[发明专利]一种基于联邦学习的分类方法

权利要求书

1.一种基于联邦学习的分类方法，其特征在于，按照如下步骤进行：

S1.获取多个参与方提供的原始数据，并将该各参与方提供的原始数据上传到本地服务器中；多个参与方包括一个提供属性数据矩阵和标签数据向量的参与方和多个只提供属性数据矩阵的参与方；

S2.对各参与方提供的属性数据矩阵进行数据标准化处理，得到标准化的属性数据矩阵；

S3.对只提供属性数据矩阵的参与方在本地计算中间变量；

S4.对提供标签数据向量的参与方结合标签数据向量和步骤S3中计算的中间变量计算梯度中间量；

S5.根据步骤S4得到的梯度中间量在本地计算出各参与方的属性数据矩阵对应的梯度向量；

S6.各参与方根据计算的梯度向量更新各自子分类超平面，并根据更新的子分类超平面汇总为分类超平面；

S7.重复步骤S3-S6，直至达到容忍误差精度或最大迭代次数，输出最终的分类器。

2.根据权利要求1所述的一种基于联邦学习的分类方法，其特征在于，步骤S1中所述的参与方是3个，分别为A参与方、B参与方和C参与方，所述参与方A提供属性数据矩阵D_A和标签数据向量Y_A，参与方B提供属性数据矩阵D_B，参与方C提供属性数据矩阵D_C。

3.根据权利要求2所述的一种基于联邦学习的分类方法，其特征在于，步骤S1中所述属性数据矩阵D_A、D_B和D_C的维度分别为p_A、p_B和p_C，D_A、D_B、D_C和Y_A具有相同的样本量n，且Y_A中元素的值属于{0，1}；

步骤S2中，对属性数据矩阵D_A按照如下方法进行标准化处理，对于n×p_A的属性数据矩阵D_A计算其列均值m_A和列方差s_A，令X_A＝(D_A-m_A)/s_A为标准化的属性数据矩阵；

按照属性数据矩阵D_A的标准化处理方法对属性数据矩阵D_B和D_C进行标准化处理得到标准化的属性数据矩阵X_B和X_C；

步骤3中所述只提供属性数据矩阵的参与方在本地计算中间变量的方法是，迭代算法在第t步迭代时的分类超平面为β^t，首次执行是给定初始分类超平面为β¹；其中和分别为当前第t步X_A、X_B和X_C中所包含属性对应的子分类超平面；

参与方B和参与方C分别在本地计算与并将与传输给参与方A，参与方A得到中间变量。

4.根据权利要求3所述的一种基于联邦学习的分类方法，其特征在于，步骤S4中所述参与方A基于标签数据向量和中间变量信息得到参与方A在本地计算的梯度中间量为：

并将该梯度中间量传输给参与方B和C；

步骤5中在本地计算出各参与方的属性数据矩阵对应的梯度向量的方法是，根据所得梯度中间量计算参与方A、参与方B和参与方C的属性数据矩阵中属性对应的梯度向量，梯度向量为

其中λ₂≥0为l₂型罚项对应的惩罚参数。

5.根据权利要求4所述的一种基于联邦学习的分类方法，其特征在于，步骤6中所述更新超分类平面的方法如下：

对参与方A的子分类超平面更新：

首先令

η_t为给定的学习率；

其次根据预先设定的l₁型罚项对应的惩罚参数λ₁≥0，对进行截断，对于中的第i个元素这里i∈{1，2，…，p_A}，截断方式为：

如果则

如果则

对中的p_A个元素分别执行如上截断过程可得到更新后的子分类超平面

按照参与方A的子分类超平面更新方式，对参与方B和参与方C的子分类超平面进行更新，更新后的子分类超平面为和再进行汇总获得更新后的分类超平面

重复步骤S3-S6，直至达到容忍误差精度或最大迭代次数，输出最终的分类器。