(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 202111215543.1 (22)申请日 2021.10.19 (71)申请人 中国电信股份有限公司 地址 100033 北京市西城区金融大街31号 (72)发明人 章枝宪　李鑫超　周旭华　杨诗友　 尹虹舒　 (74)专利代理 机构 北京律智知识产权代理有限 公司 11438 代理人 孙宝海　袁礼君 (51)Int.Cl. G06N 20/00(2019.01) (54)发明名称 联邦学习参与方贡献度量方法、 装置、 存储 介质及设备 (57)摘要 本公开提供了一种联邦学习参与方贡献度 量方法、 装置、 存储介质及设备， 涉及机器学习技 术领域。 该方法包括： 确定联邦学习建模任务的 各参与方的各特征对训练得到的联邦学习模型 的沙普利值的边际贡献量， 其中， 所述各特征是 所述各参与方提供的用于训练所述联邦学习模 型的数据集中的特征； 确定所述各参与方的所有 特征的沙普利值的边际贡献量的总和， 得到所述 各参与方对 所述联邦学习模型的贡献量。 本公开 实施例可更加客观的反映出联邦学习的各参与 方对联邦学习模型的贡献价值， 提高了评估参与 方对联邦学习模型贡献价 值的精度。 权利要求书2页 说明书12页 附图7页 CN 113947213 A 2022.01.18 CN 113947213 A 1.一种联邦学习参与方贡献度量方法， 其特 征在于， 包括： 确定联邦学习建模任务的各参与方的各特征对训练得到的联邦学习模型的沙普利值 的边际贡献量， 其中， 所述各特征是所述各参与方提供 的用于训练所述联邦学习模型 的数 据集中的特 征； 确定所述各参与 方的所有特征的沙普利值的边际贡献量的总和， 得到所述各参与 方对 所述联邦学习模型的贡献量。 2.根据权利要求1所述的联邦学习参与 方贡献度量方法， 其特征在于， 确定所述各参与 方的所有特 征的沙普利值的边际贡献量的总和， 包括： 对于所述各参与 方的各特征， 计算特征对测试集中样本测试值的实际测试值与该特征 对所述样本测试值的期望测试值之间的差值， 得到该特征对测试结果的边际贡献量， 根据 该边际贡献量计算该 特征对所述联邦学习模型的沙普利值的边际贡献量。 3.根据权利要求1所述的联邦学习参与 方贡献度量方法， 其特征在于， 确定联邦学习建 模任务的各参与方的各 特征对训练得到的联邦学习模型的沙普利值的边际贡献量， 包括： 多次对数据集中的样本实例进行随机数值模拟， 确定出每次随机数值模拟得到的所述 各参与方的各特征对所述联邦学习模型 的沙普利值的边际贡献量， 其中， 所述数据集中包 括多个样本实例， 各样本实例中包括 一个参与方的多个特 征； 对于所述各参与 方的各特征， 将在多次随机数值模拟得到的多个边际贡献量的均值作 为特征对所述联邦学习模型的沙普利值的边际贡献量。 4.根据权利要求3所述的联邦学习参与 方贡献度量方法， 其特征在于， 每次通过随机数 值模拟确定所述各参与方的各 特征对所述联邦学习模型的沙普利值的边际贡献量， 包括： 从所述数据集中随机抽取 特征， 得到随机样本实例； 将目标样本实例以及所述随机样本实例以相同的随机顺序进行排序， 排序后得到第 一 样本实例以及第二样本实例， 其中， 所述目标样本实例为所述数据集中的任一样本实例； 根据所述第 一样本实例 构造包含目标特征序号的第 三样本实例， 根据 所述第二样本实 例构造不包含所述 目标特征序号的第四样本实例， 其中， 所述 目标特征序号为所述 目标样 本实例中的任一特 征的序号； 获取所述第三样本实例对应的第一测试结果以及所述第四样本实例对应的第二测试 结果； 根据所述第一测试结果以及所述第二测试结果之间的差异确定所述目标特征对所述 联邦学习模型的沙普利值的边际贡献量。 5.根据权利要求4所述的联邦学习参与方贡献度量方法， 其特征在于， 所述方法还包 括： 将所述数据集中的目标样本实例以及所述随机样本实例以相同的随机顺序进行排序 之前， 根据所述数据集构建特征序号集合， 其中， 所述特征序号集合中包括各参与方的特征 序号， 所述特 征序号中包括特 征所属的参与方的序号以及特 征在所述 参与方中的序号； 对所述特 征序号集合中的特 征序号进行随机排序， 得到所述随机顺序。 6.根据权利要求1所述的联邦学习参与 方贡献度量方法， 其特征在于， 所述各参与 方提 供的训练数据集具有不同的特 征空间以及相同的样本空间。 7.根据权利要求1至6中任意一项所述的联邦学习参与方贡献度量方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 113947213 A 2所述各参与方不包括可信第三方或协调方中的任意 一方。 8.一种联邦学习参与方贡献度量装置， 其特 征在于， 包括： 第一确定模块， 用于确定联邦学习建模任务的各参与 方的各特征对训练得到的联邦学 习模型的沙普利值的边际贡献量， 其中， 所述各特征是所述各参与方提供 的用于训练所述 联邦学习模型的数据集中的特 征； 第二确定模块， 用于确定所述各参与方的所有特征的沙普利值的边际贡献量的总和， 得到所述各参与方对所述联邦学习模型的贡献量。 9.一种电子设备， 其特 征在于， 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权利要求1～7中任意一项所 述的联邦学习参与方贡献度量方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1～7中任意 一项所述的联邦学习参与方贡献度量方法。权　利　要　求　书 2/2 页 3 CN 113947213 A 3