[发明专利]横向联邦学习方法、装置、计算机设备和存储介质

权利要求书

1.一种横向联邦学习方法，其特征在于，所述横向联邦学习方法基于横向联邦学习系统实现，所述横向联邦学习系统包括主节点以及与所述主节点相连接的至少两个参与者节点，包括：

所述参与者节点从所述主节点上下载机器学习模型，利用本地数据对所述机器学习模型进行训练，得到训练后的模型参数；

所述参与者节点对所述训练后的模型参数进行同态加密，将加密数据发送给所述主节点；

所述主节点对所述加密数据进行同态求平均处理，把经过同态求平均处理的数据发送给各所述参与者节点；

所述参与者节点对所述经过同态求平均处理的数据进行解密，得到解密后数据；

所述参与者节点基于预设规则对所述解密后数据进行运算，并根据运算结果去除干扰数据，得到模型更新参数；

所述参与者节点利用所述模型更新参数更新所述机器学习模型。

2.如权利要求1所述的横向联邦学习方法，其特征在于，所述机器学习模型为梯度提升决策树模型，所述梯度提升决策树模型包括树节点，所述利用本地数据对所述机器学习模型进行训练包括：

每个所述参与者节点分别获取所述树节点的节点训练特征集以及所述梯度提升决策树模型的特征矩阵的梯度数据；

每个所述参与者节点分别针对所述树节点，根据所述节点训练特征集和所述梯度数据确定出局部最佳分裂规则并发送给所述主节点。

3.如权利要求1所述的横向联邦学习方法，其特征在于，所述利用本地数据对所述机器学习模型进行训练包括：

将所述机器学习模型转换为计算图；

将所述本地数据输入到所述计算图中进行训练操作；

将训练完成的计算图转换为训练完成的机器学习模型。

4.如权利要求1所述的横向联邦学习方法，其特征在于，所述参与者节点对训练后的模型参数进行同态加密，包括：

所述参与者节点利用自身的随机噪声对需要进行加密的训练后的模型参数进行编码，得到编码数据；其中，所述编码数据中包括所述随机噪声以及添加了干扰数据的训练后的模型参数，所述干扰数据是基于预设规则对所述随机噪声进行运算后获得的。

5.如权利要求4所述的横向联邦学习方法，其特征在于，所述参与者节点对训练后的模型参数进行同态加密，包括：

所述参与者节点利用自身的随机噪声对需要进行加密的训练后的模型参数进行编码，得到编码数据；其中，所述编码数据中包括所述随机噪声以及添加了干扰数据的训练后的模型参数，所述干扰数据是基于预设规则对所述随机噪声进行运算后获得的；

所述参与者节点利用对称密钥对所述编码数据进行加密，得到加密数据。

6.如权利要求5所述的横向联邦学习方法，其特征在于，所述干扰数据是基于预设规则对所述随机噪声进行运算后获得的，包括：

以各所述参与者节点共享的预设数据对所述随机噪声进行乘运算后获得所述干扰数据。

7.如权利要求5所述的横向联邦学习方法，其特征在于，所述参与者节点利用自身的随机噪声对需要进行加密的训练后的模型参数进行编码，得到编码数据，包括：

当所述随机噪声的个数为一个时，将所述预设数据与所述随机噪声相乘得到干扰数据，利用所述干扰数据以及添加了所述干扰数据的训练后的模型参数组成编码数据；

当所述随机噪声的个数至少为两个时，将所述预设数据与至少两个所述随机噪声分别相乘，得到至少两个干扰数据；

将所述至少两个干扰数据作为第一数据部分；

在所述训练后的模型参数中添加所述第一数据部分，得到第二数据部分；

利用所述第一数据部分以及所述第二数据部分组成编码数据。