联合学习训练方法、装置、电子设备及存储介质

技术领域

本公开涉及联合学习技术领域，尤其涉及一种联合学习训练方法、装置、电子设备及存储介质。

背景技术

随着计算机技术的不断发展，人工智能的应用也越来越广泛，通过联合不同参与方进行机器学习的联合学习方法成为一种训练人工智能模型的主流趋势。联合学习作为一种新型的分布式机器学习框架，满足了多个客户端在数据安全的要求下进行模型训练的需求。

在现有的联合学习算法中，联合学习的参与方先利用本地数据对本地模型进行若干轮的训练之后，再将本地模型参数发送给中心节点进行聚合生成聚合模型。但是，在目前的联合学习中，参与方的本地训练轮次都是预先设定好的，在同一聚合周期内，不同参与方之间的训练轮次保持一致，且不同聚合周期之间，同一参与方的训练轮次也基本一致。由于参与方的训练轮次无法根据联合学习过程进行自适应调整，因此导致联合学习表现更好的参与方，无法更多的参与对联合模型的训练，导致联合学习的收敛速度和模型性能普遍比较低。

鉴于上述现有技术中的问题，需要提供一种能够根据参与方在联合学习中的表现，自动调整参与方在下一聚合周期的训练轮次，从而提升联合学习的收敛速度和模型性能的联合学习训练方案。

发明内容

有鉴于此，本公开实施例提供了一种联合学习训练方法、装置、电子设备及存储介质，以解决现有技术存在的联合学习的收敛速度和模型性能普遍比较低的问题。

本公开实施例的第一方面，提供了一种联合学习训练方法，包括：在联合学习的本轮聚合周期内，获取联合学习的参与方根据本地数据进行初始模型训练得到的本地模型，对参与方的本地模型执行聚合操作，得到联合模型；利用预设的联合学习贡献值算法，对本轮聚合周期内每个参与方对联合模型的贡献值进行计算，得到每个参与方对应的联合学习贡献值；获取每个参与方的初始指标，对联合学习贡献值以及初始指标执行融合操作，得到每个参与方的贡献度指标，其中初始指标用于表征参与方对联合学习的初始贡献度；根据贡献度指标计算参与方在下一轮聚合周期内的训练轮次，以使参与方在下一轮聚合周期内，基于训练轮次对本地模型进行训练，直至对联合模型的训练达到预设目标。

本公开实施例的第二方面，提供了一种联合学习训练装置，包括：聚合模块，被配置为在联合学习的本轮聚合周期内，获取联合学习的参与方根据本地数据进行初始模型训练得到的本地模型，对参与方的本地模型执行聚合操作，得到联合模型；计算模块，被配置为利用预设的联合学习贡献值算法，对本轮聚合周期内每个参与方对联合模型的贡献值进行计算，得到每个参与方对应的联合学习贡献值；融合模块，被配置为获取每个参与方的初始指标，对联合学习贡献值以及初始指标执行融合操作，得到每个参与方的贡献度指标，其中初始指标用于表征参与方对联合学习的初始贡献度；训练模块，被配置为根据贡献度指标计算参与方在下一轮聚合周期内的训练轮次，以使参与方在下一轮聚合周期内，基于训练轮次对本地模型进行训练，直至对联合模型的训练达到预设目标。

本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过在联合学习的本轮聚合周期内，获取联合学习的参与方根据本地数据进行初始模型训练得到的本地模型，对参与方的本地模型执行聚合操作，得到联合模型；利用预设的联合学习贡献值算法，对本轮聚合周期内每个参与方对联合模型的贡献值进行计算，得到每个参与方对应的联合学习贡献值；获取每个参与方的初始指标，对联合学习贡献值以及初始指标执行融合操作，得到每个参与方的贡献度指标，其中初始指标用于表征参与方对联合学习的初始贡献度；根据贡献度指标计算参与方在下一轮聚合周期内的训练轮次，以使参与方在下一轮聚合周期内，基于训练轮次对本地模型进行训练，直至对联合模型的训练达到预设目标。本公开能够根据参与方在联合学习中的表现，自动调整参与方在下一聚合周期的训练轮次，从而提升联合学习的收敛速度和模型性能。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本公开实施例提供的一种联合学习的架构示意图；

图2是本公开实施例提供的联合学习训练方法的流程示意图；

图3是本公开实施例提供的对参与方的联合学习贡献值进行计算的流程示意图；

图4是本公开实施例提供的联合学习训练装置的结构示意图；

图5是本公开实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：

(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。

(2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。

(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。

(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。

基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。

下面将结合附图详细说明根据本公开实施例的一种联合学习训练方法及装置。

图1是本公开实施例提供的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。

在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，参与方的数量不限于如上所述的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。

