基于隐私保护的两方模型预测方法、装置及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112966809A(43)申请公布日2021.06.15(21)申请号202110143226.7(22)申请日2021.02.02(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人张祺智李漓春殷山白姣姣(74)专利代理机构北京永新同创知识产权代理有限公司11376代理人林锦辉刘景峰(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06N20/00(2019.01)权利要求书2页说明书11页附图6页(54)发明名称基于隐私保护的两方模型预测方法、装置及系统(57)摘要本说明书的实施例提供基于隐私保护的两方数据联合处理方法、装置及系统。两个成员设备分别具有本地隐私数据，两个成员设备的本地隐私数据组成两方联合处理数据。响应于用于确定两方联合处理数据的函数sigmoid计算结果的联合处理请求，各个成员设备使用本地隐私数据在本地执行第一函数计算得到本地处理结果，第一函数包括对函数sigmoid执行三角函数拟合时的各个拟合项进行分解得到的、在各个成员设备处执行的三角函数。各个成员设备使用各自的本地处理结果执行和共享形式下的安全计算得到两方数据联合处理结果，每个成员设备具有所述两方数据联合处理结果的两方数据联合处理结果分片。CN112966809ACN112966809A权利要求书1/2页1.一种基于隐私保护的两方模型预测方法，所述两方包括两个成员设备，每个成员设备具有本地模型数据和业务对象的本地特征数据，两个成员设备的本地模型数据组成机器学习模型，两个成员设备的本地特征数据组成所述机器学习模型的模型预测数据，所述方法应用于一个成员设备，所述方法包括：使用本地模型数据和本地特征数据来进行本地模型计算；使用本地模型计算结果在本地执行第一函数计算得到中间处理结果，所述第一函数包括对所述机器学习模型的激活函数sigmoid执行三角函数拟合时的各个拟合项进行分解得到的、在各个成员设备处执行的三角函数；以及与另一成员设备一起，使用各自的中间处理结果执行和共享形式下的安全计算得到所述机器学习模型的模型预测结果，每个成员设备具有所述模型预测结果的模型预测结果分片，其中，所述另一成员设备的中间处理结果通过使用该另一成员设备的本地模型计算结果在本地执行所述第一函数计算得到，该另一成员设备的本地模型计算结果根据该另一成员设备的本地模型数据和本地特征数据执行本地模型计算确定出。2.如权利要求1所述的两方模型预测方法，其中，两个成员设备的本地模型计算结果为Y1和Y2，所述激活函数sigmoid(Y1+Y2)被拟合为以及所述第一函数包括和其中，m为拟合项数，M为变量区间取值上限，ak为拟合系数，i为1或2。3.如权利要求1所述的两方模型预测方法，其中，所述本地特征数据是垂直切分数据或者水平切分数据。4.如权利要求1所述的两方模型预测方法，其中，所述业务对象包括以下之一：用户，商品，事件和关系。5.如权利要求2所述的两方模型预测方法，其中，与另一成员设备一起，使用各自的中间处理结果执行和共享形式下的安全计算得到所述机器学习模型的模型预测结果包括：使用中间处理结果生成中间处理结果矩阵；以及与另一成员设备一起，使用各自的中间处理结果矩阵执行和共享形式下的秘密共享矩阵乘法计算得到所述机器学习模型的模型预测结果，每个成员设备具有所述模型预测结果的模型预测结果分片，所述另一成员设备处的中间处理结果矩阵基于该成员设备的中间处理结果生成。6.如权利要求5所述的两方数据联合处理方法，其中，所述和共享形式下的秘密共享矩阵乘法计算是基于半可信第三方的和共享形式下的秘密共享矩阵乘法计算。7.一种基于隐私保护的两方模型预测装置，所述两方包括两个成员设备，每个成员设备具有本地模型数据和业务对象的本地特征数据，两个成员设备的本地模型数据组成机器学习模型，两个成员设备的本地特征数据组成所述机器学习模型的模型预测数据，所述两方模型预测装置应用于一个成员设备，所述两方模型预测装置包括：至少一个处理器，与所述至少一个处理器耦合的存储器，以及存储在所述存储器中的计算机程序，所述至少一个处理器执行所述计算机程序来实2CN112966809A权利要求书2/2页现：使用本地模型数据和本地特征数据来进行本地模型计算；使用本地模型计算结果在本地执行第一函数计算得到中间处理结果，所述第一函数包括对所述机器学习模型的激活函数sigmoid执行三角函数拟合时的各个拟合项进行分解得到的、在各个成员设备处执行的三角函数；以及与另一成员设备一起，使用各自的中间处理结果执行和共享形式下的安全计算得到所述机器学习模型的模型预测结果，每