[发明专利]隐私保护的分布式多方安全模型训练框架

说明书

用于训练多方安全逻辑回归模型(SLRM)的方法、系统和装置，包括编码在计算机存储介质上的计算机程序。所述方法之一包括：在多个安全计算节点(SCN)处从随机数提供器接收多个随机数；在每个所述SCN处，使用接收到的所述随机数对存储在所述SCN中的数据进行加密处理；通过使用来自每个所述SCN的所述加密的数据对安全逻辑回归模型(SLRM)迭代更新；在对所述SLRM迭代更新之后，输出SLRM的结果，其中，该结果被配置为使能由每个SCN执行的服务。

背景技术

机器学习是数据科学的一个子集，它使用统计模型来获得洞察并进行预测。为了促进数据交换和合作，不同的参与方可以共同建立机器学习模型。传统的机器学习项目将从多方获得的训练数据聚集到一处。然后，在机器学习过程的训练阶段，使用基于聚集的数据的机器学习工具构建训练模型，从而可以统一地训练模型。训练数据可以由任何参与方聚集，或者在由所有参与方信任并选择的第三方处聚集。

发明内容

本公开描述了用于隐私保护的分布式多方安全模型训练框架。

通常，本文中描述的主题的一个创新方面可以体现在包括如下动作的方法中：在多个安全计算节点(SCN)处从随机数提供器接收多个随机数；在每个所述SCN处，使用接收到的所述随机数对存储在所述SCN中的数据进行加密处理；通过使用来自每个所述SCN的该加密的数据对安全逻辑回归模型(SLRM)迭代更新；以及在对该SLRM迭代更新之后输出该SLRM的结果，其中，该结果被配置为使能由每个所述SCN执行的服务。该方面的其他实施例包括被配置成执行该方法的动作的对应的计算系统、装置和记录在一个或多个计算机存储设备上的计算机程序。

前述和其他实施例可以各自可选地单独或组合地包括一个或多个以下特征。特别地，一个实施例包括所有以下特征的组合。

本文还提供了耦接到一个或多个处理器并且其上存储有指令的一个或多个非暂态计算机可读存储介质，当所述指令由一个或多个处理器执行时，所述指令促使一个或多个处理器按照本文提供的方法的实施方式进行操作。

本文还提供了用于实现本文提供的方法的系统。该系统包括一个或多个处理器以及耦接到一个或多个处理器并且其上存储有指令的计算机可读存储介质，当该指令由一个或多个处理器执行时，该指令促使一个或多个处理器按照本文提供的方法的实施方式执行操作。

应当理解的是，根据本文的方法可包括本文描述的方面和特征的任何组合。也就是说，根据本文的方法不限于本文具体描述的方面和特征的组合，还包括所提供的方面和特征的任何组合。

以下在附图和描述中阐述了本文的一个或多个实施方式的细节。根据说明书、附图以及权利要求，本文的其他特征和优点将显而易见。

附图说明

图1描绘了根据本文实施方式的使用秘密共享来训练多方机器学习安全逻辑回归模型(SLRM)的环境的示例。

图2A描绘了根据本文实施方式的用于对SLRM的参数进行迭代更新的子处理的示例。

图2B描绘了根据本文实施方式的用于对SLRM的参数进行迭代更新的子处理的示例。

图3描绘了根据本文实施方式的用于对SLRM的参数进行迭代更新的子处理的示例。

图4A描绘了根据本文实施方式的用于对SLRM的参数进行迭代更新的子处理的示例。

图4B描绘了根据本文实施方式的用于对SLRM的参数进行迭代更新的子处理的示例。

图5描绘了根据本文实施方式的用于确定是否终止对SLRM的参数进行迭代更新的处理的示例。

图6描绘了根据本文实施方式的使用事件驱动的交互式安全建模程序来训练多方SLRM的处理的示例。

图7描绘了可以根据本文实施方式执行的处理的示例。