图2是本公开实施例提供的联合学习训练方法的流程示意图。图2的联合学习训练方法可以由联合学习的服务器执行。如图2所示，该联合学习训练方法具体可以包括：

S201，在联合学习的本轮聚合周期内，获取联合学习的参与方根据本地数据进行初始模型训练得到的本地模型，对参与方的本地模型执行聚合操作，得到联合模型；

S202，利用预设的联合学习贡献值算法，对本轮聚合周期内每个参与方对联合模型的贡献值进行计算，得到每个参与方对应的联合学习贡献值；

S203，获取每个参与方的初始指标，对联合学习贡献值以及初始指标执行融合操作，得到每个参与方的贡献度指标，其中初始指标用于表征参与方对联合学习的初始贡献度；

S204，根据贡献度指标计算参与方在下一轮聚合周期内的训练轮次，以使参与方在下一轮聚合周期内，基于训练轮次对本地模型进行训练，直至对联合模型的训练达到预设目标。

具体地，每个参与方对应联合学习框架中的一个节点，每个节点对应一个参与方，参与方既可以是传感器、旋转机械设备、物联网设备、IOT设备、PC、平板电脑、智能手机、智能可穿戴设备等，还可以是公司或者工厂等对象。每个参与方上具有联合学习参与方的客户终端，但参与方并不局限于上述这些设备或者客户端。联合学习框架中还具有为客户端提供服务的节点(即服务端)，服务端可以是用于执行聚合操作的服务器，服务端可以协调多个客户端进行联合学习以得到联合学习模型。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者云计算服务器。

进一步地，在联合学习中一个聚合周期是指对联合学习模型进行的一轮训练，各参与方客户端利用本地数据对本地模型进行训练，当本地模型训练达到收敛时，得到训练后的本地模型参数，并将其发送给服务端。所有参与方在每个聚合轮次都会上传自己的本地模型参数，服务器进行加权平均得出一个联合模型来，因此每个参与方在每一轮次都会做出自己的贡献，此处的轮表示服务端对联合学习模型进行一次完整的训练。

进一步地，需要说明的是，本公开联合学习中的贡献值计算以及根据贡献值计算贡献度指标，并根据贡献度指标确定参与方在下一轮聚合周期内的训练轮次的过程，可以是在联合学习过程中的每一轮次对应的聚合周期完成之后，所执行的操作；换言之，本公开的实施例是在每完成一个轮次的聚合周期之后，根据参与方在本轮聚合周期的贡献程度，指导参与方在下一轮聚合周期的训练轮次，从而使得贡献度更高的参与方能够更多的参与联合模型的训练和聚合，从而快联合模型的收敛速度和模型性能。

根据本公开实施例提供的技术方案，通过在联合学习的本轮聚合周期内，获取联合学习的参与方根据本地数据进行初始模型训练得到的本地模型，对参与方的本地模型执行聚合操作，得到联合模型；利用预设的联合学习贡献值算法，对本轮聚合周期内每个参与方对联合模型的贡献值进行计算，得到每个参与方对应的联合学习贡献值；获取每个参与方的初始指标，对联合学习贡献值以及初始指标执行融合操作，得到每个参与方的贡献度指标，其中初始指标用于表征参与方对联合学习的初始贡献度；根据贡献度指标计算参与方在下一轮聚合周期内的训练轮次，以使参与方在下一轮聚合周期内，基于训练轮次对本地模型进行训练，直至对联合模型的训练达到预设目标。本公开能够根据参与方在联合学习中的表现，自动调整参与方在下一聚合周期的训练轮次，从而提升联合学习的收敛速度和模型性能。

在一些实施例中，在联合学习的本轮聚合周期内，获取联合学习的参与方根据本地数据进行初始模型训练得到的本地模型，包括：在联合学习的本轮聚合周期开始时，各个参与方从预设的聚合服务器中下载初始模型，参与方利用本地数据对初始模型进行初始轮次的本地模型训练；其中，初始轮次为对本轮聚合周期的参数进行初始化得到的轮次数值。

具体地，这里的本轮聚合周期也可以理解为已完成训练的聚合周期，即上一轮聚合周期。在上一轮聚合周期中，联合学习的各个参与方分别从聚合服务器中下载初始模型，并利用本地数据对初始模型执行若干轮的本地模型训练操作，即各个参与方从聚合服务器下载初始模型，用本地数据训练初始模型若干轮，得到每个参与方对应的本地模型。

