基于联合学习的确定资源贡献度的方法、装置和电子设备与流程

1.本公开涉及联合学习技术领域，尤其涉及一种基于联合学习的确定资源贡献度的方法、装置和电子设备。


背景技术：

2.联合学习组织多个参与方共建智能，需要设计合理的分配激励机制保证合作的成功进行和可持续性。按ieee p3652.1联合学习架构和应用规范，激励机制通常需要满足个体合理性、集体合理性、公平性等多个约束条件，其中，公平分配利益尤为重要，所以按贡献大小进行分配是一个合理的分配方法。因此，如何确定各个参与方对于联合学习的贡献是联合学习应用中的一个技术问题。


技术实现要素：

3.有鉴于此，本公开实施例提供了一种基于联合学习的确定资源贡献度的方法、装置和电子设备，以解决现有技术中如何确定各个参与方对于联合学习的贡献的问题。
4.本公开实施例的第一方面，提供了一种基于联合学习的确定资源贡献度方法，包括：获取联合学习架构中的各个参与方上传的模型；其中，上传的模型携带有模型的通讯轮次，以及通讯轮次对应的参与方的边际贡献值；基于边际贡献值，确定各参与方的资源量；根据参与方的资源量和夏普利值算法，确定各个参与方的分配资源量；基于通讯轮次和分配资源量，得到各参与方对联合模型的贡献度。
5.本公开实施例的第二方面，提供了一种基于联合学习的确定资源贡献度的装置，包括：获取模块，被配置为获取联合学习架构中的各个参与方上传的模型；其中，上传的模型携带有模型的通讯轮次，以及通讯轮次对应的参与方的边际贡献值；第一确定模块，被配置为基于边际贡献值，确定各参与方的资源量；计算模块，被配置为根据参与方的资源量和夏普利值算法，确定各个参与方的分配资源量；第二确定模块，被配置为基于通讯轮次和分配资源量，得到各参与方对联合模型的贡献度。
6.本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
7.本公开实施例与现有技术相比存在的有益效果是：通过获取联合学习架构中的各个参与方上传的模型；其中，上传的模型携带有模型的通讯轮次，以及通讯轮次对应的参与方的边际贡献值；基于边际贡献值，确定各参与方的资源量；根据参与方的资源量和夏普利值算法，确定各个参与方的分配资源量；基于通讯轮次和分配资源量，得到各参与方对联合模型的贡献度，从而可以根据参与方对于联合模型的贡献度来实现联合学习的激励分配，以保证联合学习的成功进行和可持续性。
附图说明
8.为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
9.图1是本公开实施例的应用场景的场景示意图；
10.图2是本公开实施例提供的一种基于联合学习的确定资源贡献度的方法的流程示意图；
11.图3是本公开实施例提供的图2中步骤s203的一种方法流程示意图；
12.图4是本公开实施例提供的图2中步骤s203的另一种方法流程示意图；
13.图5是本公开实施例提供的一种基于联合学习的确定资源贡献度的装置的结构示意图；
14.图6是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
15.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
16.联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种ai(artificial intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
17.(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
18.(2)在不同应用场景下，利用筛选和/或组合ai算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
19.(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。
20.(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
21.基于上述方式，可以建立基于联合学习的ai技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
22.下面将结合附图详细说明根据本公开实施例的一种基于联合学习的确定资源贡献度的方法和装置。
