[发明专利]一种纵向联邦学习场景中高效的特征贡献评估方法

权利要求书

1.一种纵向联邦学习场景中高效的特征贡献评估方法，其特征在于所述该方法包括三个模块：1)运算拆分；2)MC采样近似；3)通信聚合。

2.根据权利要求1所述的所述纵向联邦学习场景中高效的特征贡献评估方法，其特征在于所述运算拆分为根据SV，将特征i的贡献用边际增益期望的表示：E(i)＝E_x[f(x∪i)-f(i)]。基于SV的评估满足公平性的需求。为了降低在线采样计算的通信开销，将f的运算拆分成只与参与方A(x_A)有关和只与参与方B(x_B)有关的两部分。该模块分为两步：

一、交换运算顺序。首先根据期望运算的性质，和的期望等于期望的和：E(i)＝E_x[f(x∪i)-f(x)]＝E_x[f(x∪i)]-E_x[f(x)].然后，对f进行线性近似，得到交换运算顺序：

二、线性近似由于逻辑回归模型f中包含非线性函数：sigmoid函数。对sigmoid函数在评估点x附近求导，作为泰勒近似的系数。当x＝0时，其中z＝θ_Ax_A+θ_Bx_B.然后将A、B的特征x_A，x_B带入展开式，得到模型近似结果和A，B双方特征的关系：将模型中的非线性运算用泰勒三阶展开近似。在计算的期望时，对于展开项中只与单个参与方特征有关的项(例如)，直接由该参与方独立计算该项的期望。对于与双方特征都有关的项(例如)，在假设双方特征独立的情况下，交换期望运算和项运算的顺序：拆分成两个只与单个参与方特征相关的项，并由相应的参与方独立计算其期望。

3.根据权利要求1所述的所述纵向联邦学习场景中高效的特征贡献评估方法，其特征在于所述所述2)MC采样近似为每个参与方独立计算只与本地特征相关的项的期望(例如)。期望的计算采样MC近似：随机采样x_A计算θ_Ax_A的采样值，多次迭代计算均值，作为期望的近似值。针对参与方A，评估特征i时，在每一轮迭代中，对x_A所有特征进行随机排序。排在特征i之前的特征用真实值，之后的特征用数据集中的随机采样点的取值替代，构造特征x′_A，计算相应的θ_Ax′_A。不断循环迭代过程，直到该项的均值收敛。

4.根据权利要求1所述的所述纵向联邦学习场景中高效的特征贡献评估方法，其特征在于所述3)通信聚合为双方通过采样近似得到本地项的期望后，通过一次通信，得到最终的边际收益期望值，作为特征的贡献评估结果。

同样的方法计算E[x]，进而得到E[i]＝E[x∪i]-E[x]。