技术特征：
1.一种联合学习贡献值的确定方法，其特征在于，包括：确定联合学习中的参与方，对所述参与方执行聚类操作，得到多个参与方组；对所述参与方组的数量进行判断，根据判断结果对所述参与方组执行聚类操作，得到由若干个所述参与方组形成的分组树，所述分组树中包含父节点和子节点；在联合学习的聚合周期内，对所述分组树中同一所述参与方组内的子节点所对应的联合模型执行聚合操作，得到所述参与方组对应父节点的联合模型；利用预设的联合学习贡献值算法，对每个所述子节点在所述聚合周期内对所述父节点的联合模型的贡献值进行计算，得到每个所述子节点对应的贡献值；基于所述子节点对所述分组树进行遍历，得到所述子节点与所述分组树中最高层级的父节点之间的路径，根据所述路径上的全部节点对应的贡献值，生成所述子节点对所述最高层级的父节点的联合模型的贡献值。2.根据权利要求1所述的方法，其特征在于，所述确定联合学习中的参与方，对所述参与方执行聚类操作，得到多个参与方组，包括：根据预先创建的联合学习架构，确定参与联合学习的参与方，获取所述参与方的属性信息，将所述属性信息作为聚类算法的输入，利用所述聚类算法对所述参与方进行分组，以便生成由多个具有相似属性的参与方组成的参与方组。3.根据权利要求1所述的方法，其特征在于，所述对所述参与方组的数量进行判断，根据判断结果对所述参与方组执行聚类操作，包括：确定分组后得到的多个参与方组，并对所述参与方组的数量进行判断，当所述参与方组的数量大于阈值时，对所述参与方组执行二次聚类操作，基于二次聚类操作后的参与方组的数量，判断是否重复执行聚类操作，并直至所述参与方组的数量小于或等于所述阈值。4.根据权利要求1所述的方法，其特征在于，所述在联合学习的聚合周期内，对所述分组树中同一所述参与方组内的子节点所对应的联合模型执行聚合操作，得到所述参与方组对应父节点的联合模型，包括：针对联合学习过程中的每个所述聚合周期，从所述分组树中最低层级的子节点开始，对属于同一所述参与方组内的子节点所对应的联合模型进行聚合，得到所述子节点对应父节点的联合模型，重复执行所述聚合操作，直至获得所述分组树中最高层级的父节点所对应的联合模型。5.根据权利要求1所述的方法，其特征在于，所述利用预设的联合学习贡献值算法，对每个所述子节点在所述聚合周期内对所述父节点的联合模型的贡献值进行计算，得到每个所述子节点对应的贡献值，包括：根据所述父节点对应的全部子节点，生成若干个子节点组合，并计算每个所述子节点组合对应的权重；获取聚合周期前后所述父节点的联合模型对应的效用变化值，根据所述效用变化值判断是否计算所述子节点的贡献值；当判断结果为是时，选取任意一个所述子节点组合，计算所述子节点组合中每一个子节点对应的边际贡献值；基于所述边际贡献值以及所述权重，对所述子节点组合的效用值的计算方式进行判断，以便选择利用插值函数或者模型推演的方式计算所述子节点组合的效用值；
根据所述子节点组合的效用值对预定的查找表进行更新，并基于更新后的所述查找表，计算每个所述子节点对所述父节点的联合模型的贡献值。6.根据权利要求5所述的方法，其特征在于，所述基于所述边际贡献值以及所述权重，对所述子节点组合的效用值的计算方式进行判断，以便选择利用插值函数或者模型推演的方式计算所述子节点组合的效用值，包括：根据所述子节点的边际贡献值与所述子节点组合的权重之间的乘积，将所述乘积与预设的截断阈值进行比较，当所述子节点组合中每个所述子节点对应的乘积均小于或等于所述截断阈值时，则选择利用插值函数的方式计算所述子节点组合的效用值，否则，选择利用模型推演的方式计算所述子节点组合的效用值。7.根据权利要求1所述的方法，其特征在于，所述根据所述路径上的全部节点对应的贡献值，生成所述子节点对所述最高层级的父节点的联合模型的贡献值，包括：获取所述路径上的全部节点对应的贡献值，将所述全部节点对应的贡献值相乘，得到所述子节点在当前聚合周期内，对所述最高层级的父节点的联合模型的贡献值。8.一种联合学习贡献值的确定装置，其特征在于，包括：聚类模块，被配置为确定联合学习中的参与方，对所述参与方执行聚类操作，得到多个参与方组；判断模块，被配置为对所述参与方组的数量进行判断，根据判断结果对所述参与方组执行聚类操作，得到由若干个所述参与方组形成的分组树，所述分组树中包含父节点和子节点；聚合模块，被配置为在联合学习的聚合周期内，对所述分组树中同一所述参与方组内的子节点所对应的联合模型执行聚合操作，得到所述参与方组对应父节点的联合模型；计算模块，被配置为利用预设的联合学习贡献值算法，对每个所述子节点在所述聚合周期内对所述父节点的联合模型的贡献值进行计算，得到每个所述子节点对应的贡献值；生成模块，被配置为基于所述子节点对所述分组树进行遍历，得到所述子节点与所述分组树中最高层级的父节点之间的路径，根据所述路径上的全部节点对应的贡献值，生成所述子节点对所述最高层级的父节点的联合模型的贡献值。9.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
技术总结
本公开提供了一种联合学习贡献值的确定方法、装置、电子设备及存储介质。该方法包括：对联合学习中的参与方进行聚类得到参与方组，对参与方组的数量进行判断，根据判断结果对参与方组进行聚类形成分组树；对分组树中同一参与方组内子节点的联合模型进行聚合，得到父节点的联合模型；利用联合学习贡献值算法，对子节点在聚合周期内对父节点的联合模型的贡献值进行计算，得到每个子节点对应的贡献值；对分组树进行遍历，得到子节点与分组树中最高层级的父节点之间的路径，根据路径上的全部节点的贡献值，生成子节点对最高层级的父节点的联合模型的贡献值。本公开能够降低联合学习贡献值的计算复杂度，提升联合学习贡献值的计算效率。率。率。
技术研发人员：杨程屹 李增祥
受保护的技术使用者：新智我来网络科技有限公司
技术研发日：2021.12.23
技术公布日：2022/4/8