(19)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 202210551415.2 (22)申请日 2022.05.20 (71)申请人 深圳前海微众 银行股份有限公司 地址 518027 广东省深圳市前海深港合作 区前湾一路1号A栋201室 (72)发明人 康焱　何元钦　骆家焕　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 严罗一　臧建明 (51)Int.Cl. G06N 20/20(2019.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06F 21/62(2013.01) (54)发明名称 信息处理方法、 装置、 设备、 存储介质及程序 产品 (57)摘要 本发明公开了一种信息处理方法、 装置、 设 备、 存储介质及程序产品， 该方法包括： 获取服务 器发送的第N次融合后的分类模型 以及第N次融 合后的特征生成模型； 训练第N次的数据生成模 型和第N次的特征提取模型， 得到第N+1次的数据 生成模型和第N+1次中第一次更新的特征提取模 型； 训练第N+1次中第一次更新的特征提取模型 和第N次融合后的分类模型， 得到第N+1次的分类 模型和第N+1次中第二次更新的特征提取模型； 通过对抗网络， 训练第N次融合后的特征生成模 型， 使得特征生成模型的输出结果， 逼近特征提 取模型输 出的结果。 本发明实现在有效保护隐私 前提下， 提高本地模型的性能， 使得输出结果更 为准确。 权利要求书5页 说明书23页 附图6页 CN 114925855 A 2022.08.19 CN 114925855 A 1.一种信息处理方法， 其特征在于， 所述方法应用于参与联邦学习的多个参与方中的 数据提供方， 用于训练得到特征生成模型和分类模型， 将待预测图像依 次输入特征生成模 型和分类模型后， 得到对应的分类结果； 所述方法包括： 获取服务器发送的第N次融合后的分类模型以及第N次融合后的特征生成模型； 其中， 特征生成模型用于生成图像特 征； 根据所述第N次融合后的特征生成模型和所述第N次融合后的分类模型， 训练第N次的 数据生成模型和第N次的特征提取模型， 得到第N+1次的数据生成模型和第N+1次中第一次 更新的特征提取模型， 所述数据生成模型用于生成伪图像， 所述特征提取模型用于提取图 像特征； 根据第N+1次的数据生成模型生成的伪图像以及真实图像， 训练第N+1次中第一次更新 的特征提取模型和第N次融合后的分类模型， 得到第N+1次的分类模型和第N+1次中第二次 更新的特征提取模型， 其中， 分类模型用于根据图像特征确定对应的结果， 所述第N+1次中 第二次更新的特 征提取模型作为第N+1次的特 征提取模型； 以第N+1次的特征提取模型提取的图像特征作为真数据， 以第 N次融合后的特征生成模 型生成的图像特征作为伪数据， 通过对抗网络， 训练第N次融合后的特征生成模型， 使得特 征生成模型的输出 结果， 逼近特 征提取模型输出的结果。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述第N次融合后的特征生成模 型和所述第N次融合后的分类模型， 训练第N次的数据生成模 型和第N次的特征提取模型， 得 到第N+1次的数据生成模型和第N+1次中第一次更新的特 征提取模型， 包括： 将随机数中的第一目标随机数以及所述第一目标随机数对应的第一预设类别标签输 入到第N次的数据生成模型， 得到第一伪图像， 所述第一伪图像对应的真实标签为所述第一 预设类别标签； 将所述第一伪图像输入到第N次的特 征提取模型， 得到第一图像特 征； 将所述随机数中的第二目标随机数以及所述第二目标随机数对应的第二预设类别标 签输入到第N次融合后的特征生成模型， 得到第二图像特征， 所述第二图像特征对应的真实 标签为所述第二预设类别标签， 所述第一预设类别标签与所述第二预设类别标签相同； 根据所述第 一图像特征和所述第二图像特征， 通过第N 次融合后的分类模型， 确定第N+ 1次的数据生 成模型和第N+1次中第一次更新的特征提取模 型； 其中， 所述第N+1次中第一次 更新的特 征提取模型用于支持更新分类模型。 