PRIVACY-ENHANCED TRAINING AND DEPLOYMENT OF MACHINE LEARNING MODELS USING CLIENT-SIDE AND SERVER-SIDE DATA
Computer-implemented systems and methods for training a decentralized model for making a personalized recommendation. In one aspect, the method comprising: obtaining, using user activity data, client-side training data that includes features and training labels; and training, by the client device, a...
Gespeichert in:
Hauptverfasser: | , , , , , , , |
---|---|
Format: | Patent |
Sprache: | eng ; fre |
Schlagworte: | |
Online-Zugang: | Volltext bestellen |
Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
Zusammenfassung: | Computer-implemented systems and methods for training a decentralized model for making a personalized recommendation. In one aspect, the method comprising: obtaining, using user activity data, client-side training data that includes features and training labels; and training, by the client device, a decentralized model in training rounds, wherein training, in each training round comprises: receiving, first data including a current server-side embedding generated by the server-side machine learning model, wherein the first data received from the server does not include any server-side data used in generating the current server-side embedding; generating, using the client-side machine learning model, a client-side embedding based on the client-side training data; updating, using the client-side embedding and the current server-side embedding and based on the training labels, the client-side machine learning model; generating, an updated client-side embedding; and transmitting second data including the updated client-side embedding for subsequent updating of the server-side machine learning model.
L'invention concerne des systèmes et des procédés mis en oeuvre par ordinateur pour l'entraînement d'un modèle décentralisé pour faire une recommandation personnalisée. Selon un aspect, le procédé comprend les étapes suivantes: l'obtention, au moyen de données d'activité d'utilisateur, de données d'entraînement côté client qui comprennent des caractéristiques et des étiquettes d'entraînement; et l'entraînement, par le dispositif client, d'un modèle décentralisé dans des cycles d'entraînement, l'entraînement, dans chaque cycle d'entraînement comprenant: la réception, de premières données comprenant une incorporation côté serveur actuelle générée par le modèle d'apprentissage automatique côté serveur, les premières données reçues en provenance du serveur ne comprenant pas de données côté serveur utilisées dans la génération de l'incorporation côté serveur actuelle; la génération, au moyen du modèle d'apprentissage automatique côté client, d'une incorporation côté client sur la base des données d'apprentissage côté client; la mise à jour, au moyen de l'incorporation côté client et de l'incorporation côté serveur actuel et sur la base des étiquettes d'apprentissage, du modèle d'apprentissage automatique côté client; la génération, d'une incorporation côté client mise à jour; et la transmission de seconde données comprenant l'incorporation côté client mise à jour pour un |
---|