[发明专利]一种联邦学习方法及联邦学习系统

说明书

本说明书实施例提供一种联邦学习方法及联邦学习系统。方法包括：在联邦学习用于训练的目标模型确定特征配置前，联邦学习的成员对象按照所述联邦学习的数据仓库的数据结构化配置，对本地的私有数据进行预处理；以及，联邦学习的成员对象基于多方安全计算协议，将预处理后的私有数据发送至所述集中计算平台，以由所述集中计算平台上传至数据仓库。在所述目标模型确定特征配置后，所述集中计算平台根据所述目标模型的特征配置，对所述数据仓库记录的私有数据进行特征提取，得到适用于训练所述目标模型的特征数据；以及，所述集中计算平台基于提取到的特征数据，对所述目标模型进行训练，并将所述目标模型的训练结果发送至所述联邦学习的成员对象。

技术领域

本文件属于信息处理技术领域，尤其涉及一种联邦学习方法及联邦学习系统。

背景技术

联邦学习又称联邦机械学习，是一种多机构遵守用户隐私保护和政府法规的要求下，进行联合建模的机器学习框架。作为联邦学习成员对象的机构需要按照多方安全计算协议将自身私有数据作为模型训练样本发送至联邦学习的集中计算平台，由集中计算平台完成模型训练。在多方安全计算协议下，私有数据经加密后实现隐私保护，并依然具有明文时的数学计算效力，不会对模型训练造成影响。

通常的模型构建流程是先根据应用场景的需求，进行初步建模，也就是确定模型的特征配置，定性训练任务的方向；之后，再按照训练任务，进行有针对性的数据准备，数据准备的主要工作包括数据收集和数据预处理，这一阶段的耗时一般占模型构建全流程的70％至80％。对于联邦学习而言，各成员对象数据收集情况并不一样，导致数据准备阶段耗时加剧，严重影响了模型构建的效率。为此，当前亟需一种能够优化联邦学习数据准备阶段的技术方案。

发明内容

本说明书实施例目的是提供一种联邦学习方法及联邦学习系统，对联邦学习数据准备阶段进行优化，从而有效提升联邦学习模型构建的效率。

为了实现上述目的，本说明书实施例是这样实现的：

第一方面，提供了一种联邦学习方法，包括：

在联邦学习用于训练的目标模型确定特征配置前，所述联邦学习的成员对象按照所述联邦学习的数据仓库的数据结构化配置，对本地的私有数据进行预处理；以及，

所述联邦学习的成员对象基于多方安全计算协议，将预处理后的私有数据发送至所述集中计算平台，以由所述集中计算平台上传至所述数据仓库；

在所述目标模型确定特征配置后，所述集中计算平台根据所述目标模型的特征配置，对所述数据仓库记录的私有数据进行特征提取，得到适用于训练所述目标模型的特征数据；以及，

所述集中计算平台基于提取到的特征数据，对所述目标模型进行训练，并将所述目标模型的训练结果发送至所述联邦学习的成员对象。

第二方面，提供了一种数据处理系统，联邦学习系统，包括集中计算平台和多个成员对象，所述集中计算平台配置有所述联邦学习系统的数据仓库；其中：

在联邦学习用于训练的目标模型确定特征配置前，所述联邦学习的成员对象按照所述数据仓库的数据结构化配置，对本地的私有数据进行预处理；以及，

所述联邦学习的成员对象基于多方安全计算协议，将预处理后的私有数据发送至所述集中计算平台，以由所述集中计算平台上传至所述数据仓库；

在所述目标模型确定特征配置后，所述集中计算平台根据所述目标模型的特征配置，对所述数据仓库记录的私有数据进行特征提取，得到适用于训练所述目标模型的特征数据；以及，

所述集中计算平台基于提取到的特征数据，对所述目标模型进行训练，并将所述目标模型的训练结果发送至所述联邦学习的成员对象。