[发明专利]提升安全性的纵向联邦学习方法、设备、系统及存储介质

权利要求书

1.一种提升安全性的纵向联邦学习方法，其特征在于，所述提升安全性的纵向联邦学习方法应用于参与纵向联邦逻辑回归建模的协作方，所述协作方与拥有训练数据的各数据方通信连接，各数据方各自拥有逻辑回归模型的一部分，所述提升安全性的纵向联邦学习方法包括：

接收各数据方发送的加随机数加密梯度值，其中，各数据方加密交换用于计算梯度值的中间结果，计算得到各自模型参数对应的加密梯度值，并对所述加密梯度值加上各自的第一随机数得到所述加随机数加密梯度值；

对所述加随机数加密梯度值进行解密得到加随机数梯度值；

将所述加随机数梯度值对应返回给各数据方，以供各数据方对所述加随机数梯度值消除随机数得到梯度值，并采用所述梯度值更新各自的模型参数；

迭代训练直到检测到满足预设停止条件时得到训练完成的逻辑回归模型。

2.如权利要求1所述的提升安全性的纵向联邦学习方法，其特征在于，所述对所述加随机数加密梯度值进行解密得到加随机数梯度值的步骤之后，还包括：

对所述加随机数梯度值加上第二随机数以更新所述加随机数梯度值，并对所述第二随机数进行加密得到加密随机数，其中，所述第二随机数与所述第一随机数不相同；

所述将所述加随机数梯度值对应返回给各数据方的步骤包括：

将更新后的所述加随机数梯度值和所述加密随机数对应返回给各数据方，以供各数据方采用所述加密随机数对所述加随机数梯度值消除随机数，并采用消除随机数的结果更新各自的加密模型参数；

所述迭代训练直到检测到满足预设停止条件时得到训练完成的逻辑回归模型的步骤包括：

迭代训练直到满足预设停止条件时停止训练，并接收各数据方发送的训练完成的加密模型参数；

对所述训练完成的加密模型参数进行解密得到训练完成的逻辑回归模型。

3.如权利要求1或2任一项所述的提升安全性的纵向联邦学习方法，其特征在于，所述接收各数据方发送的加随机数加密梯度值的步骤之前，还包括：

向各数据方发送同态加密的加密密钥；

所述接收各数据方发送的加随机数加密梯度值的步骤包括：

接收各数据方发送的加随机数加密梯度值，其中，各数据方采用所述加密密钥加密交换用于计算梯度值的中间结果，计算各自模型参数对应的加密梯度值，并对所述加密梯度值加上各自的第一随机数得到所述加随机数加密梯度值；

所述对所述加随机数加密梯度值进行解密得到加随机数梯度值的步骤包括：

采用与所述加密密钥对应的解密密钥对所述加随机数加密梯度值进行解密得到加随机数梯度值。

4.一种提升安全性的纵向联邦学习方法，其特征在于，所述提升安全性的纵向联邦学习方法应用于参与纵向联邦逻辑回归建模的数据方，所述数据方与协作方、其他数据方通信连接，各数据方各自拥有逻辑回归模型的一部分，所述提升安全性的纵向联邦学习方法包括：

与其他数据方加密交换用于计算梯度值的中间结果，计算得到本地模型参数对应的加密梯度值；

对所述加密梯度值加上第一随机数得到加随机数加密梯度值；

将所述加随机数加密梯度值发送给协作方，以供协作方对各数据方发送的所述加随机数加密梯度值进行解密得到加随机数梯度值，并对应返回给各数据方；

对从协作方接收到的所述加随机数梯度值消除随机数得到梯度值，并采用所述梯度值更新所述本地模型参数；

迭代训练直到检测到满足预设停止条件时得到训练完成的逻辑回归模型。