[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

说明书

本申请公开了一种横向联邦模型构建优化方法、电子设备、介质及程序产品，应用于服务端，包括：将当前全局模型下发至各客户端，以供客户端根据本地数据，对当前全局模型进行本地训练更新，得到本地模型；接收各客户端发送的本地模型，依据各客户端置信度，在各本地模型中采样选取至少一组本地模型进行聚合，得到各聚合模型；将各聚合模型分别反馈至对应的目标客户端，以供各目标客户端利用本地数据评估各聚合模型的模型效果；接收各本地模型效果评分，根据各本地模型效果评分在各聚合模型中选取的候选全局模型，迭代更新当前全局模型和各客户端置信度，直至横向联邦学习训练结束。本申请解决了联邦学习过程中如何防御拜占庭攻击的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种横向联邦模型构建优化方法、电子设备、介质及程序产品。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。

联邦学习作为一种分布式机器学习方式，可以解决“数据孤岛”问题，在保护数据隐私的前提下，利用多方的本地数据建立共享的联邦模型，而联邦学习常会受到恶意攻击，例如拜占庭攻击，也即恶意客户端通过上传恶意的模型参数信息以达到破坏全局模型性能的目的，因此如何在联邦学习中防御拜占庭攻击是一个丞待解决的重要问题。

目前，为了在联邦学习过程中防御拜占庭攻击，通常是由服务端对客户端上传的明文模型参数进行检测，以在客户端中检测拜占庭攻击方，但是为了保护客户端的数据隐私，客户端通常会对明文模型参数进行加密保护后再上传至客户端，例如利用同态加密或者差分隐私进行加密保护等，对于同态加密，由于加密后的密文与明文模型参数完全不同，无法用于检测拜占庭攻击方；对于差分隐私，由于在明文模型参数中增加了噪音，利用该增加了噪声的明文模型参数检测拜占庭攻击方，则会影响检测准确度，所以在目前对客户端上传的明文模型参数进行加密保护的场景下，要么无法进行拜占庭攻击检测导致无法防御拜占庭攻击，要么进行拜占庭攻击检测的准确度不高。

发明内容

本申请的主要目的在于提供一种横向联邦模型构建优化方法、电子设备、介质及程序产品，旨在解决联邦学习过程中如何防御拜占庭攻击的技术问题。

为实现上述目的，本申请提供一种横向联邦模型构建优化方法，应用于应用于服务端，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。

为实现上述目的，本申请还提供一种横向联邦模型构建优化方法，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；