23.图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。
24.在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方
建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，参与方的数量不限于如上的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。
25.图2是本公开实施例提供的一种基于联合学习的确定资源贡献度的方法的流程示意图。图2的基于联合学习的确定资源贡献度的方法可以由图1的服务器执行。如图2所示，该基于联合学习的确定资源贡献度的方法包括：
26.s201，获取联合学习架构中的各个参与方上传的模型；其中，上传的模型携带有模型的通讯轮次，以及通讯轮次对应的参与方的边际贡献值；
27.s202，基于边际贡献值，确定各参与方的资源量；
28.s203，根据参与方的资源量和夏普利值算法，确定各个参与方的分配资源量；
29.s204，基于通讯轮次和分配资源量，得到各参与方对联合模型的贡献度。
30.具体地，结合图1来说，与服务器101建立通信连接的各个参与方所持有的数据数量可能并不相同，由此可见，每个参与方利用所持有的数据进行模型训练，那么对应最终得到的全局模型的贡献也将不同。参与方的资源量可以是用于联合模型训练的数据数量，对于同一参与方，其在各个通讯轮次中用于联合学习的资源量可以相同，也可以不相同。
31.具体地，夏普利(shapley)值是合作博弈的一个解，由诺贝尔经济学奖得主夏普利提出。在本公开实施例中，联合学习可以抽象为多方参与的合作博弈，若定义效用函数为联合模型的准确率或负的损失，则损失越小，模型准确率越高，因此，可以将联合学习中应用夏普利值进行贡献衡量和分配。例如，通过联合学习的参与方i(相当于个体)加入联盟s产生的边际贡献的平均值来公平的进行利益分配，详细地来说，夏普利值考虑参与方i加入联盟的全部可能的顺序，n是全组合组成的联盟，参与方的数量为|n|＝n，s是某个组合排列情况下的子联盟，v()是效用函数，|
·
|符号表示求集合中元素的数量。[v(s∪{i})
–
v(s)]表示参与方i加入子联盟s后的边际效用，|s|！(|n|-|s|-1)！/|n|！表示该组合出现的概率(即权重)，其中，i、n、n和s分别为正整数。
[0032]
根据本公开实施例提供的技术方案，通过在联合学习中应用夏普利值来衡量参与方在各个通讯轮次的分配资源量，从而准确得到各个参与方对于联合模型的贡献度，以便联合学习公平地进行激励分配，保证了联合学习的成功进行和可持续性。
[0033]
在一些实施例中，各参与方的资源量包括用于联合模型训练的数据数量。
[0034]
具体地，在联合学习的每个通讯轮次中，参与到联合学习的参与方的数量和各个参与方在该通讯轮次中进行模型训练的资源量(例如用于模型训练的数据数量)并非一成不变的。例如，结合图1来说，在一个通讯轮次中，可以只有参与方102和参与方103共同参与联合学习，而在下一个通讯轮次中，则有参与方102、参与方103和参与方104共同参与联合
学习，并且参与方102和参与方103各自在两个通讯伦次中用于参与联合模型训练的数据量也可以相同或不同。因此，可以通过参与方上传给服务器101的模型中所携带的边际贡献值来确定各个参与方对应的资源量。
[0035]
具体地，参与方在每个通讯轮次的边际贡献值可以根据参与方加入联合学习产生的收益来进行计算衡量，也可以是根据参与方离开联合学习产生的损失来进行计算衡量。其中，根据参与方加入联合学习产生的收益来进行计算衡量的方法可以是将参与方i加入联合学习组织后产生的收益与参与方i加入联合学习组织前的收益差异作为该参与方的边际贡献值，或者，也可以使用参与方训练模型的数据数量的夏普利值来作为边际贡献值，本公开实施例对此不作限制。
[0036]
在联合学习实际应用中，如果直接套用经典夏普利值的计算方法，会产生大量的计算开销：一是需要针对大量不同参与方组合训练联合学习模型；二是需要对这些组合模型推演评估准确率或损失。这些计算量将随着参与方数量的增加呈指数级增长，需要耗费大量的计算时间。因此，以下实施例将进一步优化确定资源贡献度的方法，在保证计算精度的情况下节省计算时间。
[0037]
