龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：深圳前海微众银行股份有限公司
申请日：2020-02-10
公开（公告）日：2024-04-30
公开（公告）号：CN111275207B
主分类号：G06N3/098
分类号：G06N3/098;G06N3/0895;G06V10/774;G06V10/82
优先权：
专利状态码：有效-授权
法律状态：2024.04.30#授权;2021.01.05#实质审查的生效;2020.06.12#公开
摘要：本发明公开了一种基于半监督的横向联邦学习优化方法、设备及存储介质，所述方法包括：接收服务端下发的本次全局模型更新的全局模型参数；基于全局模型参数更新第一模型后，基于本地的无标签样本和无标签样本的增广样本对第一模型进行自监督训练，得到本地模型参数；将本地模型参数发送给服务端，以供服务端根据有标签样本和从各客户端接收到的本地模型参数对第二模型进行有监督训练，得到新一次全局模型更新的全局模型参数并下发给各客户端；循环直到满足预设条件时停止训练得到目标模型。本发明实现只在服务器端有少量有标签样本，在客户端完全没有标签数据时，也能够进行横向联邦学习，从而适应缺乏标签数据的现实场景，节省人力成本。
主权项：1.一种基于半监督的横向联邦学习优化方法，其特征在于，应用于参与横向联邦学习的客户端，所述客户端拥有第一模型，参与横向联邦学习的服务端拥有与所述第一模型结构相同的第二模型，所述方法包括：接收服务端下发的本次全局模型更新的全局模型参数；基于所述全局模型参数更新所述第一模型后，基于本地的无标签样本和所述无标签样本的增广样本对所述第一模型进行自监督训练，得到本地模型参数；将所述本地模型参数发送给所述服务端，以供所述服务端根据有标签样本和从各所述客户端接收到的所述本地模型参数对所述第二模型进行有监督训练，得到新一次全局模型更新的全局模型参数并下发给各所述客户端；循环直到满足预设条件时停止训练得到目标模型；所述基于本地的无标签样本和所述无标签样本的增广样本对所述第一模型进行自监督训练，得到本地模型参数的步骤包括：对本地的无标签样本进行数据增广获得增广样本；将所述无标签样本输入所述第一模型得到第一预测标签，将所述增广样本输入所述第二模型得到第二预测标签；基于所述第一预测标签和所述第二预测标签构建所述第一模型的自监督损失函数；基于所述自监督损失函数计算得到本地模型参数。
全文数据：
权利要求：
百度查询： 深圳前海微众银行股份有限公司 基于半监督的横向联邦学习优化方法、设备及存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号