[发明专利]基于隐私计算的贡献度计算方法及装置、设备、介质

说明书

本公开提供了一种基于隐私计算的贡献度计算方法及装置、设备、介质，涉及数据处理技术领域。该基于隐私计算的贡献度计算方法包括：获取样本数据，并将样本数据输入至独立模型中，得到预测标签数据；基于预测标签数据和与样本数据对应的目标标签数据，计算独立模型的模型性能指标数据，并根据模型性能指标数据确定独立收益数据；获取合作收益数据，并基于独立收益数据和合作收益数据计算目标贡献度。本公开实施例的技术方案可以避免暴露参与方的数据隐私，也可以将预测标签数据作为数据源参与到贡献度计算中提高计算各参与方贡献度的公平性，还可以从参与方角度直接计算独立收益数据，提高了联邦贡献度的计算效率。

技术领域

本公开涉及数据处理技术领域，具体而言，涉及一种基于隐私计算的贡献度计算方法、基于隐私计算的贡献度计算装置、电子设备以及计算机可读存储介质。

背景技术

随着人工智能技术的快速发展，通过多方的样本数据训练性能较好的人工智能模型为用户提供更好的服务成为时代发展的必然要求。然而，如何提高评估各参与方的贡献度的公平性和公正性成为关键问题。

在相关的基于隐私计算的贡献度计算方法中不但存在贡献度计算效率较低，而且是根据平均主义对各参与方提供的数据进行贡献度评估的，使得各参与方的联邦贡献度的准确率较低；此外，在相关的基于隐私计算的贡献度计算方法中，未考虑标签对贡献度的影响。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开实施例的目的在于提供一种基于隐私计算的贡献度计算方法、联邦贡献度计算装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服计算各参与方的联邦贡献度的准确率较低和效率较低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例的第一方面，提供了一种基于隐私计算的贡献度计算方法，包括：获取样本数据，并将所述样本数据输入至独立模型中，得到预测标签数据；基于所述预测标签数据和与所述样本数据对应的目标标签数据，计算所述独立模型的模型性能指标数据，并根据所述模型性能指标数据确定独立收益数据；获取合作收益数据，并基于所述独立收益数据和所述合作收益数据计算目标贡献度。

在本公开的一些示例实施例中，基于前述方案，所述样本数据包括跨样本场景中的本地样本数据；将所述样本数据输入至独立模型中，得到预测标签数据，包括：

将所述本地样本数据输入至独立模型中得到预测标签数据；其中，所述独立模型是基于所述本地样本数据中的训练样本数据，以及与所述训练样本数据对应的标签数据训练得到的。

在本公开的一些示例实施例中，基于前述方案，所述获取合作收益数据包括：包括：

获取预构建的联邦模型，并将所述本地样本数据输入至所述联邦模型中，得到联邦预测标签数据；基于所述联邦预测标签数据，以及与所述本地样本数据对应的目标标签数据计算所述联邦模型的模型性能指标数据；基于所述模型性能指标数据确定所述合作收益数据。

在本公开的一些示例实施例中，基于前述方案，所述基于所述独立收益数据和合作收益数据计算目标贡献度，包括：

基于所述独立收益数据和所述合作收益数据计算边际收益数据；根据所述边际收益数据计算所述目标贡献度。

在本公开的一些示例实施例中，基于前述方案，所述样本数据包括跨特征场景中的公共样本数据，所述预测标签数据包括第一密文预测标签数据，所述独立收益数据包括第一独立收益数据；其中，所述基于所述预测标签数据和与所述样本数据对应的目标标签数据，计算所述独立模型的模型性能指标数据，并根据所述模型性能指标数据确定独立收益数据，包括：