在一些实施例中，分配资源量包括参与方在各个通讯轮次对应的资源量的夏普利值；根据参与方的资源量和夏普利值算法，确定各个参与方的分配资源量，包括：基于参与方的数量，确定参与方加入联盟的全部组合顺序，其中，每一种加入联盟的组合顺序为一个子联盟；基于蒙特卡罗采样方法对全部组合顺序进行采样，确定进行夏普利值计算的目标子联盟；在各个通讯轮次中，基于夏普利值算法计算目标子联盟对应的组合顺序中每个参与方加入目标子联盟的边际贡献，其中，边际贡献等于参与方在当前通讯轮次的资源量的效用函数值；在当前通讯轮次的全局模型的边际贡献与全局模型的绝对差值小于预设的第一阈值的情况下，退出当前通讯轮次的目标子联盟对应的组合顺序中每个参与方的边际贡献计算，且当前通讯轮次各个参与方的夏普利值为基于蒙特卡罗采样方法计算的边际贡献的均值；在当前通讯轮次的全局模型的边际贡献与上一通讯轮次的全局模型的边际贡献的绝对差值小于或等于预设的第二阈值的情况下，结束计算各个参与方的夏普利值，其中，当前通讯轮次各个参与方的夏普利值均为零。
[0038]
具体地，结合图1来说，在每个通讯轮次中，参与方102、参与方103和参与方104可能会以不同的顺序加入联合学习的联盟中参与联合学习，因此，在每个通讯轮次中可以对参与方的加入联盟的组合顺序下分别计算各个参与方对应资源量的夏普利值。显然，如果参与方的数量越多，那么在每个通讯轮次中这些参与方加入联盟的组合顺序也将越多，意味着将进行大量的计算。因此，在本公开实施例中，采用蒙特卡罗采样方法来对每个通讯轮次中的这些参与方加入联盟的组合顺序进行采样，从而只对采样得到的目标组合顺序所在各个参与方对应的资源量计算对应的效用，从而可以在保证计算精度的情况下节省计算时间。
[0039]
具体地，对于通讯轮次内的夏普利值计算，在本公开实施例中，利用当前通讯轮次下全局模型的效用与全局模型之差的绝对值同预设的第一阈值进行比较，在全局模型的效用与全局模型之差的绝对值小于该第一阈值的情况下，则截断当前通讯轮次内其余组合顺序的夏普利值计算，从而可以有效节省单个通讯轮次内夏普利值的计算时间。其中，这里的全局模型是在当前通讯轮次下，服务器对各个参与方上传的模型参数进行聚合后得到的模
型结构或模型参数。
[0040]
具体地，对于通讯轮次间的夏普利值计算，在本公开实施例中，则将当前通讯轮次下全局模型的效用与上一次通讯轮次对应的全局模型的效用计算差值后取绝对值，并与预设的第二阈值进行比较，如果当前通讯轮次下全局模型的效用与上一次通讯轮次对应的全局模型的效用计算差值后取绝对值小于或等于该第二阈值，则结束夏普利值的计算，以此来减少夏普利值的计算量，节省计算时间。其中，该第二阈值可以为联合模型的收敛条件。
[0041]
对于前述的一些实施例中，第二阈值一般都是凭经验设置，因此，为了权衡收敛速度和计算精度，需要多次试错，而在实际应用场景下，通常希望一次计算即得到满意的结果。
[0042]
进一步地，在前述的一些实施例中，还可以包括：基于夏普利值算法，确定最终的联合模型的边际增益，其中，边际增益等于最终的联合模型的效用函数值与初始模型的效用函数值的绝对差值；基于边际增益，确定第二阈值。
[0043]
具体地，设最终的联合模型效用函数相对于初始模型的边际增益为δu＝|v(m
(t)
)-v(m
(0)
)|，其中t为总通讯轮次，v(m
(t)
)表示最终的联合模型效用函数，v(m
(0)
)表示初始模型的效用函数，则可以设置收敛参数(即第二阈值)λ＝δu*threshold，例如，threshold＝0.01。最少计算的组合模型数量参数设置为int(2n*coe)，其中，coe＝0.8，由此可以有效减少计算时间。
[0044]
根据本公开实施例提供的技术方案，通过最终的联合模型效用函数相对于初始模型的边际增益来自适应地调整剪枝收敛参数，以减少人工干预，适用模型增益范围超出1.0的情况。
[0045]
进一步地，在前述的一些实施例中，还可以包括：在至少两个连续通讯轮次内，若边际增益的平局值小于第二阈值，则结束计算各个参与方的夏普利值。
[0046]
具体地，在前述的一些实施例中，隐含有联合模型效用函数边际增益单调递减的假设，但实际场景下，会出现非单调递减的情况。例如，效用函数振荡收敛时，第(t)个通讯轮次的边际增益趋近于零，而在(t 1)通讯轮又出现大于收敛参数λ的增益。若按前述的一些实施例中的方法，将在第(t)轮即达到收敛条件而退出迭代循环，丢失了第(t 1)轮的信息，使得结算结果与真实值出现更大偏差。为此，本公实施例通过设置收敛判断条件为连续m轮(m》＝2)边际增益的平均值小于阈值λ，才判断为收敛，退出循环。本公开实施例提供的技术方案通过增强轮次间截断收敛条件鲁棒性、捕捉效用函数波动递减情况，使得该夏普利值的计算方法在实际场景真实数据集上的表现更稳定。
