基于联邦学习的数据处理方法、装置、设备和存储介质与流程

本技术涉及联邦学习，特别是涉及一种基于联邦学习的数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术：

1、电力行业拥有大量宝贵的电力数据资产。实现电力数据的共享使用可以为电力产业及其上下游带来很好的社会效益和经济效益。通过建立统一的数据共享平台，使得电力企业、监管部门以及研究机构等参与方可以在平台上共享数据，共同参与到电力数据资产的开发应用过程。

2、在建立统一的数据共享平台时，各个参与方可以共同参与到与电力数据资产相关的各类功能模型的训练过程。在上述训练过程中，由于平台方对各个参与方缺乏良好的激励机制，使得各个参与方参与训练的积极性不高，存在功能模型的训练效果不佳的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高各个参与方参与模型训练的积极性，以提高功能模型的训练效果的基于联邦学习的数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种基于联邦学习的数据处理方法，包括：

3、基于多个参与方的电力数据的数据质量制定多个激励合同；

4、获取每个参与方各自从多个所述激励合同中选定的目标激励合同；

5、获取每个参与方上报的模型训练结果，所述模型训练结果基于参与方拥有的电力数据对参与方本地的联邦学习模型进行训练得到；

6、若所述参与方上报的模型训练结果，满足与所述参与方对应的目标激励合同的激励条件，则根据所述目标激励合同向所述参与方发放资源；

7、根据满足激励条件的模型训练结果，对全局联邦学习模型的参数进行调整。

8、在其中一个实施例中，所述基于多个参与方的电力数据的数据质量制定多个激励合同，包括：

9、根据多个参与方的电力数据的数据质量，确定各激励合同的合同奖励值；

10、根据激励相容约束原则，确定各所述激励合同的合同注册费；

11、根据所述合同奖励值和所述合同注册费，确定多个激励合同。

12、在其中一个实施例中，所述合同注册费根据所述合同奖励值、所述合同奖励值的权重系数以及参与方本地训练所述联邦学习模型的单位成本确定；其中，合同注册费与所述合同奖励值成正比，与训练所述本地联邦学习模型的单位成本成反比。

13、在其中一个实施例中，所述获取每个参与方上报的模型训练结果，包括：

14、从区块链网络中获取各参与方的第一凭证；所述第一凭证为参与方基于模型训练结果生成并发布至区块链网络的；

15、对所述第一凭证进行验证，在验证通过后，从所述分布式存储系统中查找得到所述模型训练结果。

16、在其中一个实施例中，方法还包括：

17、对每个参与方上报的模型训练结果进行效果评估；

18、根据效果评估结果确定所述参与方拥有的电力数据的实际数据质量；

19、若所述实际数据质量高于或等于所述参与方选定的目标激励合同所对应的数据质量，则确定所述参与方上报的模型训练结果满足激励条件。

20、在其中一个实施例中，所述根据满足激励条件的模型训练结果，对全局联邦学习模型的参数进行调整，包括：

21、对满足激励条件的模型训练结果中的模型参数进行处理，得到融合模型参数；

22、根据所述融合模型参数，对全局联邦学习模型的参数进行调整。

23、第二方面，本技术还提供一种基于联邦学习的数据处理装置，所述装置包括：

24、合同制定模块，用于基于多个参与方的电力数据的数据质量制定多个激励合同；

25、合同获取模块，用于获取每个参与方各自从多个所述激励合同中选定的目标激励合同；

26、结果获取模块，获取每个参与方上报的模型训练结果，所述模型训练结果基于参与方拥有的电力数据对参与方本地的联邦学习模型进行训练得到；

27、资源发放模块，用于若所述参与方上报的模型训练结果，满足与所述参与方对应的目标激励合同的激励条件，则根据所述目标激励合同向所述参与方发放资源；

28、模型调整模块，用于根据满足激励条件的模型训练结果，对全局联邦学习模型的参数进行调整。

29、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

30、基于多个参与方的电力数据的数据质量制定多个激励合同；

31、获取每个参与方各自从多个所述激励合同中选定的目标激励合同；

32、获取每个参与方上报的模型训练结果，所述模型训练结果基于参与方拥有的电力数据对参与方本地的联邦学习模型进行训练得到；

33、若所述参与方上报的模型训练结果，满足与所述参与方对应的目标激励合同的激励条件，则根据所述目标激励合同向所述参与方发放资源；

34、根据满足激励条件的模型训练结果，对全局联邦学习模型的参数进行调整。

35、第四方面，本技术还提供了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以下步骤：

36、基于多个参与方的电力数据的数据质量制定多个激励合同；

37、获取每个参与方各自从多个所述激励合同中选定的目标激励合同；

38、获取每个参与方上报的模型训练结果，所述模型训练结果基于参与方拥有的电力数据对参与方本地的联邦学习模型进行训练得到；

39、若所述参与方上报的模型训练结果，满足与所述参与方对应的目标激励合同的激励条件，则根据所述目标激励合同向所述参与方发放资源；

40、根据满足激励条件的模型训练结果，对全局联邦学习模型的参数进行调整。

41、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

42、基于多个参与方的电力数据的数据质量制定多个激励合同；

43、获取每个参与方各自从多个所述激励合同中选定的目标激励合同；

44、获取每个参与方上报的模型训练结果，所述模型训练结果基于参与方拥有的电力数据对参与方本地的联邦学习模型进行训练得到；

45、若所述参与方上报的模型训练结果，满足与所述参与方对应的目标激励合同的激励条件，则根据所述目标激励合同向所述参与方发放资源；

46、根据满足激励条件的模型训练结果，对全局联邦学习模型的参数进行调整。

47、上述基于联邦学习的数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，通过对电力数据的数据质量进行定量评估，得到多个不同的激励合同，使得每个参与方都可以从激励合同中选择自己期望的目标激励合同，且对参与方上报的模型训练结果与参与方对应的目标激励合同的激励条件进行比较，在参与方的模型训练结果达到目标激励合同的激励条件时，向上述参与方发放目标激励合同中约定的奖励资源，提高了各个参与方在参与到与电力数据资产相关的各类功能模型的训练过程中的积极性；同时，将满足激励条件的模型训练结果，用于全局联邦学习模型的参数调整过程中，进一步促进了全局联邦学习模型训练的训练效果。