(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 202111443214.2 (22)申请日 2021.11.30 (71)申请人 深圳前海微众 银行股份有限公司 地址 518052 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 黄安埠　 (74)专利代理 机构 北京派特恩知识产权代理有 限公司 1 1270 代理人 赵翠萍　张颖玲 (51)Int.Cl. G06N 20/00(2019.01) (54)发明名称 机器学习模型的训练方法、 装置、 设备及存 储介质 (57)摘要 本申请提供了一种机器学习模型的训练方 法、 装置、 设备、 计算机可读存储介质和计算机程 序产品； 方法包括： 接收多个训练端设备分别发 送的训练后的机器学习模型； 其中， 所述训练端 设备是在所述服务端设备发送的机器学习模型 的基础上训练的； 确定每个所述训练后的机器学 习模型的测试结果， 根据所述测试结果从多个所 述训练后的机器学习模型中确定满足近似条件 的至少两个训练后的机器学习模 型； 对所述至少 两个训练后的机器学习模型进行融合处理， 得到 融合后机器学习模型。 通过本申请， 能够有效提 高机器学习模型的训练效率。 权利要求书3页 说明书18页 附图9页 CN 114091689 A 2022.02.25 CN 114091689 A 1.一种机器学习模型的训练方法， 其特 征在于， 应用于服 务端设备， 所述方法包括： 接收多个训练端设备分别发送的训练后的机器学习模型； 其中， 所述训练端设备是在 所述服务端设备发送的机器学习模型的基础上训练的； 确定每个所述训练后的机器学习模型的测试结果， 根据 所述测试结果从多个所述训练 后的机器学习模型中确定满足近似条件的至少两个训练后的机器学习模型； 对所述至少两个训练后的机器学习模型进行融合处 理， 得到融合后机器学习模型。 2.根据权利要求1所述的方法， 其特 征在于， 所述确定每 个所述训练后的机器学习模型的测试 结果， 包括： 基于测试样本分别调用所述多个训练后的机器学习 模型， 得到每个所述训练后的机器 学习模型的测试 结果； 所述根据所述测试结果从多个所述训练后的机器学习模型中确定满足近似条件的至 少两个训练后的机器学习模型， 包括： 从每个所述训练后的机器学习 模型的测试结果中， 确定满足所述近似条件的至少两个 测试结果； 将所述至少两个测试结果对应的训练后的机器学习 模型， 确定为满足近似条件的至少 两个训练后的机器学习模型。 3.根据权利要求2所述的方法， 其特征在于， 所述从每个所述训练后的机器学习 模型的 测试结果中， 确定满足所述近似条件的至少两个测试 结果， 包括： 针对任意一个所述训练端设备发送的所述训练后的机器学习模型 执行以下处 理： 确定所述训练后的机器学习模型的测试结果分别与每个所述训练后的机器学习模型 的测试结果之间的近似距离； 确定小于近似距离 阈值的近似距离对应的至少二个训练后的机器学习 模型， 并确定为 满足近似条件的至少两个测试 结果。 4.根据权利要求3所述的方法， 其特征在于， 所述确定小于近似距离 阈值的近似距离对 应的至少两个训练后的机器学习模型， 包括： 将所述训练后的机器学习模型分别与每个所述训练后的机器学习模型的测试结果之 间的近似距离进行升序排序， 得到 近似距离序列； 将所述近似距离序列中的近似距离， 依次与所述近似距离阈值进行比较处 理； 当所述排序后的近似距离序列中的近似距离大于所述近似距离 阈值时， 确定所述近似 距离序列中曾经与所述近似距离阈值进行比较处理的至少两个近似距离， 将所述至少两个 近似距离对应的训练后的机器学习模型的测试结果， 确定为满足近似条件的至少两个测试 结果。 5.根据权利要求1所述的方法， 其特征在于， 所述对所述至少两个训练后的机器学习 模 型进行融合处 理， 得到融合后机器学习模型， 包括： 根据所述至少两个训练后的机器学习 模型的测试结果之间的近似距离， 确定所述至少 两个训练后的机器学习模型 的权重； 其中， 每一所述训练后的机器学习模型 的权重与对应 的近似距离负相关； 基于所述至少两个训练后的机器学习 模型的权重， 对所述至少两个训练后的机器学习 模型进行加权平均处 理， 得到融合后机器学习模型。权　利　要　求　书 1/3 页 2 CN 114091689 A 26.根据权利要求1所述的方法， 其特征在于， 在对所述至少两个训练后的机器学习模型 进行融合处 理， 得到融合后机器学习模型之前， 所述方法还 包括： 将满足近似条件的所述至少两个训练后的机器学习 模型所对应的训练端， 与根据 所述 多个训练端设备上一次训练后的测试结果确定的满足近似条件的至少两个训练后的机器 学习模型 所对应的训练端 进行比对； 当比对处理结果一致 时， 将在所述多个训练端设备上一 次训练后确定的融合后的机器 学习模型， 确定为在所述多个训练端设备当前一次训练后确定的融合后机器学习模型； 当所述比对处理结果不一致 时， 转入执行对所述至少两个训练后的机器学习 模型进行 融合处理的步骤。 7.根据权利要求6所述的方法， 其特征在于， 所述向所述多个训练端设备发送所述融合 后机器学习模型之前， 所述方法还 包括： 当所述比对处理结果一致 时， 向所述多个训练端设备发送收敛消息； 其中， 所述收敛消 息用于表征 所述融合后机器学习模型收敛； 当所述比对处理结果不一致 时， 转入执行向所述多个训练端设备发送所述融合后机器 学习模型的步骤。 8.根据权利要求1所述的方法， 其特征在于， 所述接收多个训练端设备分别发送的训练 后的机器学习模型之前， 所述方法还 包括： 接收所述多个训练端设备分别发送的机器学习模型获取请求； 向所述多个训练端设备分别发送所述机器学习模型。 9.一种机器学习模型的训练方法， 其特 征在于， 应用于训练端设备， 所述方法包括： 接收服务端设备发送的机器学习模型， 对所述机器学习模型进行训练， 得到训练后的 机器学习模型； 向所述服务端设备发送所述训练后的机器学习模型； 其中， 所述训练后的机器学习模 型用于供所述服务端设备根据对应的测试结果确定满足近似条件的至少两个训练后的机 器学习模型， 并对所述至少两个训练后的机器学习模型进 行融合处理得到融合后机器学习 模型； 接收所述服务端设备发送的所述融合后机器学习模型； 其中， 所述融合后机器学习模 型用于作为所述训练端设备进行 下一次训练的基础。 10.一种基于 机器学习模型的训练装置， 其特 征在于， 所述装置包括： 接收模块， 用于接收多个训练端设备分别发送的训练后的机器学习模型； 其中， 所述训 练端设备 是在所述 服务端设备发送的机器学习模型的基础上训练的； 确定模块， 用于确定每个所述训练后的机器学习模型的测试结果， 根据所述测试结果 从多个所述训练后的机器学习模型中确定满足近似条件的至少两个训练后的机器学习模 型； 融合模块， 用于对所述至少两个训练后的机器学习模型进行融合处理， 得到融合后机 器学习模型。 11.一种基于 机器学习模型的训练装置， 其特 征在于， 所述装置包括： 训练模块， 用于接收服务端设备发送的机器学习模型， 对所述机器学习模型进行训练， 得到训练后的机器学习模型；权　利　要　求　书 2/3 页 3 CN 114091689 A 3