[0047]
在一些实施例中，分配资源量包括参与方在各个通讯轮次对应的资源量的夏普利值，并参见图3，图3是本公开实施例提供的图2中步骤s203的一种方法流程示意图，如图3所示，该根据参与方的资源量和夏普利值算法，确定各个参与方的分配资源量，包括：
[0048]
s301，基于参与方的数量，确定参与方加入联盟的全部组合顺序；
[0049]
s302，计算每种组合顺序的权重；
[0050]
s303，在每个通讯轮次内，计算当前通讯轮次全局模型的效用函数值与上一通讯轮次全局模型的效用函数值的绝对差值；
[0051]
s304，在绝对差值大于预设的第二阈值的情况下，获取参与方加入联盟的全部组合顺序中小于或等于预设的权重阈值的目标组合顺序，并计算各个参与方在目标组合顺序
下的边际贡献；
[0052]
s305，在绝对差值小于或等于预设的第二阈值的情况下，退出计算参与方在当前通讯轮次的边际贡献；
[0053]
s306，基于参与方的边际贡献和夏普利值算法，确定参与方在各个通讯轮次对应的资源量的夏普利值。
[0054]
具体地，蒙特卡罗采样是一种统计方法，需要大量采样，在夏普利值定义式中表示子组合模型出现概率的权重自然在多次采样中体现出来，概率越高的组合被采样的次数也越多。但是，前述的一些实施例中采用蒙特卡罗采样的夏普利值计算方法，均未考虑子组合模型(即某个排列情况下子联盟)出现的概率，当实际采样数量较少时，这一问题愈加突显。在实际应用中将会出现按采样计算的平均边际增益将偏离真实的夏普利值，从而影响夏普利值的计算精度。
[0055]
具体地，按夏普利值定义，权重w＝|s|！(|n|-|s|-1)/|n|！随s增加到n，由大减小再增大呈u形。而参与方i的夏普利值中由该组合s情况下i的边际增益做出的贡献为权重w*(v(s∪{i})
–
v(s))。若w较小或者(v(s∪{i})
–
v(s))较小，则该部分值将对i的夏普利值影响较小，可忽略以减少计算量。因此，在本公开实施例中，对于每一通讯轮次的夏普利值计算中，设置权重阈值w_threshold，只计算w《＝w_threshold的子组合模型的效用函数的增益，并代入夏普利定义计算夏普利值。
[0056]
根据本公开实施例提供的技术方案，由蒙特卡罗采样的循环的迭代次数的不确定性替换为确定次数的计算，初步测算表明在计算量相当时，本公开实施例计算的夏普利值平均误差更低；若保持相同精度，则本公开实施例的计算量将更少，从而在保证相同精度的情况下节省了计算时间。
[0057]
在一些实施例中，分配资源量包括参与方在各个通讯轮次对应的资源量的夏普利值，并参见图4，图4是本公开实施例提供的图2中步骤s203的另一种方法流程示意图，如图4所示，该根据参与方的资源量和夏普利值算法，确定各个参与方的分配资源量，包括：
[0058]
s401，基于参与方的数量，确定全部参与方加入联盟的全组合顺序，以及由部分参与方加入联盟的头部组合顺序；
[0059]
s402，计算每种组合顺序的权重；
[0060]
s403，在每个通讯轮次内，计算当前通讯轮次全局模型的效用函数值与上一通讯轮次全局模型的效用函数值的绝对差值；
[0061]
s404，在绝对差值大于预设的第二阈值的情况下，分别计算头部组合顺序的效用函数值和全部组合顺序的效用函数值，并利用头部组合顺序的效用函数值和全部组合顺序的效用函数值进行线性或非线性函数插值，估计其余部分参与方加入联盟的剩余组合顺序的效用函数值；
[0062]
s405，基于效用函数值和夏普利算法，确定参与方在各个通讯轮次对应的资源量的夏普利值。
[0063]
具体地，在前述的一些实施例中，依靠第一阈值做通讯轮次内截断的夏普利近似算法，设置第一阈值为ε，如果|v
n-v
j-1
|＝|v(m
(t 1)
)-agg(m
(t)
,{δc})|《ε，则退出内层循环，即忽略j之后的子组合情况下参与方的边际贡献，其中，j为小于n的正整数，agg(m
(t)
,{δc})表示在通信轮次(t 1)得到的全局模型，即m
(t 1)＝
agg(m
(t)
,{δc})。因此，若能够以较
低的计算复杂度估计这些情况下的边际贡献(例如远低于深度神经网络模型推演时间)，并参与到夏普利值的计算，则有利于进一步降低夏普利值的计算误差。
[0064]
