[发明专利]基于联邦学习和深度学习的稀疏数据聚类方法及装置

权利要求书

1.一种基于联邦学习和深度学习的稀疏数据聚类方法，其特征在于，包括多个参与方和横向联邦学习框架中的仲裁方，多个参与方和横向联邦学习框架中的仲裁方均各自持有一份无标签稀疏数据，无标签稀疏数据的数据特征相同，样本不同；

所述方法应用于参与方，包括：

生成密钥，并与其它参与方交换密钥；

根据所持有的无标签稀疏数据训练基于深度学习的聚类模型，得到本地模型；

根据所述密钥将所述本地模型的参数加密后发送给assist-trainer；所述assist-trainer将所有参与方发送的模型参数进行聚合平均，得到最终的全局模型。

2.根据权利要求1所述的基于联邦学习和深度学习的稀疏数据聚类方法，其特征在于，所述本地模型的损失函数L为：

L＝L_ZINB+γL_c

其中，L_ZINB为自编码器的损失函数，L_c为聚类的损失函数。

3.根据权利要求2所述的基于联邦学习和深度学习的稀疏数据聚类方法，其特征在于，所述自编码器的损失函数L_ZINB为：

L_ZINB＝-log(ZINB(X^count|π，μ，θ))

其中，ZINB(X^count|π，μ，θ)＝πδ₀(X^count)+(1-π)NB(X^count|μ，θ)，

X^count代表样本数，π、μ和θ为解码器最后一个隐藏层D后连接的三个全连接层。

4.根据权利要求2所述的基于联邦学习和深度学习的稀疏数据聚类方法，其特征在于，所述聚类的损失函数L_c为：

其中，

5.根据权利要求1所述的基于联邦学习和深度学习的稀疏数据聚类方法，其特征在于，所述仲裁方能够利用含有标签的数据进行模型性能评估，并得到需要标签参与计算的聚类性能指标。

6.一种基于联邦学习和深度学习的稀疏数据聚类装置，其特征在于，包括多个参与方和横向联邦学习框架中的仲裁方，多个参与方和横向联邦学习框架中的仲裁方均各自持有一份无标签稀疏数据，无标签稀疏数据的数据特征相同，样本不同；

所述装置用于实现实现参与方的执行步骤，包括：

密钥生成模块，用于生成密钥；

密钥交换模块，用于与其它参与方交换密钥；

本地模型训练模块，用于根据所持有的无标签稀疏数据训练基于深度学习的聚类模型，得到本地模型；

加密模块，用于根据所述密钥将所述本地模型的参数加密后发送给assist-trainer；所述assist-trainer将所有参与方发送的模型参数进行聚合平均，得到最终的全局模型。

7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。