[发明专利]联邦学习中特征相关性分析方法、装置及可读存储介质

说明书

本发明公开了一种联邦学习中特征相关性分析方法、装置及可读存储介质，该方法包括：在接收到纵向场景的计算指令时，在第二方，从第二方第二样本的各列第二特征向量和一列标签向量中确定各列目标第二特征向量及一列目标标签向量，从第一方第一样本的各列第一加密特征向量中确定各列目标第一加密特征向量，确定每列目标第二特征向量中每一目标第二特征向量和一列目标标签向量中每一目标标签向量，与每列目标第一加密特征向量中对应的每一目标第一加密特征向量的目标内积发送至第一方；在第一方根据各组目标内积确定第一方样本中每列特征，分别与第二方样本中每列特征和一列标签的相关性系数。本发明实现了联邦学习纵向场景中的特征相关性分析。

技术领域

本发明涉及机器学习领域，尤其涉及联邦学习中特征相关性分析方法、装置及可读存储介质。

背景技术

联邦学习(Federated Learning)是一种新兴的人工智能基础技术，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。

若各参与方在联合建模前，未对各方用于建模的特征进行相关性筛选，将会增加模型的噪声，建模效果较差。然而，根据调研发现，目前工业界还没有相关的技术应用。因此，如何分析联邦学习中的特征相关性是目前亟待解决的问题。

发明内容

本发明的主要目的在于提供一种联邦学习中特征相关性分析方法、装置及可读存储介质，旨在实现联邦学习中的特征相关性分析。

为实现上述目的，本发明提供一种联邦学习中特征相关性分析方法，所述方法包括以下步骤：

在接收到纵向场景的特征相关性计算指令时，在第二方，分别从第二方第二样本中的各列第二特征向量和一列标签向量中，确定各列目标第二特征向量及其对应的一列目标标签向量；以及，

基于各列目标第二特征向量，从第一方第一样本中的各列第一加密特征向量中，确定各列目标第一加密特征向量，其中，所述第一样本和所述第二样本具有相同的用户维度；以及，

分别确定每列目标第二特征向量中每一目标第二特征向量和一列目标标签向量中每一目标标签向量，与每列目标第一加密特征向量中对应的每一目标第一加密特征向量的目标内积，得到各组目标内积，将各组目标内积发送至第一方；

在第一方，根据各组目标内积，确定第一方样本中每列第一特征，分别与第二方样本中每列第二特征和一列标签之间的相关性系数。

可选地，所述在第二方，分别从第二方第二样本中的各列第二特征向量和一列标签向量中，确定各列目标第二特征向量及其对应的一列目标标签向量的步骤之前，包括：

在第一方，对第一方样本中的每列第一特征进行归一化处理，得到由各列第一特征向量组成的第一样本，并对各列第一特征向量进行加密，得到各列第一加密特征向量，将各列第一加密特征向量发送至第二方；以及，

在第二方，对第二方样本中的每列第二特征和一列标签进行归一化处理，得到由各列第二特征向量和一列标签向量组成的第二样本。

可选地，所述在联邦第二方，分别从第二方第二样本中的各列第二特征向量和一列标签向量中，确定各列目标第二特征向量及其对应的一列目标标签向量的步骤包括：

在第二方，打乱每列第一加密特征向量中各第一加密特征向量的排列顺序；以及，

建立打乱排列顺序前、后的每列第一加密特征向量，分别与每列第二特征向量和一列标签向量在列维度上的对应关系；以及，

从每列第二特征向量中抽取若干第二特征向量，得到各列目标第二特征向量，并从一列标签向量中抽取各列目标第二特征向量对应的标签向量得到一列目标标签向量；