具体地，在典型的联合模型训练过程，一个通讯轮次内，随子联盟s内参与方数量的增加，新加入的参与方i的边际贡献递减。首先，计算由少量参与方构成的头部子组合s的效用函数v(s)，|s|＝1,2
…
k，k《|n|，k为整数。计算全组合的效用函数v(n)，应用线性(例如y＝ax b)或非线性(例如softsign、tanh等)插值函数，对其余的v(s)做出估计，|s|＝k 1,k 2
…
|n|-1，并用估计值参与到夏普利值的计算。例如，结合图1实施例来说，一共3个参与方102、103和104，即n＝3，k＝1，当计算出v(1)后，可根据v(1)、v(1,2,3)(即全组合模型)，通过线性或非线性插值函数插值，对v(1,2)做出估计，并用估计值参与到夏普利值的计算。
[0065]
根据本公开实施例提供的技术方案，通过将小于通讯轮次内截断阈值(即第一阈值)的边际贡献值通过低计算开销的方法估计，并参与夏普利值计算，经过对实际应用的初步测算表明在未显著提高计算量的前提下，本公开可降低夏普利值计算误差。
[0066]
在一些实施例中，基于通讯轮次和分配资源量，得到各参与方对联合模型的贡献度，包括：计算参与方在各个通讯轮次对应的资源量的夏普利值的加和，得到参与方对联合模型的贡献度。
[0067]
具体地，结合上述一些实施例来说，可以计算在每个通讯轮次内各个参与方对应的资源量的夏普利值，然后对参与方在各个通讯轮次内的夏普利值加和，从而得到该参与方对于联合模型的贡献度。在实际应用中，可以根据这个贡献度来确定对参与方的激励机制，从而使联合学习能够成功进行并保持可持续性。
[0068]
上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
[0069]
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
[0070]
图5是本公开实施例提供的一种基于联合学习的确定资源贡献度的装置的示意图。如图5所示，该基于联合学习的确定资源贡献度的装置包括：
[0071]
获取模块501，被配置为获取联合学习架构中的各个参与方上传的模型；其中，上传的模型携带有模型的通讯轮次，以及通讯轮次对应的参与方的边际贡献值；
[0072]
第一确定模块502，被配置为基于边际贡献值，确定各参与方的资源量；
[0073]
计算模块503，被配置为根据参与方的资源量和夏普利值算法，确定各个参与方的分配资源量；
[0074]
第二确定模块504，被配置为基于通讯轮次和分配资源量，得到各参与方对联合模型的贡献度。
[0075]
在一些实施例中，各参与方的资源量包括用于联合模型训练的数据数量。
[0076]
在一些实施例中，分配资源量包括参与方在各个通讯轮次对应的资源量的夏普利值；图5中的计算模块503被配置为基于参与方的数量，确定参与方加入联盟的全部组合顺序，其中，每一种加入联盟的组合顺序为一个子联盟；基于蒙特卡罗采样方法对全部组合顺序进行采样，确定进行夏普利值计算的目标子联盟；在各个通讯轮次中，基于夏普利值算法计算目标子联盟对应的组合顺序中每个参与方加入目标子联盟的边际贡献，其中，边际贡献等于参与方在当前通讯轮次的资源量的效用函数值；在当前通讯轮次的全局模型的边际
贡献与全局模型的绝对差值小于预设的第一阈值的情况下，退出当前通讯轮次的目标子联盟对应的组合顺序中每个参与方的边际贡献计算，且当前通讯轮次各个参与方的夏普利值为基于蒙特卡罗采样方法计算的边际贡献的均值；在当前通讯轮次的全局模型的边际贡献与上一通讯轮次的全局模型的边际贡献的绝对差值小于或等于预设的第二阈值的情况下，结束计算各个参与方的夏普利值，其中，当前通讯轮次各个参与方的夏普利值均为零。
[0077]
在一些实施例中，图5中该基于联合学习的确定资源贡献度的装置还包括：
[0078]
增益计算模块505，被配置为基于夏普利值算法，确定最终的联合模型的边际增益，其中，边际增益等于最终的联合模型的效用函数值与初始模型的效用函数值的绝对差值；
[0079]
阈值调整模块506，被配置为基于边际增益，确定第二阈值。
[0080]
在一些实施例中，图5中该基于联合学习的确定资源贡献度的装置还包括：
[0081]
收敛确定模块507，被配置为在至少两个连续通讯轮次内，若边际增益的平局值小于第二阈值，则结束计算各个参与方的夏普利值。
[0082]