进一步地，初始轮次可以是服务器为每个参与方预先设定的初始化模型训练轮次，例如，可以将各个参与方的本地训练轮次记为local_epoch_1，local_epoch_2，local_epoch_i，…local_epoch_n，其中，n为大于等于0的整数。在实际应用中，可以将各个参与方的初始轮次设置为相同数值。

进一步地，各个参与方在完成上一轮聚合周期的本地模型训练之后，可以将各自的本地模型权重M_i(或梯度更新)上传到聚合服务器，以便聚合服务器利用联合学习模型聚合算法，对所有参与方的本地模型进行聚合，得到联合模型M_global，并将联合模型的参数下发给各个参与方。

在一些实施例中，在应用联合学习模型聚合算法对全部参与方的本地模型聚合完成之后，应用基于Shapley值的参与方贡献值算法，分别计算各个参与方在本轮聚合周期中对联合模型做出的贡献值(即Shapley值)。下面结合附图以及具体实施例，对每个参与方对应的贡献值的计算过程进行详细说明，图3是本公开实施例提供的对参与方的联合学习贡献值进行计算的流程示意图。

如图3所示，该参与方的联合学习贡献值的计算过程具体可以包括：

S301，根据联合学习中的参与方，构造全部的参与方组合，并计算每个参与方组合对应的权重；

S302，获取本轮聚合周期前后联合模型对应的效用变化值，根据效用变化值判断是否对各个参与方在本轮聚合周期的联合学习贡献值进行计算；

S303，当判断结果为是时，选取任意一个参与方组合，并计算参与方组合中的每一个参与方对应的边际贡献值；

S304，根据边际贡献值以及权重，对参与方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参与方组合的效用值；

S305，根据参与方组合的效用值对预定的查找表进行更新，并基于更新后的查找表，计算每个参与方对联合模型的联合学习贡献值。

具体地，首先根据联合学习的全部参与方，将全部参与方按照参与方数量从少至多的方式构造出全部的参与方组合，每个参与方组合即对应一个参与方组。例如，假设某个联合学习中有n个参与方，按照参与方数量从少到多枚举全部可能的参与方组合Ps＝[(1,),(2,),(3,)…,(1,2),(1,3),(2,3),…P,…N]，因此可以得到具有0，1，2，…n-1个参与方的子组合S，即得到若干个参与方组。对每个具有0，1，2，…n-1个参与方的子组合S，计算权重w

在这里，每一个参与方组合对应一个子组合S，在对子组合S的权重进行计算时，依据的是每个子组合中参与方的个数，在参与方组合中一个参与方对应一个集合中的元素，即根据参与方组合中的元素个数来计算参与方组合对应的权重，每个子组合对应的权重可以认为是该子组合在整体参与方组合中出现的概率。

进一步地，计算聚合周期开始时以及结束后，联合模型对应的效用值，并建立查找表，即对于每个聚合周期来说，可以先计算本聚合周期的最终效用值与本聚合周期的初始效用值。例如，对聚合周期t，分别计算v

进一步地，当判断需要对各个参与方在本轮聚合周期的贡献值做计算时，从本轮的全部参与方组合Ps中按顺序取出一种参与方组合P。对P中的每一个子参与方j，可将P分割为{j}和S＝P\{j}两个子集，也即P＝S∪{j}；计算j加入S产生的边际贡献，在计算边际贡献时，由于实际的边际贡献应当为Δ

在一些实施例中，根据边际贡献值以及权重，对参与方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参与方组合的效用值，包括：根据参与方的边际贡献值与参与方组合的权重之间的乘积，将乘积与预设的截断阈值进行比较，当参与方组合中每个参与方对应的乘积均小于或等于截断阈值时，则选择利用插值函数的方式计算参与方组合的效用值，否则，选择利用模型推演的方式计算参与方组合的效用值。

具体地，可以根据参与方的边际贡献值与参与方对应参与方组合的权重的乘积与截断阈值之间的关系，判断是否对参与方组合的效用值进行计算。在实际应用中，计算参与方j的边际贡献值与参与方j所在参与方组合P的权重的乘积|Δ

需要说明的是，上述参与方组合P中的每个参与方对应的边际贡献值都满足上述公式时仅仅是一种可选的实施例，除此之外，还可以设置成其他判断标准，比如参与方组合P中的任意一个参与方的边际贡献值不满足上述公式，或者参与方组合P中有一半的参与方不满足上述公式，或者参与方组合P中存在任意比例的参与方不满足上述公式等等。

