[发明专利]纵向联邦学习中的计算方法、装置、设备及介质

说明书

本申请公开了一种纵向联邦学习中的计算方法、装置、设备及介质，涉及人工智能中的联邦学习领域。本申请通过采用多叉树拓扑部署的多个参与节点，一个上层参与节点具有k个下层参与节点，由上层参与节点和k个下层参与节点交换双方的公钥后，上层参与节点与下层参与节点以第一公钥和第二公钥作为加密参数进行两方联合安全计算，得到联邦模型的k个两方联合输出；进而由上层参与节点将k个两方联合输出合并，得到联邦模型对应的第一联合模型输出。从而提供了一种多叉树拓扑部署的纵向联邦学习架构，提高各个参与节点在纵向联邦学习过程中的平等性。

技术领域

本申请实施例涉及机器学习领域，特别涉及一种纵向联邦学习中的计算方法、装置、设备及介质。

背景技术

联邦学习(Federated Learning)可以在保证数据不出域的情况下联合多个参与方的数据源来训练机器学习模型，以及提供模型推理服务。联邦学习使得跨部门、跨公司、甚至跨行业的数据合作成为可能，同时又能满足数据保护法律和法规的要求。

相关技术中的多方纵向联邦学习依赖于有个可信的中心节点参与，且由该中心节点保管私钥，各个参与方保管公钥，从而实现数据在各个参与方之间的加密传输。

但是由于很难找到可信的中心节点来保管私钥，导致上述方案很难落地应用。而且由一个中心节点来保管私钥，会造成中心节点这个单点的集中安全风险很大。

发明内容

本申请实施例提供了一种纵向联邦学习中的计算方法、装置、设备及介质，可以提供一种多叉树拓扑部署的纵向联邦学习架构，提高各个参与节点在纵向联邦学习过程中的平等性。所述技术方案如下：

根据本申请的一个方面，提供了一种纵向联邦学习中的计算方法，应用于上层参与节点，所述上层参与节点在采用多叉树拓扑部署的多个参与节点中具有k个下层参与节点，每个所述参与节点中本地部署有联邦模型中的一个子模型，k为大于1的整数，所述方法包括：

向所述k个下层参与节点分发所述上层参与节点对应的第一公钥，以及获取所述k个下层参与节点分别对应的k个第二公钥；

以所述第一公钥和所述第二公钥作为加密参数，所述上层参与节点与所述k个下层参与节点进行两方联合安全计算，得到所述联邦模型的k个两方联合输出；所述两方联合安全计算包括所述上层参与节点和所述下层参与节点基于同态加密方式使用各自的数据对双方的所述子模型执行的前向计算；

将所述k个两方联合输出合并，得到所述上层参与节点和所述k个下层参与节点对应的第一联合模型输出。

根据本申请的一个方面，提供了一种纵向联邦学习中的计算方法，其特征在于，应用于下层参与节点，所述下层参与节点在采用多叉树拓扑部署的多个参与节点中具有上层参与节点，每个所述参与节点中本地部署有联邦模型中的一个子模型，所述方法包括：

向所述上层参与节点上报所述下层参与节点的第二公钥，以及获取所述上层参与节点对应的第一公钥，所述上层参与节点包括k个所述下层参与节点，k为大于1的整数；

以所述第一公钥和所述第二公钥作为加密参数，所述下层参与节点与所述上层参与节点进行两方联合安全计算，得到所述联邦模型的一个两方联合输出；所述两方联合安全计算包括所述上层参与节点和所述下层参与节点基于同态加密方式使用各自的数据对双方的所述子模型执行的前向计算。

根据本申请的一个方面，提供了一种上层参与节点，所述上层参与节点在采用多叉树拓扑部署的多个参与节点中具有k个下层参与节点，每个所述参与节点中本地部署有联邦模型中的一个子模型，k为大于1的整数，所述上层参与节点包括：

通信模块，用于向所述k个下层参与节点分发所述上层参与节点对应的第一公钥，以及获取所述k个下层参与节点分别对应的k个第二公钥；