CN110598870A 一种联邦学习方法及装置 （深圳前海微众银行股份有限公司）

技(Fintech)时，尽可能地剔除不满足预期可用2所述协调者根据所述多个参与者的报告，确定满足预设所述协调者将所述参与联邦学习的参与者预期的空闲所述协调者向所述参与联邦学习的参与者发送模型更新4.如权利要求1至3任一所述的方法，其特征在于，所述所述协调者根据至少一项运行指标和预设打分规则，所述协调者根据确定所述至少一项运行指标的分值及对所述协调者根据所述参与者的报告分值确定所述参与5.如权利要求1至3任一所述的方法，其6.如权利要求1至3任一所述的方法，其特征在于，将所述参与联邦学习的参与者预期的空闲时间段中34[0001]本发明涉及金融科技(Fintech)领域和联邦学习领域，尤其涉及一种联邦学习方5根据确定所述至少一项运行指标的分值及对应的预设权重值，确定所述参与者的报告分6者客户(client))只使用自己本地拥有的数据来训练机器学习模型并获得模型参数更新，并向一个协调者(也称为参数服务器(parameterserver)，或者聚合服务器(aggregation数据特征相同而用户不完全相同的那部分数据进行联合机器学习(这种联合机器学习方式一联邦学习方式联合多个移动终端来构建移动用户搜索关键词预测(关键词自动补全和推荐)模型。第一联邦学习方式也可以用于边缘计算和物联网(InternetofThings,Io7息可以有2个主要作用：(a)所述模型更新请求消息用作通知参与者开始进行模型参数更[0036]协调者可以使用点对点通信，分别向每个参与者单独发送所述模型参数更新消[0038]一个参与者A在收到所述模型参数更新消息后，可以从消息中获得最新的联合模与者A接收到的所述协调者分发的联合模型参数可以作为参与者A本地机器学习模型训练[0039]当参与者A在本地完成模型参数更新后，参与者A便可以向协调者发送参与者A本[0040]使用第一联邦学习方式构建的联合模型可以是传统的机器学习模型(例如，线性8款业务等)运转过程中，金融科技领域中许多金融策略的调整都依赖于对大量金融交易数那么就会影响联邦学习模型的训练，导致获得的联邦学习模型的性能不能满足预定要求。[0052]步骤301中，所述多个参与者的报告中各参与者的报告包括但不限于以下至少一[0053]步骤301的一种可选实施方式中，所述多个参与者的报告用于指示所述多个参与[0054]步骤301的另一种可选实施方式中，所述多个参与者的报告包括所述多个参与者9[0057]所述至少一项运行指标的分值及对应的预设权重值含义如下：(1)当至少一项运则至少一项运行指标的分值及对应的预设权重值为至少一项运行指标的每项运行指标的[0062]所述参与联邦学习的参与者的报告包括所述参与联邦学习的参与者预期的空闲[0067]本申请提出的技术方案的核心思想是由移动终端(或者IoT设备)主动选择向协调者收到多个移动终端(或者是IoT设备)的申请和报告之后，协调者再从这些备选的移动终端(或者是IoT设备)中选择参与者，并根据这些设备发送的报告内容确定联邦学习模型训[0068]如图4所示例，协调者(也称为参数服务器，或者融合服务器)在完成启动上线之后，协调者向移动终端或者IoT设备发送“协调者已经准备好”或者“协调者准备完毕” 图4所示，设备D没有向协调者发送设备报告；设备C没有被选中参与横向联邦学习模型训横向联邦学习模型训练，例如，协调者可以认为，一个设备向该协调者发送。“device_当前运行情况可以保持的时间可以理解为该设备可以稳定参与横向联邦学习模型训练的[0073]设备可以通过对设备的历史使用/运行情况进行统计，进而获得设备的运行状况者是继续模型训练。所述协调者可以通过点对点单播的方式向被选择的设备发送所述择的设备和没有被选的设备。[0078]本申请提出的技术方案中，移动终端或者IoT设备主动向协调者发送参与横向联[0091]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或