基于隐私数据保护的多目标融合学习方法、装置和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110874637A(43)申请公布日2020.03.10(21)申请号202010048787.4(22)申请日2020.01.16(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人刘磊(74)专利代理机构北京国昊天诚知识产权代理有限公司11315代理人许振新(51)Int.Cl.G06N3/08(2006.01)G06N3/04(2006.01)G06K9/62(2006.01)权利要求书4页说明书19页附图5页(54)发明名称基于隐私数据保护的多目标融合学习方法、装置和系统(57)摘要本说明书实施例提供一种基于隐私数据保护的多目标融合学习方法、装置和系统，该方法包括：云端获取多个本地端进行融合学习时的多个学习目标，确定多个学习目标对应的多个隐含层参数，并将多个隐含层参数下发给多个本地端，多个本地端中任一个本地端可以基于神经网络模型，以及云端下发的多个隐含层参数为初始训练参数对本地隐私数据进行多目标学习训练，并将学习得到的与多个隐含层参数对应的多个更新后隐含层参数共享至云端，由云端对不同学习目标的更新后隐含层参数进行整合，在整合后的隐含层参数满足预设条件时，将整合后的隐含层参数发送给对应本地端，由本地端结合自己的学习目标得到目标模型。CN110874637ACN110874637A权利要求书1/4页1.一种基于隐私数据保护的多目标融合学习方法，包括：云端基于多个本地端融合学习时的多个学习目标，确定与所述多个学习目标对应的多个隐含层参数；将所述多个隐含层参数发送给所述多个本地端；所述多个本地端中的任一个本地端基于神经网络模型，以所述多个隐含层参数为初始训练参数对本地隐私数据进行多目标学习训练，得到与所述多个隐含层参数对应的多个更新后隐含层参数；将所述多个更新后隐含层参数发送给所述云端；所述云端对所述多个本地端分别发送的多个更新后隐含层参数进行整合，得到与所述多个学习目标对应的多个整合后隐含层参数；针对任一个学习目标对应的整合后隐含层参数，在确定所述整合后隐含层参数满足预设条件时，将所述整合后隐含层参数发送给对应的本地端；所述本地端基于所述整合后隐含层参数，确定与所述本地端的学习目标对应的目标模型。2.如权利要求1所述的方法，还包括：所述云端在确定所述整合后隐含层参数不满足所述预设条件时，将所述整合后隐含层参数发送给所述多个本地端；所述多个本地端基于神经网络模型，以所述整合后隐含层参数为初始训练参数对本地隐私数据进行学习训练，得到与所述整合后隐含层参数对应的多个更新后整合参数；将所述多个更新后整合参数发送给所述云端；所述云端对所述多个更新后整合参数进行整合，得到多次整合后参数；在确定所述多次整合后参数满足所述预设条件时，将所述多次整合后参数发送给对应的本地端；所述本地端根据所述多次整合后参数，确定与所述本地端的学习目标对应的目标模型。3.如权利要求1所述的方法，基于多个本地端融合学习时的多个学习目标，确定与所述多个学习目标对应的多个隐含层参数，包括：基于所述多个学习目标，从预先得到的多个标准隐含层参数中确定与所述多个学习目标对应的多个隐含层参数；或，基于所述多个学习目标，利用神经网络模型对预先存储的所述多个本地端的数据进行学习训练，得到与所述多个学习目标对应的多个隐含层参数。4.如权利要求1所述的方法，将所述多个隐含层参数发送给所述多个本地端，包括：对所述多个隐含层参数进行加密，得到加密后的多个隐含层参数；将所述加密后的多个隐含层参数发送给所述多个本地端。5.如权利要求1所述的方法，将所述多个更新后隐含层参数发送给所述云端，包括：将所述多个更新后隐含层参数进行加密，得到加密后的多个更新后隐含层参数；将所述加密后的多个更新后隐含层参数发送给所述云端。6.如权利要求1所述的方法，所述云端对所述多个本地端分别发送的多个更新后隐含层参数进行整合，得到与所述多个学习目标对应的多个整合后隐含层参数，包括：按照所述多个学习目标对所述多个本地端分别发送的多个更新后隐含层参数进行分组，得到与不同学习目标对应的多个更新后隐含层参数；针对任一个学习目标，对所述学习目标对应的多个更新后隐含层参数进行加权平均，2CN110874637A权利要求书2/4页得到与所述学习目标对应的整合后隐含层参数。7.一种基于隐私数据保护的多目标融合学习方法，应用于云端，包括：基于多个本地端融合学习时的多个学习目标，确定与所述多个学习目标对应的多个隐含层参数；将所述多个隐含层参数发送给所述多个本地端，以便所述多个本地端中的任一个本地端基于神经网络模型，以所述多个隐含层参数为初始训练参数对本地隐私数据进行多目标学习训练，得