[发明专利]基于联邦学习的贡献计算方法以及相关设备

说明书

本申请实施例公开了基于联邦学习的贡献计算方法以及相关设备，用于公平准确衡量不同参与方在目标模型的联邦学习的贡献值以及根据贡献值分配不同参与方在目标模型的联邦学习的利润。本申请实施例方法包括：获取目标模型的联邦学习中多个参与方设备的目标夏普利值，所述目标夏普利值基于每个所述参与方设备在所述联邦学习中所参与的轮次计算得到；根据每个所述参与方设备的目标夏普利值计算任意参与方设备在所述联邦学习的贡献值。

技术领域

本申请实施例涉及机器学习领域，尤其涉及基于联邦学习的贡献计算方法以及相关设备。

背景技术

在大数据时代，公司或机构可通过用户提供的海量数据进行价值模型的机器学习，并利用机器学习后的价值模型获得丰厚利润。随着国家对数据隐私保护越发重视，传统的将所有用户数据汇聚到中心训练端的机器学习范式将不再合规，一种保护隐私的分布式机器学习范式——联邦学习获得了大量关注。联邦学习不需将用户数据集中，暴露在中心训练端，机器学习的参与方只需反复进行本地模型的训练，且将每轮训练得到的模型参数发送给中心训练端直至中心训练端根据模型参数判断模型收敛即可完成一次训练。

为了衡量联邦学习参与方对本次训练的资源贡献大小，可以计算联邦学习参与方的贡献值。但现有的联邦学习参与方贡献值计算方法,仅考虑参与方模型的梯度信息，没有考虑参与方可能仅参与目标模型的联邦学习中的部分轮次，即对参与联邦学习全部轮次的参与方和部分轮次的参与方都采用完全相同的计算方法，因此难以准确衡量不同参与方在目标模型的联邦学习的贡献值。

发明内容

本申请实施例公开了基于联邦学习的贡献计算方法以及相关设备，用于公平准确衡量不同参与方在目标模型的联邦学习的贡献值。

本申请实施例第一方面提供一种基于联邦学习的贡献计算方法，应用于联邦服务器，包括：

获取目标模型的联邦学习中多个参与方设备的目标夏普利值，所述目标夏普利值基于每个所述参与方设备在所述联邦学习中所参与的轮次计算得到；

根据每个所述参与方设备的目标夏普利值计算任意参与方设备在所述联邦学习的贡献值。

在一种具体实现方式中，所述方法还包括：

基于每个所述参与方设备在所述联邦学习的资源损耗及所述资源损耗对应的预设因子，获取每个所述参与方设备参与所述联邦学习的资源成本；

获取所述联邦学习的总利润；

根据所述总利润、所述每个所述参与方设备参与所述联邦学习的资源成本以及每个所述参与方设备在所述联邦学习的贡献值，计算所述任意参与方设备在所述联邦学习的奖励数据。

在一种具体实现方式中，所述基于每个所述参与方设备在所述联邦学习的资源损耗及所述资源损耗对应的预设因子，获取每个所述参与方设备参与所述联邦学习的资源成本，包括：

向每个所述参与方设备发送所述资源损耗对应的预设因子，以使得每个所述参与方设备根据所述资源损耗和所述资源损耗对应的预设因子计算所述资源成本；

接收每个所述参与方设备发送的所述资源成本。

在一种具体实现方式中，所述根据所述总利润、所述每个所述参与方设备参与所述联邦学习的资源成本以及每个所述参与方设备在所述联邦学习的贡献值，计算所述任意参与方设备在所述联邦学习的奖励数据，包括：