[发明专利]一种联邦学习的多方安全计算方法及装置

说明书

本发明实施例涉及机器学习领域，尤其涉及一种联邦学习的多方安全计算方法及装置，用以在保护多方计算过程中数据安全性的基础上，提高模型训练效率和准确性。本发明实施例包括：数据节点将数据节点中的所有个体对象，按照分类标准划分至多个对象集合中；针对每一个对象集合，数据节点根据对象集合中所有个体对象的特征数据，确定对象集合的特征数据；数据节点将对象集合的特征数据向模型节点发送，以使模型节点根据多个数据节点发送的对象集合的特征数据，将同一对象集合的所有特征数据进行样本对齐得到对象集合的样本数据，并依据所有对象集合的样本数据对联邦学习模型进行训练；多个数据节点中划分个体对象的分类标准相同。

技术领域

本发明涉及机器学习领域，尤其涉及一种联邦学习的多方安全计算方法及装置。

背景技术

联邦学习是一个机器学习框架，能帮助不同机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据联合使用和建模。具体地说，联邦学习要解决这样一个问题：在企业各自数据不出本地的前提下，通过加密机制下的参数交换与优化，建立一个虚拟的共有模型。这个共有模型的性能类似于将各方数据聚合到一块训练出来的模型。该数据联合建模方案不泄露用户隐私且符合数据安全保护的原则。

当前联邦学习对模型进行建模训练时，主要是采用数据端-模型端的架构方案。模型端负责初始化模型参数，然后将模型参数下发到数据端。数据端对接收到的模型参数在本地进行参数更新，再返回给模型端。模型端之后做参数的聚合，通常是进行平均运算。更新后的模型重新下发到数据端，循环往复，直到收敛为止。

现有技术中，一般为一个模型端对应多个数据端，每个数据端对应一个平台，平台分别采集各自客户的个人数据。但是不同平台之间，由于用户重叠度低，存在数据有效率差，计算效率低，多方数据价值难以充分挖掘的问题。

发明内容

本申请提供一种联邦学习的多方安全计算方法及装置，用以降低模型参数有损压缩带来的误差，提高联邦学习模型的准确性。

本发明实施例提供的一种联邦学习的多方安全计算方法，包括：

数据节点将所述数据节点中的所有个体对象，按照分类标准划分至多个对象集合中；

针对每一个对象集合，所述数据节点根据所述对象集合中所有个体对象的特征数据，确定所述对象集合的特征数据；

所述数据节点将对象集合的特征数据向模型节点发送，以使所述模型节点根据多个数据节点发送的对象集合的特征数据，将同一对象集合的所有特征数据进行样本对齐得到所述对象集合的样本数据，并依据所有对象集合的样本数据对联邦学习模型进行训练；

所述多个数据节点中划分个体对象的分类标准相同。

可选的，所述个体对象的特征数据包括连续型特征数据，所述数据节点根据所述对象集合中所有个体对象的特征数据，确定所述对象集合的特征数据，包括：

所述数据节点计算所有个体对象的连续型特征数据的均值，作为所述对象集合的第一特征数据。

可选的，所述个体对象的特征数据包括离散型特征数据，所述数据节点根据所述对象集合中所有个体对象的特征数据，确定所述对象集合的特征数据，包括：

所述数据节点利用热独编码，将所述个体对象的离散型特征数据转换为特征向量；

利用所述对象集合中所有个体对象的特征向量，确定所述对象集合的特征数据。

可选的，所述数据节点将对象集合的特征数据向模型节点发送之后，还包括：

所述数据节点接收所述模型节点发送的模型计算结果，所述模型计算结果中包含对象集合与推荐集合的对应关系；所述对象集合与推荐集合的对应关系为所述模型节点利用所述联邦学习模型确定的；