[发明专利]联邦学习建模优化方法、设备、介质及计算机程序产品

说明书

本申请公开了一种联邦学习建模优化方法、设备、介质及计算机程序产品，所述联邦学习建模优化方法包括：获取本地模型预测值，并基于预设第一随机数和预设第二随机数，对本地模型预测值进行加密，获得第一随机数加密值和第二随机数加密值；将第一随机数加密值和第二随机数加密值发送至第二设备，以供第二设备基于第一随机数加密值、第二随机数加密值和本地样本标签，生成各随机数加密中间参数；接收第二设备发送的各随机数加密中间参数，并基于各随机数加密中间参数，生成加密模型梯度和加密模型损失；基于加密模型损失和加密模型损失，优化待训练本地模型，获得目标联邦模型。本申请解决了基于联邦学习构建逻辑回归模型时安全性低的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种联邦学习建模优化方法、设备、介质及计算机程序产品。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。

随着计算机技术的不断发展，联邦学习的应用也越来越广泛，目前，在通过联邦学习构建逻辑回归模型时，参与联邦学习的标签拥有方通常需要将同态加密的标签发送至无标签的特征拥有方，进而特征拥有方基于同态加密的标签计算同态加密的梯度和同态加密的损失，并将同态加密的梯度和同态加密的损失发送至标签拥有方，进而标签拥有方对同态加密的梯度和同态加密的损失进行解密后，将明文状态的模型梯度和模型损失发送至特征拥有方后，特征拥有方即可更新本地模型，但是，若特征拥有方在接收同态加密的标签后，将己方想要知道的密文内容(同态加密的标签)代替同态加密的梯度和同态加密的损失发送至标签拥有方，进而标签拥有方进行解密后，将解密结果反馈至特征拥有方，特征拥有方即可套取标签拥有方的样本标签，进而将导致作为标签拥有方的隐私数据的样本标签发生泄露，所以，当前基于联邦学习构建联邦逻辑回归模型的方法仍存在安全隐患。

发明内容

本申请的主要目的在于提供一种联邦学习建模优化方法、设备、介质及计算机程序产品，旨在解决现有技术中基于联邦学习构建逻辑回归模型时安全性低的技术问题。

为实现上述目的，本申请提供一种联邦学习建模优化方法，所述联邦学习建模优化方法应用于第一设备，所述联邦学习建模优化方法包括：

获取待训练本地模型对应的本地模型预测值，并基于预设第一随机数和预设第二随机数，分别对所述本地模型预测值进行加密，获得第一随机数加密值和第二随机数加密值；

将所述第一随机数加密值和所述第二随机数加密值发送至第二设备，以供所述第二设备基于所述第一随机数加密值和所述第二随机数加密值以及本地样本标签，生成各随机数加密中间参数；

接收所述第二设备发送的各随机数加密中间参数，并基于各所述随机数加密中间参数，生成加密模型梯度和加密模型损失；

基于所述加密模型损失和所述加密模型梯度，优化所述待训练本地模型，获得目标联邦模型。

为实现上述目的，本申请提供一种联邦学习建模优化方法，所述联邦学习建模优化方法应用于第二设备，所述联邦学习建模优化方法包括：

接收第一设备发送的第一随机数加密值和第二随机数加密值，其中，所述第一随机数加密值和所述第二随机数加密值由第一设备基于预设第一随机数和预设第二随机数，分别对待训练本地模型对应的本地模型预测值进行加密生成；

基于所述第一随机数加密值和所述第二随机数加密值以及本地样本标签，生成各随机数加密中间参数；

将各所述随机数加密中间参数发送至第一设备，以供所述第一设备基于各所述随机数加密中间参数，生成加密模型梯度和加密模型损失；

与所述第一设备进行模型迭代训练状态判断交互，以供所述第一设备基于所述加密模型梯度和所述加密模型损失，优化待训练本地模型，获得目标联邦模型。