[发明专利]纵向联邦预测优化方法、设备、介质及计算机程序产品

权利要求书

1.一种纵向联邦预测优化方法，其特征在于，应用于第一设备，所述纵向联邦预测优化方法包括：

提取待预测样本，并获取目标预测模型的特征提取器针对所述待预测样本进行特征提取生成的中间样本特征，以及所述目标预测模型针对所述待预测样本进行模型预测生成的第一方模型预测结果，其中，所述目标预测模型由所述第一设备本地迭代训练得到；

将所述中间样本特征发送至第二设备，以供所述第二设备基于纵向联邦残差提升模型对所述中间样本特征和所述待预测样本对应的ID匹配样本共同执行模型预测，获得第二方模型预测结果；

获取所述目标预测模型对应的第一方模型权重，并接收所述第二设备发送的第二方模型预测结果和所述纵向联邦残差提升模型对应的第二方模型权重；

基于所述第一方模型权重和所述第二方模型权重，对所述第一方模型预测结果和所述第二方模型预测结果进行加权聚合，获得目标联邦预测结果。

2.如权利要求1所述纵向联邦预测优化方法，其特征在于，在所述将所述中间样本特征发送至第二设备的步骤之前，所述纵向联邦预测优化方法还包括：

将所述待预测样本对应的待预测样本ID发送至所述第二设备，以供所述第二设备查找所述待预测样本ID对应的ID匹配样本；

若接收到所述第二设备发送的查找失败信息，则将所述第一方模型预测结果作为目标预测结果；

若未接收到所述第二设备发送的查找失败信息，则执行步骤：将所述中间样本特征发送至第二设备。

3.如权利要求1所述纵向联邦预测优化方法，其特征在于，所述纵向联邦残差提升模型由所述第二设备基于纵向联邦公共样本，联合所述第一设备中所述目标预测模型在所述纵向联邦公共样本上的模型预测损失、所述纵向联邦公共样本对应的中间公共样本特征以及对应的样本标签，与第一设备进行基于纵向联邦学习的残差学习得到。

4.如权利要求3所述纵向联邦预测优化方法，其特征在于，在所述获取目标预测模型的特征提取器针对所述待预测样本进行特征提取生成的中间样本特征，以及所述目标预测模型针对所述待预测样本进行模型预测生成的第一方模型预测结果的步骤之前，所述纵向联邦预测优化方法还包括：

获取第一方初始模型权重，并提取训练样本和所述训练样本对应的训练样本标签；

获取待训练目标预测模型的特征提取器针对所述训练样本进行特征提取生成的中间训练样本特征；

基于所述训练样本标签、所述中间训练样本特征对应的训练模型预测结果和所述第一方初始模型权重，通过计算所述待训练目标预测模型对应的第一方模型预测损失，迭代优化所述待训练目标预测模型，获得所述目标预测模型；

将所述训练样本标签、所述中间训练样本特征和所述第一方模型预测损失发送至第二设备，以供所述第二设备基于待训练残差提升模型、所述训练样本对应的训练样本ID匹配样本、所述中间训练样本特征、所述样本标签和获取的第二方初始模型权重，计算第二方模型预测损失，并基于所述第二方模型预测损失和所述第一方模型预测损失计算的残差损失，优化所述待训练残差提升模型，获得所述纵向联邦残差提升模型。

5.一种纵向联邦预测优化方法，其特征在于，应用于第二设备，所述纵向联邦预测优化方法包括：

接收第一设备发送的中间样本特征，并查找与所述中间样本特征对应的ID匹配样本；

基于纵向联邦残差提升模型，对所述ID匹配样本和所述中间样本特征共同执行模型预测，获得第二方模型预测结果；

获取所述纵向联邦残差提升模型对应的第二方模型权重，并将所述第二方模型预测结果和所述第二方模型权重发送至所述第一设备，以供所述第一设备基于所述目标预测模型针对所述ID匹配样本对应的待预测样本生成的第一方模型预测结果、所述目标预测模型对应的第一方模型权重、所述第二方模型预测结果和所述第二方模型权重，生成目标联邦预测结果，其中，所述目标预测模型由所述第一设备本地迭代训练得到。