[发明专利]基于决策树的预测方法、装置、设备、介质及程序产品

说明书

本发明涉及联邦学习技术领域，公开了一种基于决策树的预测方法、装置、设备、介质及程序产品，该方法包括：获取客户端的目标决策树分类模型；获取目标样本，并将目标样本输入至目标决策树分类模型，以通过目标决策树分类模型获得目标样本的预测分类结果；调用预设模型无关解释方法对通过目标决策树分类模型获得目标样本的预测分类结果的预测过程进行解释分析，以获得预测分类结果的分类特征解释结果，相比于现有技术采用深度学习模型进行基于决策树的预测，本发明采用决策树分类模型进行基于决策树的预测降低了模型成本，此外通过调用预设模型无关解释方法对模型的预测过程进行解析分析，使模型的预测过程可视化，进而提高了模型预测结果的信服力。

技术领域

本发明涉及联邦学习技术领域，尤其涉及一种基于决策树的预测方法、装置、设备、介质及程序产品。

背景技术

近年来多数机构由于数据隐私的问题，通常情况下，不同机构之间均利用各自收集到的用户数据进行建模，机构间很少会共享收集到的数据，例如各医疗机构之间利用各自的医疗数据进行建模，然而，这种方式下构建的模型通常会因为数据量不足而导致模型泛化能力差的问题。因此，如何在保护用户数据隐私的前提下，构建出泛化性能更好的模型是目前医疗领域关注的主要问题。

因此，近年来将联邦学习技术应用于这类场景的研究成果也在不断涌现，但大多数都是使用复杂的深度学习模型，虽然各参与方之间虽不会暴露隐私数据，但仍需要交互大量中间信息，对此通信带宽要求较高，即使用深度学习模型进行预测的成本较高，此外，由于深度学习模型的复杂度较高，模型的预测过程是非可视化，大多数用户无法得知模型输出的预测结果的原因，因此导致模型预测结果的信服力低。

发明内容

本发明提供一种基于决策树的预测方法、装置、设备、介质及程序产品，旨在解决目前使用的模型成本高，且模型预测结果的信服力低的技术问题。

为实现上述目的，本发明提供一种基于决策树的预测方法，应用于参与横向联邦学习的客户端，所述方法包括：

获取所述客户端的目标决策树分类模型，其中，所述目标决策树分类模型由参与横向联邦学习的多个客户端通过预设协调方进行横向联邦学习获得；

获取目标样本，并将所述目标样本输入至所述目标决策树分类模型，以通过所述目标决策树分类模型获得目标样本的预测分类结果；

调用预设模型无关解释方法对通过所述目标决策树分类模型获得目标样本的预测分类结果的预测过程进行解释分析，以获得所述预测分类结果的分类特征解释结果。

优选地，所述获取所述客户端的目标决策树分类模型的步骤之前，还包括：

构建客户端决策树的当前节点，并获取所述当前节点的节点特征信息；

将所述节点特征信息作为中间结果加密发送至预设协调方，以通过所述预设协调方协调参与横向联邦学习的多个客户端获得目标决策树分类模型。

优选地，所述将所述节点特征信息作为中间结果加密发送至预设协调方，以通过所述预设协调方协调参与横向联邦学习的多个客户端获得目标决策树分类模型的步骤包括：

将所述节点特征信息作为中间结果加密发送至预设协调方，以通过所述预设协调方选取参与横向联邦学习的多个客户端分别对应的多个中间结果中的最优中间结果；

根据所述最优中间结果对当前节点对应的本地医疗训练数据进行划分，并以划分后的目标医疗训练数据构建当前节点的左右子树；

分别将所述左右子树作为当前节点，并返回执行获取所述当前节点的节点特征信息的步骤；

继续执行将所述节点特征信息作为中间结果加密发送至预设协调方的步骤，直至所述客户端决策树收敛或达到预设最大迭代伦次，以通过所述预设协调方协调参与横向联邦学习的多个客户端获得目标决策树分类模型。