[发明专利]联邦学习模型的模型参数训练方法、装置和电子设备

说明书

本申请提出一种联邦学习模型的模型参数训练方法、装置和电子设备，其中，该方法包括：与数据提供方服务器进行样本对齐；获取公共参数；计算当前样本的梯度信息，并发送至数据提供方服务器；接收数据提供方服务器提供的中间参数和梯度返回信息；根据梯度返回信息生成目标分裂点编号，并基于业务密钥，以及中间参数或公共参数生成密文；基于目标分裂点编号和混淆分裂点编号生成特征混淆字典，并将特征混淆字典和密文发送至数据提供方服务器；以及接收数据提供方服务器发送的第一解密运算值集合和第二解密运算值集合，并根据业务密钥、第一解密运算值集合和第二解密运算值集合进行节点分裂。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种联邦学习模型的模型参数训练方法、装置和电子设备。

背景技术

随着机器学习的发展，越来越多的机器学习技术被应用于各行各业。数据的数量和质量往往决定了机器学习模型效果的上限。但是随着法规和监管越来越严格，以及人们对于数据安全和隐私保护越来越重视，形成数据孤岛现象。在这样的场景下，联邦学习应运而生，它可以让参与方在不共享数据的基础上联合训练，解决数据孤岛的难题。

相关技术中，联邦学习是一种加密的分布式机器学习技术，它融合了信息加密、分布式计算和机器学习等多种技术。联邦学习根据参与方持有数据的特点可以被分为横向联邦学习、纵向联邦学习以及联邦迁移学习。在风控场景下，纵向联邦学习的应用更为广泛。

发明内容

本申请第一方面实施例提出一种联邦学习模型的模型参数训练方法，能够有效地防止模型提取攻击和模型逆向攻击，实现了保护业务方的模型和训练数据的安全，也能防止数据提供方的信息泄露，保护了数据提供方的数据安全。

本申请第二方面实施例提出一种联邦学习模型的模型参数训练方法。

本申请第三方面实施例提出一种联邦学习模型的模型参数训练装置。

本申请第四方面实施例提出一种联邦学习模型的模型参数训练装置。

本申请第五方面实施例提出一种电子设备。

本申请第六方面实施例提出一种计算机可读存储介质。

本申请第一方面实施例提出了一种联邦学习模型的模型参数训练方法，包括：

与数据提供方服务器进行样本对齐；

获取公共参数；

计算当前样本的梯度信息，并发送至所述数据提供方服务器；

接收所述数据提供方服务器提供的中间参数和梯度返回信息，其中，所述中间参数为所述公共参数的第一密钥次方；

根据所述梯度返回信息生成目标分裂点编号，并基于业务密钥，以及所述中间参数或所述公共参数生成密文；

基于所述目标分裂点编号和混淆分裂点编号生成特征混淆字典，并将所述特征混淆字典和所述密文发送至所述数据提供方服务器；以及

接收所述数据提供方服务器发送的第一解密运算值集合和第二解密运算值集合,并根据所述业务密钥、所述第一解密运算值集合和所述第二解密运算值集合进行节点分裂。