【技术实现步骤摘要】
本申请涉及深度学习，尤其涉及一种联邦学习方法、装置、设备、存储介质及程序产品。
技术介绍
1、在许多基于联邦学习的异常数据检测场景中，例如，医疗场景、交通场景等，数据类分布往往是动态变化的，为了使基于联邦学习的模型能够准确分类上述场景下的异常数据，需要对联邦模型进行增量学习，也就是用增量监控数据对联邦模型进行更新。
2、增量监控数据通常是未标记的，且增量监控数据中存在新增异常数据类别的情况。然而对于新增的类别，多数依赖于对数据分布或类别结构的先验知识，在没有这些先验知识的情况下，无法获知新增类别，也就无法及时更新联邦模型，所以无法适应异常检测场景下的模型更新需求。
技术实现思路
1、为了解决上述问题，本申请提出一种联邦学习方法、装置、设备、存储介质及程序产品，能够适应异常检测场景下的数据更新需求。
2、根据本申请实施例的第一方面，提供了一种联邦学习方法，包括：
3、在执行联邦学习任务中存在增量监控数据的情况下，利用已知异常数据类别在所述增量监控数据中确定新增异常数据类别对应的第一数据；其中，所述已知异常数据类别表示联邦学习任务中样本监控数据对应的异常监控数据类别；
4、对所述第一数据进行聚类处理，确定所述新增监控数据类别的类别数量；
5、根据所述新增异常数据类别的类别数量确定对应的伪标签，并根据所述伪标签对所述第一数据进行标记，得到标记后的增量监控数据；
6、根据标记后的增量监控数据对联邦模型进行参数更新，得到
7、根据本申请实施例的第二方面，提供了一种联邦学习装置，包括：
8、确定模块，用于在执行联邦学习任务中存在增量监控数据的情况下，利用已知异常数据类别在所述增量监控数据中确定新增异常数据类别对应的第一数据；其中，所述已知异常数据类别表示联邦学习任务中样本监控数据对应的异常监控数据类别；
9、聚类模块，用于对所述第一数据进行聚类处理，确定所述新增监控数据类别的类别数量；
10、标记模块，用于根据所述新增异常数据类别的类别数量确定对应的伪标签，并根据所述伪标签对所述第一数据进行标记，得到标记后的增量监控数据；
11、训练模块，用于根据标记后的增量监控数据对联邦模型进行参数更新，得到更新后的联邦模型，其中，所述联邦模型用于识别监控数据的异常数据类别。
12、本申请第三方面提供了一种电子设备，包括：
13、存储器和处理器；
14、所述存储器与所述处理器连接，用于存储程序；
15、所述处理器，通过运行所述存储器中的程序，实现上述的联邦学习方法。
16、本申请第四方面提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现上述的联邦学习方法。
17、本申请第五方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的联邦学习方法。
18、上述申请中的一个实施例具有如下优点或有益效果：
19、在执行联邦学习任务中存在增量监控数据的情况下，利用已知异常数据类别在增量监控数据中确定新增异常数据类别对应的第一数据；其中，已知异常数据类别表示联邦学习任务中样本监控数据对应的异常监控数据类别；对第一数据进行聚类处理，确定新增监控数据类别的类别数量；根据新增异常数据类别的类别数量确定对应的伪标签，并根据伪标签对第一数据进行标记，得到标记后的增量监控数据；根据标记后的增量监控数据对联邦模型进行参数更新，得到更新后的联邦模型。这样，对于增量监控数据无需进行类别标记，依然能够实现异常类别的标注，从而对联邦模型进行监控数据的更新，使得更新后的联邦模型能够识别更多的异常情况。如此，能够适应异常检测场景下的数据更新需求。
本文档来自技高网...【技术保护点】
1.一种联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用已知异常数据类别在所述增量监控数据中确定新增异常数据类别对应的第一数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述属于已知异常数据类别的候选数据在所述增量监控数据中确定出新增异常数据类别对应的第一数据，包括：
4.根据权利要求2所述的方法，其特征在于，每个已知异常数据类别对应的中心点的确定方法包括：
5.根据权利要求1所述的方法，其特征在于，所述根据标记后的增量监控数据对联邦模型进行参数更新，得到更新后的联邦模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述预设损失函数还包括：
7.根据权利要求5或6所述的方法，其特征在于，所述预设损失函数还包括：
8.一种联邦学习装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现如权利要求1至7中任意一项联邦
11.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至7中任意一项联邦学习方法。
...【技术特征摘要】
1.一种联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用已知异常数据类别在所述增量监控数据中确定新增异常数据类别对应的第一数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述属于已知异常数据类别的候选数据在所述增量监控数据中确定出新增异常数据类别对应的第一数据，包括：
4.根据权利要求2所述的方法，其特征在于，每个已知异常数据类别对应的中心点的确定方法包括：
5.根据权利要求1所述的方法，其特征在于，所述根据标记后的增量监控数据对联邦模型进行参数更新，得到更新后的...
【专利技术属性】
技术研发人员：王宇轩，竺乐祺，储双双，高婷，石亚飞，黄建贵，刘磊，陈巍，汪晶，贺茂华，
申请(专利权)人：讯飞华中武汉有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。