，后续上传数据至联邦学习平台、建模等操作交给guest方来完成。guest方可以看到host方上传的数据，guest方选择host 方上传的数据集进行建模。

有关联邦学习数据交互上传方面，FDN商业版联邦学习也是在guest方完成host方数据集的选择，不过host方的数据集都是固定的，仅有几个数据集供选择，不可更改。

现有的联邦学习方式中，通过服务的方式选择host方数据集进行选择上传，简化了操作流程，否则需要host方单独上传数据至联邦学习host方后，然后将上传的数据库表和库告知guest方，guest方通过配置host方的数据库地址后再进行联邦建模，过程复杂且容易出错。

有鉴于此，如今迫切需要设计一种新的智能学习方法，以便克服现有智能学习方法存在的上述至少部分缺陷。

发明内容

本发明提供一种智能学习方法及系统，可提高智能学习的操作流程，提高工作效率。

为解决上述技术问题，根据本发明的一个方面，采用如下技术方案：

一种智能学习方法，所述智能学习方法包括：

联邦学习建模步骤；guest方选择数据集上传至建模平台，host方选择数据集上传至建模平台；guest方利用host方上传设定项目的数据集，结合自身上传的对应项目的数据集建立至少一联邦学习数学模型；

非联邦学习建模步骤；guest方利用自身带有目标变量的数据单方建立至少一非联邦学习数学模型；

学习步骤；在联邦学习模式下，利用联邦学习建模步骤中建立的设定联邦数学模型进行学习；在非联邦学习模式下，利用非联邦学习建模步骤中建立的设定非联邦数学模型进行学习；

学习模式切换步骤；根据选择将学习模式设定为联邦学习模式或非联邦学习模式，并在对应的学习模式下利用对应的数学模型进行学习。

作为本发明的一种实施方式，所述联邦学习建模步骤包括：离线训练步骤及在线预测步骤。

作为本发明的一种实施方式，所述联邦学习数学模型及非联邦学习数学模型共享算法参数设置。

作为本发明的一种实施方式，所述智能学习方法还包括：学习模式比较步骤，比较利用联邦学习数学模型的结果及利用非联邦学习数学模型的结果，得到比对结果。

作为本发明的一种实施方式，所述联邦学习建模步骤具体包括：

步骤S1、部署步骤；