[发明专利]横向联邦模型构建优化方法、电子设备、介质及程序产品

权利要求书

1.一种横向联邦模型构建优化方法，其特征在于，应用于服务端，所述横向联邦模型构建优化方法包括：

将当前全局模型下发至各客户端，以供所述客户端根据本地数据，对所述当前全局模型进行本地训练更新，得到本地模型；

接收各所述客户端发送的本地模型，依据各所述客户端对应的客户端置信度，在各所述本地模型中采样选取至少一组本地模型进行聚合，得到各组本地模型分别对应的聚合模型；

将各所述聚合模型分别反馈至对应的目标客户端，以供各所述目标客户端利用所述本地数据，对接收到的聚合模型进行模型效果评估，得到本地模型效果评分；

接收各所述目标客户端反馈的本地模型效果评分，根据各所述本地模型效果评分，在各所述聚合模型中选取候选全局模型；

依据所述候选全局模型，迭代更新所述当前全局模型和各所述客户端置信度，直至横向联邦学习训练结束。

2.如权利要求1所述横向联邦模型构建优化方法，其特征在于，所述根据各所述本地模型效果评分，在各所述聚合模型中选取候选全局模型的步骤包括：

对各所述聚合模型分别对应的至少一个本地模型效果评分分别进行聚合，得到各所述聚合模型对应的全局模型效果评分；

根据各所述全局效果评分，在各所述聚合模型中选取所述候选全局模型。

3.如权利要求1所述横向联邦模型构建优化方法，其特征在于，所述依据所述候选全局模型，迭代更新所述当前全局模型和各所述客户端置信度，包括：

根据所述候选全局模型对应的全局效果评分，判断是否舍弃所述候选全局模型；

若否，则将所述当前全局模型更新为所述候选全局模型，以及增大所述候选全局模型对应的各客户端的客户端置信度，返回执行步骤：将当前全局模型下发至各客户端；

若是，则舍弃所述候选全局模型，返回执行步骤：将当前全局模型下发至各客户端。

4.如权利要求3所述横向联邦模型构建优化方法，其特征在于，所述根据所述候选全局模型对应的全局效果评分，判断是否舍弃所述候选全局模型的步骤包括：

判断所述全局效果评分是否小于预设评分阈值，其中，所述预设评分阈值为本轮迭代之前产生的最大全局效果评分；

若小于，则舍弃所述候选全局模型；

若不小于，则不舍弃所述候选全局模型。

5.如权利要求1所述横向联邦模型构建优化方法，其特征在于，所述依据各所述客户端对应的客户端置信度，在各所述本地模型中采样选取至少一组本地模型进行聚合，得到各组本地模型分别对应的聚合模型的步骤包括：

依据各所述客户端置信度，确定各所述本地模型对应的采样概率；

依据各所述采样概率，在各所述本地模型中采样选取各组本地模型，其中，一组本地模型由预设数量的本地模型组成；

对所述各组本地模型分别进行聚合，得到各所述聚合模型。

6.一种横向联邦模型构建优化方法，其特征在于，应用于客户端，所述横向联邦模型构建优化方法包括：

接收服务端下发的当前全局模型，根据本地数据，对所述当前全局模型进行本地训练更新，得到本地模型；

将所述本地模型上传至所述服务端，以供所述服务端依据各所述客户端对应的客户端置信度，在各所述本地模型中采样选取至少一组本地模型进行聚合，得到各组本地模型分别对应的聚合模型；

若接收到所述服务端反馈的聚合模型，则根据所述本地数据，对所述聚合模型进行模型效果评估，得到本地模型效果评分；

将所述本地模型效果评分上传至所述服务端，以供所述服务端根据各所述本地模型效果评分，在各所述聚合模型中选取候选全局模型，并依据所述候选全局模型，迭代更新所述当前全局模型和各所述客户端置信度，直至横向联邦学习训练结束。