训练方法、数据处理方法、装置、电子设备、存储介质及程序产品与流程

本公开涉及人工智能，尤其涉及机器学习、加密和联邦学习。

背景技术：

1、随着人工智能技术的快速发展，基于机器学习模型地数据处理任务被广泛地应用于文本预测、图像识别等场景。针对个性化的需求，可以通过对机器学习模型进行训练，通过训练后的模型来执行相应的数据处理任务。

技术实现思路

1、本公开提供了一种训练方法、数据处理方法、装置、电子设备、存储介质及程序产品。

2、根据本公开的一方面，提供了一种机器学习模型的训练方法，包括：利用机器学习模型的检测网络处理针对第一设备的样本特征，得到局部样本检测结果；根据来自第二设备的样本检测差异密文，确定梯度密文，其中，样本检测差异密文是第二设备通过以下操作得到的：利用机器学习模型的激活函数层处理来自第一设备的局部样本检测结果，得到样本检测差异明文；对样本检测差异明文进行加密，得到样本检测差异密文，样本检测差异明文表征机器学习模型的检测准确性；根据梯度数据训练检测网络，得到训练后的机器学习模型，梯度数据为第二设备对梯度密文解密得到的。

3、根据本公开的另一方面，提供了一种机器学习模型的训练方法，包括：获取来自第一设备发送的局部样本检测结果，局部样本检测结果是第一设备利用机器学习模型的检测网络处理第一设备的样本特征得到的；利用机器学习模型的激活函数层处理局部样本检测结果，得到样本检测差异明文，样本检测差异明文表征机器学习模型的检测准确性；对样本检测差异明文进行加密，得到样本检测差异密文；以及对来自第二设备的梯度密文进行解密，得到梯度数据。

4、根据本公开的另一方面，提供了一种数据处理方法，包括：利用机器学习模型的检测网络处理初始特征数据，得到局部检测结果；以及向第二设备发送局部检测结果，以便第二设备利用机器学习模型的激活函数层处理局部检测结果，得到检测结果。

5、根据本公开的另一方面，提供了一种数据处理方法，包括：从第一设备获取局部检测结果，局部检测结果是第一设备利用机器学习模型的检测网络处理初始特征数据得到的；以及利用机器学习模型的激活函数层处理局部检测结果，得到检测结果。

6、根据本公开的另一方面，提供了一种机器学习模型的训练装置，包括：局部样本检测结果确定模块，用于利用机器学习模型的检测网络处理针对第一设备的样本特征，得到局部样本检测结果；梯度密文确定模块，用于根据来自第二设备的样本检测差异密文，确定梯度密文，其中，样本检测差异密文是第二设备通过以下操作得到的：利用机器学习模型的激活函数层处理来自第一设备的局部样本检测结果，得到样本检测差异明文；对样本检测差异明文进行加密，得到样本检测差异密文，样本检测差异明文表征机器学习模型的检测准确性；训练模块，用于根据梯度数据训练检测网络，得到训练后的机器学习模型，梯度数据为第二设备对梯度密文解密得到的。

7、根据本公开的另一方面，提供了一种机器学习模型的训练装置，包括：第一获取模块，用于获取来自第一设备发送的局部样本检测结果，局部样本检测结果是第一设备利用机器学习模型的检测网络处理第一设备的样本特征得到的；样本检测差异明文获得模块，用于利用机器学习模型的激活函数层处理局部样本检测结果，得到样本检测差异明文，样本检测差异明文表征机器学习模型的检测准确性；样本检测差异密文获得模块，用于对样本检测差异明文进行加密，得到样本检测差异密文；以及梯度数据获得模块，用于对来自第二设备的梯度密文进行解密，得到梯度数据。

8、根据本公开的另一方面，提供了一种数据处理装置，包括：第一局部检测结果获得模块，用于利用机器学习模型的检测网络处理初始特征数据，得到局部检测结果；以及第一发送模块，用于向第二设备发送局部检测结果，以便第二设备利用机器学习模型的激活函数层处理局部检测结果，得到检测结果。

9、根据本公开的另一方面，提供了一种数据处理装置，包括：第二局部检测结果获得模块，用于从第一设备获取局部检测结果，局部检测结果是第一设备利用机器学习模型的检测网络处理初始特征数据得到的；以及检测结果获得模块，用于利用机器学习模型的激活函数层处理局部检测结果，得到检测结果。

10、根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据本公开实施例提供的方法。

11、根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开实施例提供的方法。

12、根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开实施例提供的方法。

13、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种机器学习模型的训练方法，包括：

2.根据权利要求1所述的方法，其中，所述根据来自第二设备的样本检测差异密文，确定梯度密文包括：

3.根据权利要求2所述的方法，其中，所述对所述初始梯度密文进行噪声扰动，得到所述梯度密文包括：

4.根据权利要求1所述的方法，其中，所述对所述样本检测差异明文进行加密包括：

5.一种机器学习模型的训练方法，包括：

6.根据权利要求5所述的方法，其中，所述第一设备包括多个；

7.根据权利要求6所述的方法，其中，所述根据损失函数处理所述目标样本检测结果，得到所述样本检测差异明文包括：

8.根据权利要求1至7中任一项所述的方法，所述样本特征包括以下至少一项：

9.一种数据处理方法，包括：

10.一种数据处理方法，包括：

11.一种机器学习模型的训练装置，包括：

12.根据权利要求11所述的装置，其中，所述梯度密文确定模块包括：

13.根据权利要求12所述的装置，其中，所述梯度密文获得子模块包括：

14.根据权利要求11所述的装置，其中，所述对所述样本检测差异明文进行加密包括：

15.一种机器学习模型的训练装置，包括：

16.根据权利要求15所述的装置，其中，所述第一设备包括多个；

17.根据权利要求16所述的装置，其中，所述样本检测差异明文获得子模块包括：

18.根据权利要求11至17中任一项所述的装置，所述样本特征包括以下至少一项：

19.一种数据处理装置，包括：

20.一种数据处理装置，包括：

21.一种电子设备，包括：

22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至10中任一项所述的方法。

23.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至10中任一项所述的方法。

技术总结
本公开提供了训练方法、数据处理方法、装置、电子设备、存储介质及程序产品，涉及人工智能技术领域，尤其涉及机器学习技术领域、加密技术领域和联邦学习技术领域。具体实现方案为：利用机器学习模型的检测网络处理针对第一设备的样本特征，得到局部样本检测结果；根据来自第二设备的样本检测差异密文，确定梯度密文，样本检测差异密文是第二设备通过以下操作得到的：利用机器学习模型的激活函数层处理来自第一设备的局部样本检测结果，得到样本检测差异明文；对样本检测差异明文进行加密，样本检测差异明文表征机器学习模型的检测准确性；根据梯度数据训练检测网络，得到训练后的机器学习模型，梯度数据为第二设备对梯度密文解密得到的。

技术研发人员：彭胜波
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：
技术公布日：2024/6/18