[发明专利]全局特征重要性表征方法、装置、电子设备和存储介质

说明书

本说明书提出了一种全局特征重要性表征方法、装置、电子设备和存储介质，其中，上述方法包括：构建隐私树模型，获取主动方的第一训练数据及目标特征，分别在主动方和被动方进行训练，在训练中记录下各被动方的各项指标值及对应的特征标签；根据所述指标值及所述被动方特征标签进行评估，得到所述隐私树模型的特征重要性；通过本说明书可以获得隐私树模型的全局解释性，由此可以提高对隐私树模型与数据特征之间的关联关系的直观理解。

技术领域

本说明书涉及人工智能技术领域，尤其涉及一种全局特征重要性表征方法、装置、电子设备和存储介质。

背景技术

人工智能（Artificial Intelligence；以下简称：AI），是目前研究和开发用于模拟、延伸以及扩展人类智能的一门新兴科学技术。其中，AI的主要研究目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作，通常人工智能都通过对模型进行训练获得，并可以通过数据特征对模型进行解释。

发明内容

本说明书实施例提供了一种全局特征重要性表征方法、装置、电子设备和存储介质，通过获取被动方的匿名特征以及对应的重要性指标数值，根据该重要性指标数值对各参与方的特征进行排序，由此可以获得隐私树模型的全局解释性，并可以提高对隐私树模型与数据特征之间的关联关系的直观理解。

第一方面，本说明书实施例提供一种全局特征重要性表征方法，包括：

构建隐私树模型，其中，所述隐私树模型与多个分裂对应，所述分裂方包括一个主动方及至少一个被动方；

获取第一训练数据，所述主动方根据所述第一训练数据计算增益，得到主动方增益，并接收各被动方的增益，根据所述主动方增益及所述被动方增益对所述隐私树模型进行训练；其中，所述主动方增益与主动方特征对应，所述被动方增益与被动方特征对应；

在所述训练过程中，记录每次分裂对应的被动方、被动方特征标签及一个或多个预置指标项的数值，并在训练完成后根据所述预置指标项的数值对所述被动方特征标签及所述主动方特征进行汇总，得到所述隐私树模型的特征重要性，其中，所述被动方特征标签用于对所述被动方特征进行匿名标识。

其中一种可能的实现方式中，所述主动方根据所述第一训练数据计算增益，得到主动方增益包括：

根据所述第一训练数据确定主动方的特征集合，依次根据所述主动方特征集合中的每个特征计算增益，得到主动方中每个所述特征对应的增益。

其中一种可能的实现方式中，所述根据所述主动方增益及被动方增益对所述隐私树模型进行训练包括：

S1，根据所述主动方增益及所述被动方增益对所述联邦学习模型的节点进行分裂，得到分裂树，其中，所述分裂树包括多个节点，每个所述节点与分裂的特征及参与方对应；

S2，当获取到当前的分裂树后，对当前分裂树的一阶导数及二阶导数进行更新，根据更新后的一阶导数及二阶导数计算主动方增益及被动方增益，并根据新的主动方增益及新的被动方增益进行再次分裂，得到下一棵分裂树，并重复步骤S2，得到多棵分裂树。

其中一种可能的实现方式中，所述在所述训练过程中，记录每次分裂对应的被动方、被动方特征标签及一个或多个预置指标项的数值包括：

在所述训练过程中，获取每次分裂时对应的被动方及与所述被动方对应的特征标签，并将所述被动方及所述被动方特征标签进行存储；

计算每次分裂时与所述被动方特征标签对应的预置指标项的数值，并将所述预置指标项数值进行存储。

其中一种可能的实现方式中，所述在训练完成后根据所述预置指标项的数值对所述被动方特征标签及所述主动方特征进行汇总，得到所述隐私树模型的特征重要性包括：