确定联邦学习系统中数据定价信息的方法及相关设备技术方案

本公开提供了一种确定联邦学习系统中数据定价信息的方法及相关设备，涉及数据处理技术领域。该方法包括，定义联邦学习系统中每个数据拥有方的数据特征向量；根据预先定义的每个数据拥有方的数据特征向量，确定每个数据拥有方对联邦学习模型的贡献量；根据每个数据拥有方对联邦学习模型的贡献量，构建第一线性规划模型和第二线性规划模型；以数据拥有方作为博弈的先动方、以任务发起方作为博弈的后动方，构建一个动态的数据定价博弈模型，对第一线性规划模型和第二线性规划模型进行博弈均衡求解，得到数据定价信息。本公开通过构建动态数据定价博弈模型，确定联邦学习系统中数据定价信息，体现出数据拥有方拥有的数据对共享模型的价值贡献。模型的价值贡献。模型的价值贡献。

【技术实现步骤摘要】
确定联邦学习系统中数据定价信息的方法及相关设备


[0001]本公开涉及数据处理
，尤其涉及一种确定联邦学习系统中数据定价信息的方法及相关设备。

技术介绍

[0002]目前，联邦学习以及安全多方计算已逐渐成为解决数据安全共享的主要手段和技术。联邦学习系统在保证本地训练数据不公开的前提下，可以实现多个数据拥有方(或称为“参与方”)协同训练一个共享的机器学习模型。为了科学合理分配数据拥有方在联邦学习系统中训练共享模型的收益，并激励更多的拥有大数据量和高数据质量的数据拥有方加入联邦学习系统，需要提供一种科学合理的数据定价方法。
[0003]在现有技术中，联邦学习系统在实际运营过程中，每个数据拥有方主要通过按次查询或者按条计价的方式对自己拥有的数据进行定价，对于每个数据拥有方而言，按次查询或者按条计价的方式不能科学地体现出自己拥有的数据对共享模型的价值贡献，从而无法统一确定联邦学习系统中数据定价信息。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]本公开提供一种基于联邦学习的数据定价方法、装置、设备及存储介质，至少在一定程度上克服相关技术中无法统一确定联邦学习系统中数据定价信息的问题。
[0006]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0007]根据本公开的一个方面，提供一种确定联邦学习系统中数据定价信息的方法，包括：定义联邦学习系统中每个数据拥有方的数据特征向量；根据预先定义的每个数据拥有方的数据特征向量，确定每个数据拥有方对联邦学习模型的贡献量；根据每个数据拥有方对联邦学习模型的贡献量，构建第一线性规划模型和第二线性规划模型，其中，所述第一线性规划模型以最大化联邦学习系统中数据拥有方收益信息为目标函数，所述第二线性规划模型以最小化联邦学习系统中任务发起方花费信息为目标函数；以数据拥有方作为博弈的先动方、以任务发起方作为博弈的后动方，构建一个动态的数据定价博弈模型，对所述第一线性规划模型和所述第二线性规划模型进行博弈均衡求解，得到最优数据使用策略和最优数据定价策略的数据定价信息。
[0008]在本公开的一个实施例中，以数据拥有方作为博弈的先动方、以任务发起方作为博弈的后动方，构建一个动态的数据定价博弈模型，对所述第一线性规划模型和所述第二线性规划模型进行博弈均衡求解，得到最优数据使用策略和最优数据定价策略的数据定价信息，包括：对所述第一线性规划模型进行求解，得到最大化联邦学习系统中数据拥有方收益信息的最优数据使用策略；根据所述最优数据使用策略，对所述第二线性规划模型进行
求解，得到最小化联邦学习系统中任务发起方花费信息的最优数据定价策略；根据所述最优数据定价策略，确定联邦学习系统中各个数据拥有方的数据定价信息。
[0009]在本公开的一个实施例中，所述第一线性规划模型为：
[0010][0011][0012]其中，R
Host
表示第一线性规划模型，max表示max函数，N表示N个数据，n表示第n个数据，i表示第i个特征向量，|*|表示特性向量集合的大小，I
n
表示第n个数据拥有方数据训练集中特征的全集，表示对于第n个数据拥有方数据集中第i个特征向量x对全局模型的贡献量，表示第n个数据拥有方的第i个特征向量的数据定价，s.t.表示约束条件，表示第n个数据拥有方所有数据的贡献量。
[0013]在本公开的一个实施例中，所述第二线性规划模型为：
[0014][0015][0016]其中，R
Guest
表示第二线性规划模型，max表示max函数，N表示N个数据，n表示第n个数据，i表示第i个特征向量，|*|表示特性向量集合的大小，I
n
表示第n个数据拥有方数据训练集中特征的全集，为任务发起方对参与联邦学习系统中第n个数据拥有方的第i个特征向量对全局模型贡献量的期望，为任务发起方对第n个数据拥有方的第i个特征向量的满意程度，表示第n个数据拥有方的第i个特征向量的数据定价，表示对于第n个数据拥有方数据集中第i个特征向量x对全局模型的贡献量，表示最大贡献量，s.t.表示约束条件。
[0017]在本公开的一个实施例中，其中，max表示max函数，N表示N个数据，n表示第n个数据，i表示第i个特征向量，|*|表示特性向量集合的大小，I
n
表示第n个数据拥有方数据训练集中特征的全集，为任务发起方对参与联邦学习系统中第n个数据拥有方的第i个特征向量对全局模型贡献量的期望，为任务发起方对第n个数据拥有方的第i个特征向量的满意程度，表示第n个数据拥有方的第i个特征向量的数据定价，表示最大贡献量。
[0018]在本公开的一个实施例中，所述最优数据定价策略为：
[0019][0020]其中，max表示max函数，N表示N个数据，n表示第n个数据，i表示第i个特征向量，|*|表示特性向量集合的大小，I
n
表示第n个数据拥有方数据训练集中特征的全集，为任务发起方对参与联邦学习系统中第n个数据拥有方的第i个特征向量对全局模型贡献量的期
望，表示第n个数据拥有方所有数据的贡献量，表示最大贡献量，表示最优数据定价，表示最优数据贡献。
[0021]根据本公开的再一个方面，提供确定联邦学习系统中数据定价信息的装置，包括：数据特征向量定义模块，用于定义联邦学习系统中每个数据拥有方的数据特征向量；贡献量确定模块，用于根据预先定义的每个数据拥有方的数据特征向量，确定每个数据拥有方对联邦学习模型的贡献量；线性规划模型构建模块，用于根据每个数据拥有方对联邦学习模型的贡献量，构建第一线性规划模型和第二线性规划模型，其中，所述第一线性规划模型以最大化联邦学习系统中数据拥有方收益信息为目标函数，所述第二线性规划模型以最小化联邦学习系统中任务发起方花费信息为目标函数；数据定价信息确定模块，用于以数据拥有方作为博弈的先动方、以任务发起方作为博弈的后动方，构建一个动态的数据定价博弈模型，对所述第一线性规划模型和所述第二线性规划模型进行博弈均衡求解，得到最优数据使用策略和最优数据定价策略的数据定价信息。
[0022]根据本公开的再一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的确定联邦学习系统中数据定价信息的方法。
[0023]根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的确定联邦学习系统中数据定价信息的方法。
[0024]根据本公开的另一个方面，提供一种计算机程序产品，包括计算机指令，所述计算机指令存储在计算机可读存储介质中，所述计算机指令被处理器执行时实现上述任一项所述确定联邦学习系统中数据定价信息的方法的操作指令。...

