联邦学习模型的训练方法、装置、电子设备和存储介质.pdf
fu****级甜
亲,该文档总共36页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
联邦学习模型的训练方法、装置、电子设备和存储介质.pdf
本申请提出一种联邦学习模型的训练方法、装置、电子设备和存储介质,其中,训练方法包括:与数据提供方服务器进行样本对齐;根据业务方服务器和数据提供方服务器的特征数量分别对业务方服务器和数据提供方服务器的特征进行编号,以生成特征编码集,以及将数据提供方服务器的特征编号和公钥发送至数据提供方服务器;获取联邦学习模型的当前样本集和训练参数集;根据当前样本集、训练参数集和特征编码集,对联邦学习模型进行M次迭代训练;以及获取第M次迭代训练得到的联邦学习模型的目标参数。由此,能够在保证建模效果的同时减少建模的复杂度,从而
联邦学习模型的训练方法、装置、电子设备和存储介质.pdf
本申请提出一种联邦学习模型的训练方法、装置、电子设备和存储介质,其中,训练方法包括:与数据提供方服务器进行样本对齐;生成特征编码集,以及将数据提供方服务器的特征编号和公钥发送至数据提供方服务器;将当前样本划分为训练集和验证集,并获取联邦学习模型的参数集;根据训练集、验证集、参数集和特征编码集,对联邦学习模型进行M次迭代训练;在M次迭代训练中每次迭代训练的过程中,若判断联邦学习模型满足早停条件,则控制M次迭代训练早停,并获取M次迭代训练中最后一次迭代训练得到的联邦学习模型的目标参数。由此,能够使训练更加高效
联邦学习模型的训练方法、装置、电子设备和存储介质.pdf
本申请提出一种联邦学习模型的训练方法、装置和电子设备,其中,训练方法包括:与数据提供方服务器进行样本对齐;计算当前样本的梯度信息,并发送至数据提供方服务器;接收数据提供方服务器提供的公钥、假消息集以及梯度返回信息;根据梯度返回信息生成目标分裂点编号,并基于公钥、假消息集和目标分裂点编号生成密文,并将密文发送至数据提供方服务器;以及接收数据提供方服务器发送的每个假消息对应的解密运算值,并根据每个假消息对应的解密运算值进行节点分裂。由此,能够有效地防止模型提取攻击和模型逆向攻击,实现了保护业务方的模型和训练数
基于联邦学习的模型训练方法、装置、设备及存储介质.pdf
本申请涉及人工智能技术领域,揭示了一种基于联邦学习的模型训练方法、装置、设备及存储介质,其中方法包括:获取第m轮联邦学习的第i次迭代的各个目标客户端发送的单模型训练样本数量和单模型参数矩阵;将目标客户端的数量作为参与训练机构数量;根据所有单模型训练样本数量得到训练样本总数;根据参与训练机构数量、所有单模型参数矩阵、所有单模型训练样本数量和第i‑1次迭代的模型参数汇总矩阵计算第i次迭代的模型参数汇总矩阵;根据参与训练机构数量确定待更新的学习率;将训练样本总数、待更新的学习率和第i次迭代的模型参数汇总矩阵发送
模型训练方法和装置、电子设备、存储介质.pdf
本实施例提供一种模型训练方法和装置、电子设备、存储介质,属于机器学习技术领域。该方法包括:通过将联邦学习与区块链技术进行结合,使想要记账的记账节点从原始区块链中获取记账权,不再依赖于单一的中心节点记账,提高模型训练的安全性,记账节点根据记账权更新本地模型的初始模型参数,得到目标模型参数,根据目标模型参数,记账节点将预记账的新区块添加至原始区块链中,得到当前区块,记账节点获取当前区块链的区块模型参数,根据区块模型参数的梯度更新本地模型,得到目标模型,通过不断更新区块模型参数来更新本地模型,得到目标模型,能够