进一步地，在利用插值函数计算参与方组合的效用值时，基于历史迭代过程中计算的参与方组合的效用值、以及参与方组合为全集参与方组合时对应的效用值，利用预设的插值函数对参与方组合的效用值进行估计，得到参与方组合的效用值所对应的估计值，并根据估计值对查找表进行更新。

进一步地，在利用模型推演的方式计算参与方组合的效用值时，根据计算出的参与方组合的效用值对查找表进行更新，对参与方组合对应的模型参数进行聚合，并对参与方组合对应的模型进行模型推演，对参与方组合中每个参与方的权重进行聚合，得到参与方组合的权重，对参与方组合在标准验证集上进行模型推演，计算得到参与方组合的真实效用值，利用真实效用值对查找表进行更新。

在一些实施例中，在获取每个参与方的初始指标，对联合学习贡献值以及初始指标执行融合操作之前，该方法还包括：针对联合学习中的每个参与方，根据每个参与方上报的本地数据质量、本地数据量和/或联合学习成本，计算每个参与方对应的初始指标，并对初始指标进行归一化处理，初始指标用于表示预估的参与方对本轮聚合周期的联合模型训练的贡献度。

具体地，在确定参与方对应的初始指标时，可以根据各个参与方上传的数据质量或者联合学习成本等参数进行计算得到，例如：对一个联合学习模型训练任务，假设有P1，P2，Pi，…Pn共N个参与方，每个参与方均具有一个预先设置或计算的指标Qi(归一化处理后的指标值)，该指标满足以下条件：若Qi越大，该参与方i对联合模型的“价值”或者“作用”就越大。

进一步地，初始指标可以根据参与方报告的数据质量或数据量来确定，也可以由参与方报告的联合学习成本的负数或倒数来确定，如果参与方上报的数据质量、数据数量、分布等属性一致，那么参与方对联合学习成本的报价越低则对训练任务越有利。因此，可以将各个参与方的初始指标作为对本轮聚合周期内的联合模型训练的贡献度的预测值。

在一些实施例中，对联合学习贡献值以及初始指标执行融合操作，得到每个参与方的贡献度指标，包括：获取由联合学习的全部参与方所对应的初始指标生成的初始指标列表，以及由全部参与方所对应的联合学习贡献值生成的贡献值列表；基于初始指标列表以及贡献值列表，对每个参与方的联合学习贡献值以及初始指标执行融合操作，得到融合后的贡献度指标，根据全部参与方所对应的贡献度指标生成贡献度指标列表。

具体地，根据全部参与方所对应的初始指标生成初始指标列表[Q1，Q2，Qi…，Qn]，以及基于计算得到的全部参与方所对应的联合学习贡献值生成贡献值列表[φ1，φ2，φi，…φn]。根据获得的上述初始指标列表以及贡献值列表，基于两个列表中的数据，采用加权平均或者求平均值等方式，计算得到每个参与方对应的贡献度指标G，根据每个参与方对应的贡献度指标G生成新的贡献度指标列表[G1，G2，Gi…，Gn]，该贡献度指标列表是融合了真实贡献值所得到的贡献度列表。因此，贡献度指标G可以表征参与方在上一轮聚合周期，对联合模型训练的贡献程度，贡献度指标G的数值越大，表示参与方的贡献程度越高。

在一些实施例中，根据贡献度指标计算参与方在下一轮聚合周期内的训练轮次，包括：根据预先建立的贡献度指标与训练轮次之间的映射关系，生成映射函数，将计算得到的参与方对应的贡献度指标作为映射函数的输入，利用映射函数计算参与方对应的训练轮次，将训练轮次作为参与方在下一轮聚合周期内对本地模型进行训练时的聚合轮次。

具体地，在对每个参与方对应的下一轮聚合周期的训练轮次进行计算之前，可以根据前述实施例计算得到的参与方对应的贡献度指标G，将贡献度指标G与本地训练轮次local_epoch_i建立一种正相关的映射关系(例如线性或非线性的映射关系)，并根据建立的映射关系生成映射函数local_epoch_i’＝f(Gi)。

进一步地，在基于映射函数对参与方的训练轮次进行计算时，可以将参与方i在上一轮聚合周期的贡献度指标Gi作为映射函数的输入，利用映射函数自动计算参与方i的local_epoch_i’的值(即参与方在下一轮聚合周期的训练轮次)。在实际应用中，参与方对应的贡献度指标Gi越大，计算出来的local_epoch_i’的值也越大，最大可达到设定的本地训练轮次上限；贡献度指标Gi越小，local_epoch_i’的值也越小，最低可降为0，表示该参与方在下一轮次的聚合周期不参与联合模型训练或聚合。