在一些实施例中，分配资源量包括参与方在各个通讯轮次对应的资源量的夏普利值；图5中的计算模块503被配置为基于参与方的数量，确定参与方加入联盟的全部组合顺序；计算每种组合顺序的权重；在每个通讯轮次内，计算当前通讯轮次全局模型的效用函数值与上一通讯轮次全局模型的效用函数值的绝对差值；在绝对差值大于预设的第二阈值的情况下，获取参与方加入联盟的全部组合顺序中小于或等于预设的权重阈值的目标组合顺序，并计算各个参与方在目标组合顺序下的边际贡献；在绝对差值小于或等于预设的第二阈值的情况下，退出计算参与方在当前通讯轮次的边际贡献；基于参与方的边际贡献和夏普利值算法，确定参与方在各个通讯轮次对应的资源量的夏普利值。
[0083]
在一些实施例中，分配资源量包括参与方在各个通讯轮次对应的资源量的夏普利值；图5中的计算模块503被配置为基于参与方的数量，确定全部参与方加入联盟的全组合顺序，以及由部分参与方加入联盟的头部组合顺序；计算每种组合顺序的权重；在每个通讯轮次内，计算当前通讯轮次全局模型的效用函数值与上一通讯轮次全局模型的效用函数值的绝对差值；在绝对差值大于预设的第二阈值的情况下，分别计算头部组合顺序的效用函数值和全部组合顺序的效用函数值，并利用头部组合顺序的效用函数值和全部组合顺序的效用函数值进行线性或非线性函数插值，估计其余部分参与方加入联盟的剩余组合顺序的效用函数值；基于效用函数值和夏普利算法，确定参与方在各个通讯轮次对应的资源量的夏普利值。
[0084]
在一些实施例中，图5中的第二确定模块504被配置为计算参与方在各个通讯轮次对应的资源量的夏普利值的加和，得到参与方对联合模型的贡献度。
[0085]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
[0086]
图6是本公开实施例提供的电子设备6的示意图。图6中的电子设备可以为图1中的服务器。如图6所示，该实施例的电子设备6包括：处理器601、存储器602以及存储在该存储器602中并且可在处理器601上运行的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序603时实现上述各装置
实施例中各模块/单元的功能。
[0087]
示例性地，计算机程序603可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序603在电子设备6中的执行过程。
[0088]
电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。
[0089]
处理器601可以是中央处理单元(central processing unit，cpu)，也可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0090]
存储器602可以是电子设备6的内部存储单元，例如，电子设备6的硬盘或内存。存储器602也可以是电子设备6的外部存储设备，例如，电子设备6上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器602还可以既包括电子设备6的内部存储单元也包括外部存储设备。存储器602用于存储计算机程序以及电子设备所需的其它程序和数据。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
[0091]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0092]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0093]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
[0094]
在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模
块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0095]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0096]
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0097]
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0098]
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。