(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111588868.4 (22)申请日 2021.12.23 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 由林麟　章圣律　刘晟　郭子晗　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 代理人 梁嘉琦 (51)Int.Cl. G06N 20/00(2019.01) (54)发明名称 一种基于众包方式和激励机制的联邦学习 系统 (57)摘要 本发明公开了一种基于众包方式和激励机 制的联邦 学习系统， 包括： 基础数据层， 用于存储 联邦学习系统的数据； 业务响应层， 用于响应于 系统用户的任务请求， 根据任务请求采用众包 方 式进行所述联邦学习系统的任务管理， 系统用户 包括任务发布者和任务参与者； 辅助训练层， 用 于根据激励机制辅助联邦学习系统的联邦学习 全局模型训练， 激励机制包括任务分配机制、 声 誉机制和奖励机制； 用户交互层， 用于支撑系统 用户与联邦学习系统的交互， 实现用户操作与数 据结果的可视化。 本发明能够对参与者、 任务以 及训练策略进行统一管理， 并通过设计的激励机 制鼓励数据拥有者持续参与联邦学习任务， 可广 泛应用于联邦学习技 术领域。 权利要求书3页 说明书14页 附图9页 CN 114330742 A 2022.04.12 CN 114330742 A 1.一种基于众包方式和激励机制的联邦学习 系统， 其特 征在于， 包括： 基础数据层， 用于存 储联邦学习 系统的数据； 业务响应层， 用于响应于系统用户的任务请求， 根据所述任务请求采用众包方式进行 所述联邦学习 系统的任务管理， 所述系统用户包括任务发布者和任务 参与者； 辅助训练层， 用于根据激励机制辅助所述联邦学习系统的联邦学习全局模型训练， 所 述激励机制包括任务分配机制、 声誉机制和奖励机制； 用户交互层， 用于支撑所述系统用户与所述联邦学习系统的交互， 实现用户操作与数 据结果的可视化。 2.根据权利要求1所述的一种基于众包方式和激励机制的联邦学习系统， 其特征在于， 所述基础数据层， 包括： 用户信息数据库， 用于存 储所述联邦学习 系统的用户信息数据； 任务信息数据库， 用于存 储所述联邦学习 系统的任务信息数据； 模型测试结果数据库， 用于存储任务所述任务请求中各个任务标定的所述联邦学习 全 局模型的测试 结果数据； 训练策略数据库， 用于存 储所述任务请求中各个任务聚合模型参数的策略数据。 3.根据权利要求1所述的一种基于众包方式和激励机制的联邦学习系统， 其特征在于， 所述业务响应层， 包括： 任务发布与接收模块， 用于支撑所述任务发布者发布联邦学习 任务和所述任务参与者 接收联邦学习任务； 任务市场模块， 用于支撑所述任务 参与者和所述任务发布者进行任务搜寻； 任务管理模块， 用于支撑所述任务发布者进行任务管理， 所述任务管理包括任务信息 处理、 任务数据下 载和奖励支付处 理； 策略管理模块， 用于支撑所述任务发布者对所述任务请求中各个任务的策略数据进行 新增管理、 删减管理和修改管理。 4.根据权利要求1所述的一种基于众包方式和激励机制的联邦学习系统， 其特征在于， 所述辅助训练层， 包括： 设备选择模块， 用于根据所述任务分配机制确定所述任务 参与者； 训练策略模块， 用于根据任务配置确定目标 策略； 模型训练模块， 用于测试 所述联邦学习全局模型的模型精度； 奖励计算模块， 用于根据声誉机制计算所述任务参与者的声誉值和根据 奖励机制计算 所述任务 参与者的奖励值。 5.根据权利要求1所述的一种基于众包方式和激励机制的联邦学习系统， 其特征在于， 所述用户交 互层， 包括： 任务发布交 互界面， 用于支持所述系统用户的任务的配置和发布的交 互操作； 任务市场交互界面， 用于支持任务信息展示和响应于搜索指令的任务搜索的交互操 作； 任务管理交互界面， 用于支持所述任务发布者的任务管理的交互操作， 所述任务管理 包括任务信息处 理、 任务数据下 载和奖励支付处 理； 策略管理交互界面， 用于支持所述任务发布者对所述任务请求中各个任务的策略数据权　利　要　求　书 1/3 页 2 CN 114330742 A 2管理的交 互操作， 所述策略数据管理包括 新增管理、 删减管理和修改管理。 6.一种基于众包方式和激励机制的联邦学习方法， 其特 征在于， 包括： 响应于联邦学习 系统的任务请求， 根据众包方式进行 所述联邦学习 系统的任务管理； 根据所述任务管理， 结合激励机制辅助所述联邦学习系统的联邦学习全局模型训练， 所述激励机制包括任务分配机制、 声誉机制和奖励机制； 其中， 所述联邦学习 系统包括: 基础数据层， 用于存 储联邦学习 系统的数据； 业务响应层， 用于响应于系统用户的任务请求， 根据所述任务请求采用众包方式进行 所述联邦学习 系统的任务管理， 所述系统用户包括任务发布者和任务 参与者； 辅助训练层， 用于根据激励机制辅助所述联邦学习系统的联邦学习全局模型训练， 所 述激励机制包括任务分配机制、 声誉机制和奖励机制； 用户交互层， 用于支撑所述系统用户与所述联邦学习系统的交互， 实现用户操作与数 据结果的可视化。 7.根据权利要求6所述的一种基于众包方式和激励机制的联邦学习方法， 其特征在于， 所述根据所述任务管理， 结合激励机制 辅助所述联邦学习系统的联邦学习全局模型训练， 包括： 根据所述任务分配机制确定任务 参与者； 获取所述任务 参与者的任务数据； 根据所述任务数据辅助所述联邦学习 系统的联邦学习全局模型训练。 8.根据权利要求7所述的一种基于众包方式和激励机制的联邦学习方法， 其特征在于， 所述根据所述任务管理， 结合激励机制 辅助所述联邦学习系统的联邦学习全局模型训练， 还包括： 根据所述声誉机制确定所述任务 参与者的声誉值； 根据所述奖励机制确定所述任务 参与者的奖励值。 9.根据权利要求8所述的一种基于众包方式和激励机制的联邦学习方法， 其特征在于， 所述根据所述声誉机制确定所述任务 参与者的声誉值， 包括： 根据声誉值公式计算得到所述任务 参与者的声誉值， 所述声誉值公式为： 其中， i表示第i个任务参与者， j表示第j个任务， 表示第i个任务参与者完成第j个 任务所获得声誉 值； α 表示系统设定声誉 值增长速率系数； T表 示任务持续时间； p(F)表示所 有参与者参与训练所得全局模型的测试精度， p(F\{i})表示剔除第i个任务参与者的全局 模型的测试精度， [p(F) ‑p(F\{i})]表示第i个任务参与者的贡献值； rpti表示第i个任务参 与者的总声誉值， 初始为0； n表示第i个任务 参与者的参与任务总数。 10.根据权利要求9所述的一种基于众包方式和激励机制的联邦学习方法， 其特征在 于， 所述根据所述奖励机制确定所述任务 参与者的奖励值， 包括： 根据奖励值公式计算得到所述任务 参与者的奖励值， 所述奖励值公式为：权　利　要　求　书 2/3 页 3 CN 114330742 A 3