内容提供者
基于联邦学习的模型训练方法、装置、设备及存储介质.pdf
2023-07-25
10金币
783KB
23页
Th****s3
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共23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
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
2023-07-25
10
783KB
基于联邦学习的模型训练方法、装置、设备以及存储介质.pdf
本申请公开了基于联邦学习的模型训练方法和装置，具体实现方案为：当未达到梯度提升树的棵树阈值并且未达到梯度提升树的深度阈值，向联邦学习系统中的各个第二电子设备发送梯度数据；接收各个第二电子设备基于梯度数据发送的表征第二特征信息集中每个特征和相应特征的分裂阈值的随机数编码和第一融合梯度；基于各个第一融合梯度和第一特征信息集，确定信息增益的目标值；响应于信息增益的目标值为本方信息增益的最大值，基于信息增益的目标值对应特征和分裂阈值对样本空间进行划分，生成样本空间划分结果和目标融合梯度；根据目标融合梯度，对第一电
2023-07-25
10
802KB
基于联邦学习的模型训练方法及系统、存储介质.pdf
本申请公开了一种基于联邦学习的模型训练方法及系统、存储介质、计算机设备，该方法包括：服务器在客户端集合中采样多个本轮客户端，将本轮初始模型参数发送至本轮客户端中，本轮客户端按本轮初始模型参数配置本地模型后进行模型训练，得到训练后的本轮目标模型参数，并将本轮目标模型参数返回至服务器中；服务器对多个本轮客户端各自返回的本轮目标模型参数进行参数聚合，得到本轮聚合参数；当本轮聚合参数未达到服务器的采样条件时，将本轮聚合参数作为下轮初始模型参数；当本轮聚合参数达到服务器的采样条件时，将本轮聚合参数发送至客户端集合内
2023-07-21
10
502KB
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
2023-07-24
10
1.4MB
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
2023-07-25
10
1.4MB