[发明专利]联合学习模型的训练方法、装置、计算机设备及存储介质

权利要求书

1.一种联合学习模型的训练方法，其特征在于，包括：

在横向联合学习的发起方需要联合其它参与方的数据的情况下，获取至少一个参与方的数据；

计算所述发起方与各个所述参与方的数据相似度；

根据所述数据相似度，确定与所述发起方联合的目标数据；

将所述目标数据与所述发起方的数据联合，得到联合数据；

利用所述联合数据进行联合学习，得到所述横向联合学习的目标模型。

2.根据权利要求1所述的方法，其特征在于，所述计算所述发起方与各个所述参与方的数据相似度，包括：

选取所述发起方的一条样本数据作为种子样本数据，所述发起方和所述参与方的数据分别包括至少一条样本数据；

计算所述种子样本数据与所述参与方的任一条样本数据之间的数据相似度。

3.根据权利要求2所述的方法，其特征在于，所述计算所述种子样本数据与所述参与方的任一条样本数据之间的数据相似度，包括：

根据所述样本数据，分别构造所述发起方与所述参与方的样本数据的多维数据特征向量；

基于所述多维数据特征向量，计算所述种子样本数据与所述参与方的任一条样本数据之间的欧式距离。

4.根据权利要求2所述的方法，其特征在于，所述计算所述种子样本数据与所述参与方的任一条样本数据之间的数据相似度，包括：

利用局部敏感哈希算法对所述至少一个参与方的数据进行哈希映射，得到对应的哈希表，所述哈希表包括至少一个哈希桶，每个所述哈希桶内包括至少一个所述参与方的样本数据对应的哈希编码；

对所述种子样本数据进行相同的哈希映射，得到与所述种子样本数据匹配的目标哈希桶；

根据所述目标哈希桶内的哈希编码，分别计算所述种子样本数据与每条所述参与方的样本数据之间哈希编码的欧式距离。

5.根据权利要求3或4所述的方法，其特征在于，所述根据所述数据相似度，确定与所述发起方联合的目标数据，包括：

在计算得到的任一所述欧式距离满足预设条件的情况下，确定参与计算的参与方的样本数据为目标数据，所述预设条件包括计算得到的欧式距离小于或等于预设的相似度阈值。

或者，选取所述种子样本数据与所述发起方的其中一条样本数据的欧式距离作为阈值，并将所述种子样本数据与所述参与其余各条样本数据之间的欧式距离与所述阈值进行比较；在所述欧式距离小于或等于所述阈值的情况下，确定参与计算的所述样本数据为目标数据。

6.根据权利要求1所述的方法，其特征在于，所述计算所述发起方与各个所述参与方的数据相似度，包括：

分别计算所述发起方与至少两个参与方之间数据集的数据相似度，所述发起方和所述参与方的数据包括用于联合学习的数据集。

7.根据权利要求6所述的方法，其特征在于，所述根据所述数据相似度，确定与所述发起方联合的目标数据，包括：

在计算得到的所述数据相似度满足预设条件的情况下，确定参与计算的参与方的数据集为与所述发起方联合的目标数据，所述预设条件包括计算得到的数据相似度小于或等于预设的相似度阈值。

或者，选取所述发起方与其中一个所述参与方之间数据集的数据相似度作为阈值，并将所述发起方与其余各个所述参与方之间数据集的数据相似度与所述阈值进行比较；在所述数据相似度小于或等于所述阈值的情况下，确定参与计算的所述参与方的数据集为与所述发起方联合的目标数据。

8.一种联合学习模型的训练装置，其特征在于，包括：

获取模块，被配置为在横向联合学习的发起方需要联合其它参与方的数据的情况下，获取至少一个参与方的数据；

计算模块，被配置为计算所述发起方与各个所述参与方的数据相似度；

确定模块，被配置为根据所述数据相似度，确定与所述发起方联合的目标数据；

联合模块，被配置为将所述目标数据与所述发起方的数据联合，得到联合数据；

训练模块，被配置为利用所述联合数据进行联合学习，得到所述横向联合学习的目标模型。