[发明专利]基于非对称联邦学习的模型联合训练方法、装置及设备

权利要求书

1.一种基于非对称联邦学习的模型联合训练方法，其特征在于，所述方法包括：

获取本地存储的多个第一样本数据及对应的第一样本标识和指示标识，所述指示标识用于指示对应的第一样本标识是否用于确定分类模型中的分类条件；

对所述多个第一样本数据进行分类，并确定第一分类信息，所述第一分类信息包括至少两个第一指示信息，每个第一指示信息包括与分类得到的每个样本数据集对应的第一样本标识和指示标识；

向第一设备发送获取到的多个第一样本标识和对应的加密指示标识，所述加密指示标识是对所述第一样本标识对应的指示标识加密得到的；

接收所述第一设备发送的加密标识集，所述加密标识集包括多个加密指示标识；

对所述加密标识集中的加密指示标识进行解密，得到解密标识集；

根据所述解密标识集中的指示标识的排列顺序，确定至少一个分割序号；

向所述第一设备发送所述至少一个分割序号，所述第一设备用于根据所述至少一个分割序号，对第三样本数据集进行分割，以对所述第三样本数据集中的所述多个第一样本标识对应的第二样本数据进行分类，得到第二分类信息，所述第二分类信息包括至少两个第二指示信息，每个第二指示信息包括与分类得到的每个样本数据集对应的加密指示标识；

接收所述第一设备发送的所述第二分类信息；

基于所述第一分类信息和所述第二分类信息训练所述分类模型。

2.根据权利要求1所述的方法，其特征在于，所述第一样本数据包括多个第一维度的特征值；所述对所述多个第一样本数据进行分类，并确定第一分类信息，包括：

按照每个第一样本数据在任一第一维度的特征值是否大于所述任一第一维度对应的第一分割阈值，对所述多个第一样本数据进行分类，并确定所述第一分类信息。

3.根据权利要求2所述的方法，其特征在于，所述按照每个第一样本数据在任一第一维度的特征值是否大于所述任一第一维度对应的第一分割阈值，对所述多个第一样本数据进行分类，并确定所述第一分类信息，包括：

根据所述多个第一样本数据在所述任一第一维度的特征值，对所述多个第一样本数据进行排序，得到所述任一第一维度对应的第一样本数据集；

根据所述第一分割阈值，对所述第一样本数据集进行分割，并确定所述第一分类信息。

4.根据权利要求3所述的方法，其特征在于，所述根据所述第一分割阈值，对所述第一样本数据集进行分割，并确定所述第一分类信息，包括：

根据所述多个第一样本标识对应的指示标识，将所述第一样本数据集分割为多个第二样本数据集，每个第二样本数据集对应的第一指示标识的数目相同，所述第一指示标识用于指示对应的第一样本标识用于确定所述分类模型中的分类条件；

分别将每个第二样本数据集在所述任一第一维度的最小特征值确定为第一分割阈值；

根据确定的多个第一分割阈值，分别对所述第一样本数据集进行分割，并确定多次分割结果对应的多个第一分类信息。

5.根据权利要求4所述的方法，其特征在于，所述第二样本数据包括多个第二维度的特征值；所述加密标识集是由所述第一设备根据所述第三样本数据集中的多个第二样本数据的排列顺序生成的，所述第三样本数据集是由所述第一设备根据所述多个第二样本数据在任一第二维度的特征值，对所述多个第二样本数据进行排序得到的；

所述第一设备用于根据所述至少一个分割序号，将所述第三样本数据集分割成多个第四样本数据集，以使每个第四样本数据集对应的第一指示标识的数目相同，所述第一设备还用于分别将所述每个第四样本数据集在所述任一第二维度的最小特征值确定为第二分割阈值，根据确定的多个第二分割阈值，分别对所述第三样本数据集进行分割，并确定多次分割结果对应的多个第二分类信息。

6.根据权利要求1所述的方法，其特征在于，所述基于所述第一分类信息和所述第二分类信息训练所述分类模型，包括：

将多个所述第一分类信息和多个所述第二分类信息中不满足目标条件的分类信息进行过滤；

基于剩余的所述第一分类信息和所述第二分类信息训练所述分类模型；

其中，所述目标条件为分类信息中每个指示信息对应的第一指示标识的数目均不小于第一数目阈值。