[发明专利]一种隐私保护下的去中心化数据建模方法

权利要求书

1.一种隐私保护下的去中心化数据建模方法，其特征在于，包括以下步骤：

S1.初始化与本地模型训练：从服务器处获取模型，参与方利用本地数据输入模型进行训练，进而得到本地的模型参数；

S2.模型参数加密发送与回传：参与方在本地完成模型参数加密后进行参数发送，服务器将聚合后的模型参数返还给参与方，各参与方用新的模型参数基于全同态加密运算和本地数据，开始新一轮的训练；

S3.迭代停止：重复上述步骤直到全局模型参数[W]收敛。

2.根据权利要求1所述的隐私保护下的去中心化数据建模方法，其特征在于，所述的步骤S1具体包括：

S11.服务器S向参与方发送初始模型W₀，每个参与方都有一个本地数据集，数据集的样本数量为N_i，i是参与方的序号；

S12.每个参与方用本地数据集进行模型训练；

S13.t时刻的模型用梯度下降法对反向传播算法进行优化，并计算本地数据集的平均梯度每个参与方用其本地学习率η和平均梯度进行模型更新；因此参与方P_i在t+1时刻的本地模型参数为

S14.参与方利用其本地数据集不断进行训练，直至达到子模型的评价指标时，停止训练，得到最终的本地模型参数W_i。

3.根据权利要求2所述的隐私保护下的去中心化数据建模方法，其特征在于，每个参与方的样本数量N_i可以不同，但需要确保样本的特征相似。

4.根据权利要求2所述的隐私保护下的去中心化数据建模方法，其特征在于，所述的步骤S2具体包括：

S21.各参与方将本地模型参数W_i进行全同态加密生成[W_i]并发送给服务器；

S22.服务器接收到各参与方的加密模型后，在不解密的情况下进行参数聚合[W]＝[W₁]+[W₂]+…+[W_i]，得到加密后的全局模型参数[W]；

S23.服务器将聚合后的全局模型参数[W]回传给各个参与方；

S24.各参与方用新的模型参数基于全同态加密运算和本地数据，开始新一轮的训练。

5.一种隐私保护下的去中心化数据建模系统，其特征在于，包括：

初始化与本地模型训练模块，用于从服务器处获取模型，参与方利用本地数据输入模型进行训练，进而得到本地的模型参数；

模型参数加密发送与回传模块：用于参与方在本地完成模型参数加密后进行参数发送，服务器将聚合后的模型参数返还给参与方，各参与方用新的模型参数基于全同态加密运算和本地数据，开始新一轮的训练；

迭代停止模块：用于判断是否达到全局模型参数[W]收敛，以停止迭代。

6.根据权利要求5所述的隐私保护下的去中心化数据建模系统，其特征在于，每个参与方的样本数量N_i可以不同，但需要确保样本的特征相似。

7.根据权利要求5所述的隐私保护下的去中心化数据建模系统，其特征在于，所述的初始化与本地模型训练模块包括：

初始化单元：用于服务器S向参与方发送初始模型W₀，每个参与方都有一个本地数据集；数据集的样本数量为N_i，i是参与方的序号；

参与方模型训练单元：用于每个参与方用本地数据集进行模型训练；

模型更新单元：用于在t时刻的模型用梯度下降法对反向传播算法进行优化，并计算本地数据集的平均梯度每个参与方用其本地学习率η和平均梯度进行模型更新。因此参与方P_i在t+1时刻的本地模型参数为

获取本地模型参数单元：用于参与方利用其本地数据集不断进行训练，直至达到子模型的评价指标时，停止训练，得到最终的本地模型参数W_i。