最后，各个参与方从聚合服务器下载联合模型M，并应用新的训练轮次local_epoch_i’，并利用本地数据训练local_epoch_i’轮的本地模型，重复以上实施例中的操作，直至联合模型达到收敛或者达到设定的最大聚合轮次，最终得到训练了T个聚合周期的联合模型。

根据本公开实施例提供的技术方案，本公开的实施例在每一轮模型聚合之后，根据本轮各参与方对联合模型做出的贡献，来计算下一轮聚合周期的聚合轮次，从而指导各参与方应用新的聚合轮次进行本地模型的训练，使得贡献高高的参与方能够更多的参与联合模型的训练和聚合，从而加快联合模型的收敛速度和模型性能。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是本公开实施例提供的联合学习训练装置的结构示意图。如图4所示，该联合学习训练装置包括：

聚合模块401，被配置为在联合学习的本轮聚合周期内，获取联合学习的参与方根据本地数据进行初始模型训练得到的本地模型，对参与方的本地模型执行聚合操作，得到联合模型；

计算模块402，被配置为利用预设的联合学习贡献值算法，对本轮聚合周期内每个参与方对联合模型的贡献值进行计算，得到每个参与方对应的联合学习贡献值；

融合模块403，被配置为获取每个参与方的初始指标，对联合学习贡献值以及初始指标执行融合操作，得到每个参与方的贡献度指标，其中初始指标用于表征参与方对联合学习的初始贡献度；

训练模块404，被配置为根据贡献度指标计算参与方在下一轮聚合周期内的训练轮次，以使参与方在下一轮聚合周期内，基于训练轮次对本地模型进行训练，直至对联合模型的训练达到预设目标。

在一些实施例中，图4的聚合模块401在联合学习的本轮聚合周期开始时，各个参与方从预设的聚合服务器中下载初始模型，参与方利用本地数据对初始模型进行初始轮次的本地模型训练；其中，初始轮次为对本轮聚合周期的参数进行初始化得到的轮次数值。

在一些实施例中，图4的计算模块402根据联合学习中的参与方，构造全部的参与方组合，并计算每个参与方组合对应的权重；获取本轮聚合周期前后联合模型对应的效用变化值，根据效用变化值判断是否对各个参与方在本轮聚合周期的联合学习贡献值进行计算；当判断结果为是时，选取任意一个参与方组合，并计算参与方组合中的每一个参与方对应的边际贡献值；根据边际贡献值以及权重，对参与方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参与方组合的效用值；根据参与方组合的效用值对预定的查找表进行更新，并基于更新后的查找表，计算每个参与方对联合模型的联合学习贡献值。

在一些实施例中，图4的计算模块402根据参与方的边际贡献值与参与方组合的权重之间的乘积，将乘积与预设的截断阈值进行比较，当参与方组合中每个参与方对应的乘积均小于或等于截断阈值时，则选择利用插值函数的方式计算参与方组合的效用值，否则，选择利用模型推演的方式计算参与方组合的效用值。

在一些实施例中，图4的融合模块403在获取每个参与方的初始指标，对联合学习贡献值以及初始指标执行融合操作之前，针对联合学习中的每个参与方，根据每个参与方上报的本地数据质量、本地数据量和/或联合学习成本，计算每个参与方对应的初始指标，并对初始指标进行归一化处理，初始指标用于表示预估的参与方对本轮聚合周期的联合模型训练的贡献度。

在一些实施例中，图4的融合模块403获取由联合学习的全部参与方所对应的初始指标生成的初始指标列表，以及由全部参与方所对应的联合学习贡献值生成的贡献值列表；基于初始指标列表以及贡献值列表，对每个参与方的联合学习贡献值以及初始指标执行融合操作，得到融合后的贡献度指标，根据全部参与方所对应的贡献度指标生成贡献度指标列表。

在一些实施例中，图4的训练模块404根据预先建立的贡献度指标与训练轮次之间的映射关系，生成映射函数，将计算得到的参与方对应的贡献度指标作为映射函数的输入，利用映射函数计算参与方对应的训练轮次，将训练轮次作为参与方在下一轮聚合周期内对本地模型进行训练时的聚合轮次。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图5是本公开实施例提供的电子设备5的结构示意图。如图5所示，该实施例的电子设备5包括：处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序503可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器502中，并由处理器501执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序503在电子设备5中的执行过程。

电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器501可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器502可以是电子设备5的内部存储单元，例如，电子设备5的硬盘或内存。存储器502也可以是电子设备5的外部存储设备，例如，电子设备5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器502还可以既包括电子设备5的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及电子设备所需的其它程序和数据。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。