[发明专利]基于构建梯度树模型的样本联合预测方法、系统及介质

权利要求书

1.一种基于构建梯度树模型的样本联合预测方法，其特征在于，所述基于构建梯度树模型的样本联合预测方法包括以下步骤：

数据终端基于梯度下降树GBDT算法对多方训练样本进行联邦训练，以构建梯度树模型，其中，所述数据终端为多个，所述梯度树模型包括多棵回归树，所述回归树包括多个分割点，所述训练样本包括多个特征，所述特征与所述分割点一一对应；

所述数据终端基于所述梯度树模型，对待预测样本进行联合预测，以确定待预测样本的预测值；

其中，所述多方训练样本包括各个所述数据终端分别存储的训练样本，各所述训练样本具有相同的样本特征；

所述各数据终端基于梯度下降树GBDT算法对多方训练样本进行联邦训练，以构建梯度树模型的步骤包括：

在构建本轮回归树时，针对本轮回归树的待处理节点，各数据终端通过上一轮得到的第一梯度树模型进行预测得到本地待训练样本的损失函数的一阶导数及二阶导数；

各数据终端确定自身的样本特征的所有分割方式对应的分割点集合；

基于所述分割点集合中的每个分割点，各数据终端进行多方安全计算得到第一计算结果；

各数据终端基于自身的分割点及所述第一计算结果得到划分到左分枝的一阶导数之和与二阶导数之和、右分枝的一阶导数之和与二阶导数之和；

各数据终端对所述左分枝的一阶导数之和、右分枝的一阶导数之和执行加密操作得到第一加密结果；

各数据终端对所述左分枝的二阶导数之和、右分枝的二阶导数之和执行加密操作得到第二加密结果；

各数据终端将所述第一加密结果和第二加密结果进行求和汇总，得到汇总结果，以供各数据终端将所述汇总结果发送至协调终端，其中所述第一加密结果和第二加密结果通过协调终端留存的私钥进行解密。

2.如权利要求1所述的基于构建梯度树模型的样本联合预测方法，其特征在于，所述各数据终端基于梯度下降树GBDT算法对多方训练样本进行联邦训练，以构建梯度树模型的步骤还包括：

所述分割点所在的数据终端将所述汇总结果发送至协调终端，以供所述协调终端进行解密后得到左分枝的一阶导数之和及二阶导数之和、右分枝的一阶导数之和及二阶导数之和，基于所述左分枝的一阶导数之和及二阶导数之和、右分枝的一阶导数之和及二阶导数之和计算所述分割点对应的增益值，基于所述增益值计算最优分割点，并将所述最优分割点返回至所述最优分割点对应的第一数据终端；

在接收到所述最优分割点时，所述第一数据终端将所述最优分割点发送至第二数据终端保存，且对所述待处理节点进行分裂得到两个新的待处理节点，其中，所述第二数据终端为各数据终端中用于保存梯度树模型的数据终端。

3.如权利要求1所述的基于构建梯度树模型的样本联合预测方法，其特征在于，所述各数据终端基于自身的分割点及所述第一计算结果得到划分到左分枝的一阶导数之和与二阶导数之和、右分枝的一阶导数之和与二阶导数之和的步骤包括：

各数据终端基于自身的分割点及所述第一计算结果与各数据终端中除所述分割点对应的第三数据终端外的第四数据终端对应的本地待训练样本进行比较，得到第一比较结果；

基于所述第一比较结果，各数据终端得到划分到左分枝的一阶导数之和与二阶导数之和、右分枝的一阶导数之和与二阶导数之和。

4.如权利要求1所述的基于构建梯度树模型的样本联合预测方法，其特征在于，所述各数据终端通过上一轮得到的第一梯度树模型进行预测得到本地待训练样本的损失函数的一阶导数及二阶导数的步骤之前，所述基于构建梯度树模型的样本联合预测方法还包括：

各数据终端接收所述协调终端发送的公钥，以供各数据终端对所述左分枝的一阶导数之和、右分枝的一阶导数之和、所述左分枝的二阶导数之和、右分枝的二阶导数之和分别执行加密操作。