声纹核身模型训练方法、装置、介质及电子设备.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CN112037800A(43)申请公布日2020.12.04(21)申请号202011003425.X(22)申请日2020.09.22(71)申请人平安科技（深圳）有限公司地址518000广东省深圳市福田区福田街道福安社区益田路5033号平安金融中心23楼(72)发明人李泽远王健宗肖京(74)专利代理机构深圳市隆天联鼎知识产权代理有限公司44232代理人孙强(51)Int.Cl.G10L17/04(2013.01)权利要求书3页说明书11页附图6页(54)发明名称声纹核身模型训练方法、装置、介质及电子设备(57)摘要本申请涉及人工智能领域，应用于声纹识别领域，揭示了一种声纹核身模型训练方法、装置、介质及电子设备。该方法由联邦学习网络中目标金融机构节点执行，包括：执行本地训练步骤，包括：利用本地的语音数据对在本地部署的声纹核身模型进行训练，得到声纹核身模型的第一梯度参数信息和第一模型参数信息；将第一梯度参数信息输入至联邦学习网络中；从联邦学习网络中获取第二梯度参数信息；利用第二梯度参数信息重新执行本地训练步骤及本地训练步骤之后的步骤，以对第一模型参数信息进行更新，直至满足预定条件。此方法下，在各金融机构将能够用于训练模型的数据保留在本地的前提下，扩大了样本空间，提高了声纹核身模型的准确度和稳定性。CN112037800ACN112037800A权利要求书1/3页1.一种声纹核身模型训练方法，其特征在于，所述方法由联邦学习网络中的目标金融机构节点执行，所述联邦学习网络包括多个金融机构节点，所述方法包括：执行本地训练步骤，所述本地训练步骤包括：利用本地的语音数据对在本地部署的声纹核身模型进行训练，得到所述声纹核身模型的第一梯度参数信息和第一模型参数信息，所述联邦学习网络中的各金融机构节点均已部署对应的声纹核身模型，各金融机构节点对所部署的声纹核身模型进行训练的方式与所述目标金融机构节点一致；将所述第一梯度参数信息输入至所述联邦学习网络中；从所述联邦学习网络中获取第二梯度参数信息，所述第二梯度参数信息基于所述联邦学习网络中所述目标金融机构节点之外的至少一个金融机构节点对各自的声纹核身模型进行训练而得到，所述第二梯度参数信息基于所述第一梯度参数信息计算得到；利用所述第二梯度参数信息重新执行所述本地训练步骤及所述本地训练步骤之后的步骤，以对所述第一模型参数信息进行更新，直至满足预定条件。2.根据权利要求1所述的方法，其特征在于，所述将所述第一梯度参数信息输入至所述联邦学习网络中，包括：将所述第一梯度参数信息输入至所述联邦学习网络中所述目标金融机构节点之外的至少一个第一金融机构节点，以供所述第一金融机构节点基于所述第一梯度参数信息对在本地部署的声纹核身模型进行训练，得到对应的梯度参数信息；所述从所述联邦学习网络中获取第二梯度参数信息，包括：从所述联邦学习网络中获取来自至少一金融机构节点的第二梯度参数信息，所述第二梯度参数信息由所述第一金融机构节点输出或者在由所述第一金融机构节点向所述联邦学习网络输出梯度参数信息之后，经由所述联邦学习网络中某一路径上的各金融机构节点基于所述梯度参数信息对在本地部署的声纹核身模型进行训练，并依次向所述联邦学习网络输出对应的梯度参数信息而得到。3.根据权利要求1所述的方法，其特征在于，所述联邦学习网络还包括服务器节点，所述将所述第一梯度参数信息输入至所述联邦学习网络中，包括：将所述第一梯度参数信息输入至所述联邦学习网络中的服务器节点，以供所述服务器节点基于多个梯度参数信息进行聚合操作，得到对应的全局梯度参数信息，其中，所述多个梯度参数信息包括所述第一梯度参数信息，所述服务器节点接收所述联邦学习网络中多个金融机构节点分别发来的梯度参数信息；所述从所述联邦学习网络中获取第二梯度参数信息，包括：从所述联邦学习网络中的所述服务器节点获取所述全局梯度参数信息作为第二梯度参数信息。4.根据权利要求2所述的方法，其特征在于，所述联邦学习网络还包括服务器节点，所述服务器节点存储有金融机构节点列表，所述将所述第一梯度参数信息输入至所述联邦学习网络中所述目标金融机构节点之外的至少一个第一金融机构节点，以供所述第一金融机构节点基于所述第一梯度参数信息对在本地部署的声纹核身模型进行训练，得到对应的梯度参数信息，包括：从所述服务器节点获取各金融机构节点的优先级，所述各金融机构节点的优先级由所述服务器节点随机生成并插入至所述金融机构节点列表之中，其中，各金融机构节点的优2CN112037800A权利要求书2/3页先级均不相同，每一金融机构节点仅属于一个优先级；接收由所述服务器节点广播的当前优先级，其中，所述服务器节点按照优先级从高至低每次广播一个优先级；若所述当前