3.根据权利要求2所述的方法， 其特征在于， 所述根据所述第 一图像特征和所述第 二图 像特征， 通过第N次融合后的分类模型， 确定第N+1次的数据生成模型和第N+1次中第一次更 新的特征提取模型， 包括： 将所述第一图像特征和所述第二图像特征输入到第N次融合后的分类模型， 得到第一 图像类别概率分布和第二图像 类别概率分布； 计算所述第一图像 类别概率分布和所述第二图像 类别概率分布的距离损失值； 通过所述距离损失值， 分别计算第 N次的数据生成模型的梯度值和第 N次的特征提取模 型的第一梯度值； 根据第N次的数据生成模型的梯度值更新第N次的数据生成模型， 得到第N+1次的数据 生成模型， 以及根据第一梯度值更新第N次的特征提取模型， 得到第N+1次本地训练中第一权　利　要　求　书 1/5 页 2 CN 114925855 A 2次更新的特 征提取模型。 4.根据权利要求2或3所述的方法， 其特征在于， 所述根据第 N+1次的数据生成模型生成 的伪图像以及真实图像， 训练第N+1次中第一次更新的特征提取模型和第N次融合后的分类 模型， 得到第N+1次的分类模型和第N+1次中第二次更新的特 征提取模型， 包括： 将所述第一目标随机数以及所述第一预设类别标签输入第N+1次的数据生成模型， 得 到第二伪图像； 从所述真实图像中获取含有真实标签的第 一原始图像， 并将所述第 一原始图像和所述 第二伪图像输入到第N+1次中第一次更新后的特 征提取模型， 得到第三图像特 征； 将所述第 三图像特征输入到第 N次融合后的分类模型， 得到第一预测类别标签， 并计算 所述第一预设类别标签和所述第一原始数据对应的真实标签与相 应的所述第一预测类别 标签的第一损失值； 根据所述第一损失值， 分别计算第N+1次中第一次更新后的特征提取模型的第二梯度 值和第N次融合后的分类模 型的梯度值， 并根据第二梯度值更新第N+1次中第一次更新后的 特征提取模型， 得到第N+1次中第二次更新后的特征提取模型， 以及根据第N次融合后的分 类模型的梯度值更新第N次融合后的分类模型， 得到第N+1次的分类模型。 5.根据权利要求4所述的方法， 其特征在于， 所述以第N+1次的特征提取模型提取的图 像特征作为真数据， 以第N次融合后的特征生 成模型生成的图像特征作为伪数据， 通过对抗 网络， 训练第N次融合后的特 征生成模型， 包括： 将所述真实图像输入到第N+1次的特 征提取模型， 得到第四图像特 征； 将所述随机数和所述随机数对应的预设类别标签输入到第N次融合后的特征生成模 型， 得到第五图像特 征； 根据所述第四图像特征和所述第五图像特征， 通过第 N次的特征区分模型， 计算对抗网 络的第一目标损失值， 并根据第一目标损失值分别更新第N次的特征区分模型和 第N次融合 后的特征生成模型， 得到第N+1次的特 征区分模型和第N+1次的特 征生成模型； 其中， 特征区分模型用于区分图像特 征是真数据或伪数据。 6.根据权利要求2或3所述的方法， 其特征在于， 在获取服务器发送的第 N次融合后的分 类模型以及第N次融合后的特 征生成模型之前， 所述方法还 包括： 根据所述真实图像， 训练初始 的分类模型和初始 的特征提取模型， 得到第一次的分类 模型和第一次的特征提取模型， 并将所述第一次的分类模型发送至服务器， 以使所述服务 器对各个所述第一次的分类模型进行融合， 得到第一次融合后的分类模型； 以第一次的特征提取模型提取的图像特征作为真数据， 以初始的特征生成模型生成的 图像特征作为伪数据， 通过对抗网络， 训练初始的特征生 成模型， 得到第一次的特征生 成模 型， 并将所述第一次的特征生成模型发送至所述服务器， 以使所述服务器对各个第一次的 特征生成模型进行融合， 得到第一次融合后的特 征生成模型。 7.根据权利要求6所述的方法， 其特征在于， 所述根据所述真实图像， 训练初始 的分类 模型和初始的特 征提取模型， 得到第一次的分类模型和第一次的特 征提取模型， 包括： 将所述真实图像输入到初始的特 征提取模型， 得到第六图像特 征； 将所述第六图像特征输入到初始 的分类模型， 得到第三预测类别标签， 并计算所述第 三预测类别标签与所述真实图像对应的真实标签的第三损失值；权　利　要　求　书 2/5 页 3 CN 114925855 A 3