[发明专利]基于联合学习的确定资源贡献度的方法、装置和电子设备

权利要求书

1.一种基于联合学习的确定资源贡献度的方法，其特征在于，包括：

获取联合学习架构中的各个参与方上传的模型；其中，所述上传的模型携带有模型的通讯轮次，以及所述通讯轮次对应的参与方的边际贡献值；

基于所述边际贡献值，确定所述各参与方的资源量；

根据所述参与方的资源量和夏普利值算法，确定所述各个参与方的分配资源量；

基于所述通讯轮次和分配资源量，得到所述各参与方对联合模型的贡献度。

2.根据权利要求1所述的方法，其特征在于，所述各个参与方的资源量包括用于联合模型训练的数据数量。

3.根据权利要求1所述的方法，其特征在于，所述分配资源量包括参与方在各个通讯轮次对应的资源量的夏普利值；

所述根据所述参与方的资源量和夏普利值算法，确定所述各个参与方的分配资源量，包括：

基于所述参与方的数量，确定所述参与方加入联盟的全部组合顺序，其中，每一种加入联盟的组合顺序为一个子联盟；

基于蒙特卡罗采样方法对所述全部组合顺序进行采样，确定进行夏普利值计算的目标子联盟；

在各个通讯轮次中，基于夏普利值算法计算所述目标子联盟对应的组合顺序中每个所述参与方加入所述目标子联盟的边际贡献，其中，所述边际贡献等于所述参与方在当前通讯轮次的资源量的效用函数值；

在当前通讯轮次的全局模型的边际贡献与所述全局模型的绝对差值小于预设的第一阈值的情况下，退出当前通讯轮次的所述目标子联盟对应的组合顺序中每个所述参与方的边际贡献计算，且当前通讯轮次各个所述参与方的夏普利值为基于所述蒙特卡罗采样方法计算的边际贡献的均值；

在当前通讯轮次的全局模型的边际贡献与上一通讯轮次的全局模型的边际贡献的绝对差值小于或等于预设的第二阈值的情况下，结束计算各个所述参与方的夏普利值，其中，当前通讯轮次各个所述参与方的夏普利值均为零。

4.根据权利要求3所述的方法，其特征在于，还包括：

基于所述夏普利值算法，确定最终的联合模型的边际增益，其中，所述边际增益等于最终的联合模型的效用函数值与初始模型的效用函数值的绝对差值；

基于所述边际增益，确定所述第二阈值。

5.根据权利要求4所述的方法，其特征在于，还包括：在至少两个连续通讯轮次内，若所述边际增益的平局值小于所述第二阈值，则结束计算各个所述参与方的夏普利值。

6.根据权利要求1所述的方法，其特征在于，所述分配资源量包括参与方在各个通讯轮次对应的资源量的夏普利值；

所述根据所述参与方的资源量和夏普利值算法，确定所述各个参与方的分配资源量，包括：

基于所述参与方的数量，确定所述参与方加入联盟的全部组合顺序；

计算每种所述组合顺序的权重；

在每个通讯轮次内，计算当前通讯轮次全局模型的效用函数值与上一通讯轮次全局模型的效用函数值的绝对差值；

在所述绝对差值大于预设的第二阈值的情况下，获取所述参与方加入联盟的全部组合顺序中小于或等于预设的权重阈值的目标组合顺序，并计算各个所述参与方在所述目标组合顺序下的边际贡献；

在所述绝对差值小于或等于预设的第二阈值的情况下，退出计算所述参与方在当前通讯轮次的边际贡献；

基于所述参与方的边际贡献和夏普利值算法，确定所述参与方在各个通讯轮次对应的资源量的夏普利值。