[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

说明书

本申请实施例公开了一种基于非对称联邦学习的模型联合训练方法、装置及设备，属于计算机技术领域。该方法包括：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，对所述多个第一样本数据进行分类，并确定第一分类信息，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，接收所述第一设备发送的第二分类信息，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。本申请实施例提供了一种联合训练分类模型的方式，在训练分类模型的过程中，其他提供方分享给当前提供方的分类信息中仅包括了样本数据对应的加密指示标识，使得当前提供方无法基于分类信息来推测出样本数据，避免了信息泄露，从而提高了安全性。

技术领域

本申请实施例涉及计算机技术领域，特别涉及一种基于非对称联邦学习的模型联合训练方法、装置及设备。

背景技术

在当前的信息时代，用户在多种场景下均能够产生用户数据，例如，用户信贷数据、用户医疗数据、用户消费数据等，这些数据均是由各自的提供方保存的。目前提出了一种联合训练分类模型的方法，能够根据多个提供方拥有的样本数据联合训练分类模型，从而基于分类模型对用户数据进行分类。

在多方联合训练分类模型的过程中，每个提供方会根据自己拥有的样本数据进行分类，还会将分类信息分享给其他提供方，分类信息中能够表示哪些样本数据属于哪一种类别，造成了信息泄露，导致安全性差。

发明内容

本申请实施例提供了一种基于非对称联邦学习的模型联合训练方法、装置及设备，能够提高安全性。所述技术方案如下。

一方面，提供了一种基于非对称联邦学习的模型联合训练方法，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第二分类信息，所述第二分类信息是由所述第一设备对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的，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；

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。

另一方面，提供了一种基于非对称联邦学习的模型联合训练方法，所述方法包括：

根据多个第二样本数据在任一第二维度的特征值，对所述多个第一样本数据进行排序，得到所述任一第一维度对应的第三样本数据集，所述第二样本数据包括多个第二维度的特征值；

根据所述第三样本数据集中的所述多个第二样本数据的排列顺序，生成加密标识集，所述加密标识集包括所述多个第二样本数据对应的多个加密指示标识，每个第二样本数据对应的加密指示标识是由第二设备发送的；

向所述第二设备发送所述加密标识集，所述第二设备用于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，返回所述至少一个分割序号；

根据所述第二设备发送的所述至少一个分割序号，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，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；

向所述第二设备发送所述多个第二分类信息，所述第二设备基于所述多个第二分类信息训练分类模型。