【技术保护点】

【技术特征摘要】
1.一种确定联邦学习系统中数据定价信息的方法，其特征在于，包括：定义联邦学习系统中每个数据拥有方的数据特征向量；根据预先定义的每个数据拥有方的数据特征向量，确定每个数据拥有方对联邦学习模型的贡献量；根据每个数据拥有方对联邦学习模型的贡献量，构建第一线性规划模型和第二线性规划模型，其中，所述第一线性规划模型以最大化联邦学习系统中数据拥有方收益信息为目标函数，所述第二线性规划模型以最小化联邦学习系统中任务发起方花费信息为目标函数；以数据拥有方作为博弈的先动方、以任务发起方作为博弈的后动方，构建一个动态的数据定价博弈模型，对所述第一线性规划模型和所述第二线性规划模型进行博弈均衡求解，得到最优数据使用策略和最优数据定价策略的数据定价信息。2.根据权利要求1所述的确定联邦学习系统中数据定价信息的方法，其特征在于，以数据拥有方作为博弈的先动方、以任务发起方作为博弈的后动方，构建一个动态的数据定价博弈模型，对所述第一线性规划模型和所述第二线性规划模型进行博弈均衡求解，得到最优数据使用策略和最优数据定价策略的数据定价信息，包括：对所述第一线性规划模型进行求解，得到最大化联邦学习系统中数据拥有方收益信息的最优数据使用策略；根据所述最优数据使用策略，对所述第二线性规划模型进行求解，得到最小化联邦学习系统中任务发起方花费信息的最优数据定价策略；根据所述最优数据定价策略，确定联邦学习系统中各个数据拥有方的数据定价信息。3.根据权利要求1或2所述的确定联邦学习系统中数据定价信息的方法，其特征在于，所述第一线性规划模型为：所述第一线性规划模型为：其中，R
Host
表示第一线性规划模型，max表示max函数，N表示N个数据，n表示第n个数据，i表示第i个特征向量，|*|表示特性向量集合的大小，In表示第n个数据拥有方数据训练集中特征的全集，表示对于第n个数据拥有方数据集中第i个特征向量x对全局模型的贡献量，表示第n个数据拥有方的第i个特征向量的数据定价，s.t.表示约束条件，表示第n个数据拥有方所有数据的贡献量。4.根据权利要求1或2所述的确定联邦学习系统中数据定价信息的方法，其特征在于，所述第二线性规划模型为：划模型为：其中，R
Guest
表示第二线性规划模型，max表示max函数，N表示N个数据，n表示第n个数据，i表示第i个特征向量，|*|表示特性向量集合的大小，I
n
表示第n个数据拥有方数据训练集中特征的全集，为任务发起方对参与联邦学习系统中第n个数据拥有方的第i个特征向量
对全局模型贡献量的期望，为任务发起方对第n个数据拥有方的第i个特征向量的满意程度，表示第n个数据拥有方的第i个特征向量的数据定价，表示对于第n个数据拥有方数据集中第i个特征向量x对全局模型的贡献量，表示最大贡献量，s.t.表示约束条件。5.根据权利要求1或2所述的确定联邦学习系统中数据定价信息的方法，其特征在于，所述最优数据使用策略为：其中，max表示max函数，N表示N个数据，n表示第n个数据，i表示第i个特征向量，|*|表示特性向量集合的大小，I
n
表示第n个数据拥有方数据训练集中特征的全集，为任务发起方对参与联邦学习系统中第n个数据拥有方的...

【专利技术属性】
技术研发人员：章枝宪，李鑫超，周旭华，杨诗友，尹虹舒，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：