一种纵向联邦学习建模方法、装置、设备及计算机介质.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CN113723621A(43)申请公布日2021.11.30(21)申请号202110417898.2(22)申请日2021.04.19(71)申请人京东数字科技控股股份有限公司地址100000北京市大兴区经济技术开发区科创十一街18号C座2层221室(72)发明人韩雨锦李怡欣陈忠王虎黄志翔(74)专利代理机构北京集佳知识产权代理有限公司11227代理人王雨(51)Int.Cl.G06N20/20(2019.01)权利要求书2页说明书11页附图7页(54)发明名称一种纵向联邦学习建模方法、装置、设备及计算机介质(57)摘要本申请公开了一种纵向联邦学习建模方法、装置、设备及计算机可读存储介质，应用于业务方时，获取进行纵向联邦学习建模所需的目标标签；对目标标签进行分解，得到目标子标签；将目标子标签分配给与目标标签对应的各个数据方，以使各个数据方基于分配的目标子标签及数据方的本地数据进行纵向联邦学习建模；其中，业务方保存有标签，数据方不保存有标签。由于所有的目标子标签集合起来才能全面描述目标标签，所以各个数据方只能借助目标子标签得到特定角度的目标标签信息，而无法得到目标标签的全部信息，避免了因加密目标标签进行传输带来的计算资源与时间消耗大的问题，且可以提高建模效率。CN113723621ACN113723621A权利要求书1/2页1.一种纵向联邦学习建模方法，其特征在于，应用于业务方，包括：获取进行纵向联邦学习建模所需的目标标签；对所述目标标签进行分解，得到目标子标签；将所述目标子标签分配给与所述目标标签对应的各个数据方，以使各个所述数据方基于分配的所述目标子标签及所述数据方的本地数据进行纵向联邦学习建模；其中，所述业务方保存有标签，所述数据方不保存有所述标签。2.根据权利要求1所述的方法，其特征在于，所述对所述目标标签进行分解，得到目标子标签，包括：对所述目标标签分解，得到子标签；按照归一化幅值降序的排列方式，对所述子标签进行排序，得到排序子标签；基于能量损失计算方法，确定使得所述目标子标签与所述目标标签相似的子标签数量值；在所述排序子标签中，选取前所述子标签数量值的所述子标签作为所述目标子标签。3.根据权利要求2所述的方法，其特征在于，所述基于能量损失计算方法，确定使得所述目标子标签与所述目标标签相似的子标签数量值，包括：基于MSE损失计算方法，通过第一计算公式，计算所述排序子标签与所述目标标签的第一损失值；确定使得所述第一损失值小于第一预设值的所述子标签数量值，所述第一预设值为判定所述目标子标签与所述目标标签相似的临界值；所述第一计算公式包括：其中，β表示所述第一损失值；Yi表示所述目标标签中的第i个标签；n表示所述目标标签中标签的总数量；Yi'表示所述目标标签中的第i个标签分解得到的所述子标签，k表示所述目标标签中的第i个标签分解得到的所述子标签的数量值。4.根据权利要求3所述的方法，其特征在于，所述将所述目标子标签分配给与所述目标标签对应的各个数据方，包括：基于所述能量损失计算方法，确定使得各个所述数据方分配得到的所述目标子标签与所述目标标签不相似的分配方法；按照所述分配方法将所述目标子标签分配给各个所述数据方。5.根据权利要求1至4任一项所述的方法，其特征在于，所述对所述目标标签分解，得到子标签，包括：对所述目标标签进行傅里叶分解，得到所述子标签。6.根据权利要求5所述的方法，其特征在于，所述对所述目标标签进行分解，得到目标子标签，包括：对所述目标标签进行排序，得到平稳的排序标签；对所述排序标签进行分解，得到所述目标子标签。7.根据权利要求6所述的方法，其特征在于，所述对所述目标标签进行排序，得到平稳2CN113723621A权利要求书2/2页的排序标签，包括：基于目标排序方法对所述目标标签进行排序，得到平稳的所述排序标签，所述目标排序方法的类型包括：降序排序、升序排序、矩形波排序。8.根据权利要求5所述的方法，其特征在于，所述将所述目标子标签分配给与所述目标标签对应的各个数据方之后，还包括：获取各个所述数据方进行纵向联邦学习建模后得到的拟合子标签；基于所述拟合子标签及所述目标标签进行纵向联邦学习建模。9.根据权利要求8所述的方法，其特征在于，所述基于所述拟合子标签及所述目标标签进行纵向联邦学习建模，包括：按照梯度提升方法，基于所述拟合子标签及所述目标标签进行纵向联邦学习建模。10.一种纵向联邦学习建模方法，其特征在于，应用于数据方，包括：接收业务方分配的目标子标签；基于分配的所述目标子标签及所述数据方的本地数据进行纵向联邦学习建模；其中，所述业务方保存有标签，所述数据方不保存有所述标签；所述业务方获取进行纵向联邦学习建模所需的目标标签，对所述目