一种联邦学习方法及联邦学习系统.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CN114266293A(43)申请公布日2022.04.01(21)申请号202111486280.8(22)申请日2021.12.07(71)申请人浙江网商银行股份有限公司地址310012浙江省杭州市西湖区学院路28-38号德力西大厦1幢15-17层(72)发明人娄思源(74)专利代理机构北京国昊天诚知识产权代理有限公司11315代理人徐晨影(51)Int.Cl.G06K9/62(2022.01)G06N20/20(2019.01)权利要求书2页说明书8页附图3页(54)发明名称一种联邦学习方法及联邦学习系统(57)摘要本说明书实施例提供一种联邦学习方法及联邦学习系统。方法包括：在联邦学习用于训练的目标模型确定特征配置前，联邦学习的成员对象按照所述联邦学习的数据仓库的数据结构化配置，对本地的私有数据进行预处理；以及，联邦学习的成员对象基于多方安全计算协议，将预处理后的私有数据发送至所述集中计算平台，以由所述集中计算平台上传至数据仓库。在所述目标模型确定特征配置后，所述集中计算平台根据所述目标模型的特征配置，对所述数据仓库记录的私有数据进行特征提取，得到适用于训练所述目标模型的特征数据；以及，所述集中计算平台基于提取到的特征数据，对所述目标模型进行训练，并将所述目标模型的训练结果发送至所述联邦学习的成员对象。CN114266293ACN114266293A权利要求书1/2页1.一种联邦学习方法，包括：在联邦学习用于训练的目标模型确定特征配置前，所述联邦学习的成员对象按照所述联邦学习的数据仓库的数据结构化配置，对本地的私有数据进行预处理；以及，所述联邦学习的成员对象基于多方安全计算协议，将预处理后的私有数据发送至所述集中计算平台，以由所述集中计算平台上传至所述数据仓库；在所述目标模型确定特征配置后，所述集中计算平台根据所述目标模型的特征配置，对所述数据仓库记录的私有数据进行特征提取，得到适用于训练所述目标模型的特征数据；以及，所述集中计算平台基于提取到的特征数据，对所述目标模型进行训练，并将所述目标模型的训练结果发送至所述联邦学习的成员对象。2.根据权利要求1所述的方法，所述目标模型针对所属应用场景的输出识别类目是在所述联邦学习的成员对象将预处理后的私有数据发送至所述集中计算平台前确定的；所述方法还包括：所述联邦学习的成员对象在将预处理后的私有数据发送至所述集中计算平台前，根据所述目标模型针对所述目标场景的输出识别类目，对本地需要发送至所述集中计算平台的私有数据进行标注。3.根据权利要求1所述的方法，所述目标模型针对所属应用场景的输出识别类目是在所述联邦学习的成员对象将预处理后的私有数据发送至所述集中计算平台后确定的，所述方法还包括：所述集中计算平台将目标模型对应的输出识别类目发送至所述联邦学习的成员对象；所述联邦学习的成员对象基于所述目标模型对应的输出识别类目，对已发送至所述集中计算平台的私有数据进行标注，并将标注结果发送至所述集中计算平台。4.根据权利要求1所述的方法，所述集中计算平台根据所述目标模型的特征配置，对所述数据仓库记录的私有数据进行特征提取前，所述方法还包括：所述集中计算平台对所述联邦学习的成员对象预设批次提供的私有数据进行质量评估，得到质量评估结果；所述集中计算平台定所述联邦学习中各授信成员对象所对应的质量评估结果，从联邦学习中确定出授信成员对象，其中，所述集中计算平台基于从联邦学习中授信成员对象对应的特征数据，训练所述目标模型。5.根据权利要求4所述的方法，所述质量评估包括：对私有数据的上传维度的质量评估和/或对私有数据的字段维度的质量评估。6.根据权利要求5所述的方法，所述上传维度包括：私有数据的数据生成时间稳定性、数据大小稳定性和数据主键重复性中的至少一者；所述字段维度包括：私有数据的字段空置率、字段重复值占比、字段异常值占比和字段枚举值一致性中的至少一者。2CN114266293A权利要求书2/2页7.根据权利要求4所述的方法，还包括：所述集中计算平台基于所述联邦学习中各成员对象提供私有数据的数据量和质量评估结果，确定所述联邦学习中各成员对象的贡献度，并为所述联邦学习中各成员对象配置与贡献度相匹配的联邦学习资源使用权益。8.根据权利要求1所述的方法，在联邦学习的成员对象按照所述联邦学习的集中计算平台的数据结构化配置，对本地的私有数据进行预处理前，所述方法还包括：联邦学习的成员对象基于私有集交集协议，将本地的私有数据所对应的客户信息发送至所述集中计算平台；所述集中计算平台基于私有集交集协议，从所述联邦学习的成员对象提供的客户信息中确定出交集客户，并将确定到的交集客户反馈至所述联邦学习的成员对象，其中，所述联邦学习的成员对象按照所述