[发明专利]联邦特征工程数据的筛选方法及装置、设备及存储介质

说明书

本公开涉及隐私计算技术领域，尤其涉及联邦学习技术，具体公开一种联邦特征工程数据的筛选方法及装置、设备及存储介质，所述方法包括：向数据端发送与数据端的样本对齐的样本ID和同态加密的指定标签；接收数据端发送的各分箱的密文求和结果、分箱编号和样本总数量；对接收到的各分箱的密文求和结果解密，得到数据端的各分箱的解密结果；按照分箱编号，根据各分箱的解密结果和样本总数量确定数据端的分析结果，以根据分析结果确定是否选择按照当前用于分箱的特征进行分箱的数据作为联邦建模的数据，向数据端发送的数据仅包括一种样本标签，通过获取数据端各分箱的样本总数量来计算各分箱的分析结果，能够大幅度提高联邦特征工程的效率。

技术领域

本公开涉及隐私计算技术领域，尤其涉及联邦学习技术，具体公开一种联邦特征工程数据的筛选方法及装置、设备及存储介质。

背景技术

随着人工智能等技术的快速发展，为了保障用户隐私数据不被泄露，有相关法律规定，用户数据仅能被持有其的机构自身使用，因而，导致了不同机构之间不能流通和共享数据的问题，为了解决这一问题，提供基于差分隐私、同态加密等多项保密技术，致力于保护用户数据隐私的前提下实现多方的数据联合建模，从而发挥社会数据资源价值，加强数据有序共享的联邦学习方法。由于联邦学习过程中外部数据源的质量难以控制，有必要在建模之前也通过联邦的方式进行特征工程，对外部数据源的特征进行筛选和评估。

以金融风控场景下的特征工程为例，常见的特征分析方式是计算特征和标签之间的关联度，即通过计算指标，评估特征的样本区别效果和稳定性等，然而，这些指标往往都需要依赖样本的标签才能得到。例如，在联邦特征工程计算过程中，假设业务方和数据方样本对齐后的样本总数量为N，则业务方需要分别对N个标签值y和N个1-y的值进行加法同态加密得到密文，然后将规模为2N的密文发送给数据方，后续的数据方分箱求和等流程也是2N的量级。此外，在实际业务中数据集的规模往往是非常大的，常常是数十万甚至百万的量级，因此，对其进行加密、求和、解密等操作中会极大的影响联邦特征工程的效率，同时也提高联邦建模参与方的通信开销、计算资源消耗等。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开的实施例提供了一种联邦特征工程数据的筛选方法及装置、设备及存储介质。

第一方面，本公开的实施例提供了一种联邦特征工程数据的筛选方法，包括：

向数据端发送与所述数据端的样本对齐的样本ID和同态加密的指定标签，供所述数据端根据所述同态加密的指定标签确定各分箱的密文求和结果；

接收数据端发送的各分箱的密文求和结果、分箱编号和样本总数量；

对接收到的各分箱的密文求和结果解密，得到所述数据端的各分箱的解密结果；

按照分箱编号，根据各分箱的解密结果和样本总数量确定所述数据端的分析结果，以根据所述分析结果确定是否选择按照当前用于分箱的特征进行分箱的数据作为联邦建模的数据，其中，各分箱的分析结果用于表示在当前用于分箱的特征参数与业务端的正样本标签之间的关联度。

在一种可能的实施方式中，所述解密结果包括：指定标签对应的样本数量，所述根据各分箱的解密结果和样本总数量确定所述数据端的分析结果，包括：

基于所述数据端的各分箱的指定标签对应的样本数量和样本总数量计算所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数，其中，所述指定标签为正样本标签或负样本标签；

根据所述数据端的每个分箱的正样本总数和负样本总数、所有分箱的正样本总数和负样本总数计算所述数据端的每个分箱的证据权重；

根据所述数据端的每个分箱的证据权重计算所述数据端的每个分箱的信息量，并求和得到所述数据端的总信息量作为分析结果。