[发明专利]模型训练方法、装置和电子设备

说明书

本说明书提供模型训练方法、装置和电子设备的实施例。所述方法包括：根据特征数据，将样本标识集分割为多个子集，接收样本标识所对应的第一梯度值密文和第二梯度值密文；在子集内，将多个样本标识的第一梯度值密文同态相加，得到该子集的第一特征值密文，将多个样本标识的第二梯度值密文同态相加，得到该子集的第二特征值密文；利用随机数对第一特征值密文和第二特征值密文进行掩盖，得到掩盖后的第一特征值密文和掩盖后的第二特征值密文；向第二方发送子集所对应的掩盖后的第一特征值密文、以及掩盖后的第二特征值密文。本说明书的实施例，通过根据同态加密算法，利用随机数对特征值密文进行掩盖，可以增强在多方合作建模过程中数据的隐私保护。

技术领域

本说明书实施例涉及计算机技术领域，特别涉及一种模型训练方法、装置和电子设备。

背景技术

在业务实际中，单个数据方拥有的数据并不完备，通常需要借助其它数据方的数据，共同完成数据处理模型的训练。在多方合作建模的过程中，往往存在隐私泄漏的问题。

发明内容

本说明书实施例提供一种模型训练方法、装置和电子设备，以增强在多方合作建模过程中数据的隐私保护。

为实现上述目的，本说明书中一个或多个实施例提供的技术方案如下。

根据本说明书一个或多个实施例的第一方面，提供了一种模型训练方法，应用于第一方，所述第一方持有样本的特征数据，该方法包括：根据特征数据，将样本标识集分割为多个子集，所述样本标识集包括多个样本标识；接收每个样本标识所对应的第一梯度值密文和第二梯度值密文，所述第一梯度值密文和所述第二梯度值密文由同态加密算法计算得到；在每个子集内，将多个样本标识的第一梯度值密文同态相加，得到该子集的第一特征值密文，将多个样本标识的第二梯度值密文同态相加，得到该子集的第二特征值密文；利用随机数分别对第一特征值密文和第二特征值密文进行掩盖，得到掩盖后的第一特征值密文和掩盖后的第二特征值密文；向第二方发送每个子集所对应的掩盖后的第一特征值密文、以及掩盖后的第二特征值密文，以便于对数据处理模型的非叶子节点进行训练。

根据本说明书一个或多个实施例的第二方面，提供了一种模型训练方法，应用于第二方，所述第二方持有样本的标签数据，该方法包括：接收子集所对应的掩盖后的第一特征值密文、以及掩盖后的第二特征值密文，所述子集通过对样本标识集进行分割得到，所述样本标识集包括多个样本标识；分别对掩盖后的第一特征值密文和掩盖后的第二特征值密文进行解密，得到掩盖后的第一特征值和掩盖后的第二特征值；利用掩盖后的第一特征值和掩盖后的第二特征值，计算分割增益因子，所述分割增益因子用于计算该子集的分割增益，所述分割增益用于对数据处理模型的非叶子节点进行训练。

根据本说明书一个或多个实施例的第三方面，提供了一种模型训练装置，应用于第一方，所述第一方持有样本的特征数据，该装置包括：分割单元，用于根据特征数据，将样本标识集分割为多个子集，所述样本标识集包括多个样本的标识；接收单元，用于接收每个样本标识所对应的第一梯度值密文和第二梯度值密文，所述第一梯度值密文和所述第二梯度值密文由同态加密算法计算得到；相加单元，用于在每个子集内，将多个样本标识的第一梯度值密文同态相加，得到该子集的第一特征值密文，将多个样本标识的第二梯度值密文同态相加，得到该子集的第二特征值密文；掩盖单元，用于利用随机数分别对第一特征值密文和第二特征值密文进行掩盖，得到掩盖后的第一特征值密文和掩盖后的第二特征值密文；发送单元，用于向第二方发送每个子集所对应的掩盖后的第一特征值密文、以及掩盖后的第二特征值密文，以便于对数据处理模型的非叶子节点进行训练。