[发明专利]基于私有数据保护的模型学习方法、装置及系统

权利要求书

1.一种基于私有数据保护的模型学习方法，包括：

联盟中的非集中计算平台成员对象将本地训练完成的学习模型的模型参数发送至所述联盟中的集中计算平台成员对象，其中，所述联盟中各非集中计算平台成员对象的学习模型在未训练的初始状态下相同，所述非集中计算平台成员对象和所述集中计算平台成员对象均属于所述联盟中的成员对象；

所述集中计算平台成员对象通过多方安全计算得到的所述联盟中的至少两个成员对象的学习模型的模型参数进行汇总，确定通过汇总得到的目标模型参数；

所述集中计算平台成员对象将所述目标模型参数发送至所述联盟中的非集中计算平台成员对象；

所述联盟中的非集中计算平台成员对象基于所述目标模型参数，对本地的学习模型进行调整。

2.根据权利要求1所述的方法，

所述至少两个成员对象包括所述集中计算平台成员对象和至少一个非集中计算平台成员对象；

或者，

所述至少两个成员对象包括所述联盟中至少两个非集中计算平台成员对象且不包括所述集中计算平台成员对象。

3.根据权利要求1所述的方法，

所述集中计算平台成员对象通过多方安全计算得到的所述联盟中的至少两个成员对象的学习模型的模型参数，确定目标模型参数，包括：

所述集中计算平台成员对象对通过多方安全计算得到的所述联盟中的至少两个成员对象的学习模型的模型参数进行加权计算，得到目标模型参数。

4.根据权利要求3所述的方法，

所述集中计算平台成员对象对通过多方安全计算得到的所述联盟中的至少两个成员对象的学习模型的模型参数进行加权计算，包括：

所述集中计算平台成员对象对通过多方安全计算得到的所述联盟中的至少两个成员对象的学习模型的模型参数按照所属学习模型的训练数据量进行加权计算。

5.根据权利要求3所述的方法，

所述集中计算平台成员对象对通过多方安全计算得到的所述联盟中的至少两个成员对象的学习模型的模型参数进行加权计算，包括：

所述集中计算平台成员对象将通过多方安全计算得到的所述联盟中的至少两个成员对象的学习模型的模型参数按照所属成员对象的用户量和/或业务额进行加权计算，得到目标模型参数。

6.根据权利要求3所述的方法，

所述联盟中的各成员对象均对应针对所述联盟的贡献度，所述集中计算平台成员对象对通过多方安全计算得到的所述联盟中的至少两个成员对象的学习模型的模型参数进行加权计算，包括：

所述集中计算平台成员对象将通过多方安全计算得到的所述联盟中的至少两个成员对象的学习模型的模型参数按照所属成员对象的贡献度进行加权计算，得到目标模型参数。

7.根据权利要求1-5中任一项所述的方法，

所述联盟中的成员对象在预设条件触发时，重新选举一个成员对象作为所述联盟的集中计算平台成员对象，其中，所述预设条件触发包括以下一者：

所述联盟的集中计算平台成员对象对应的预设任期结束；

所述联盟的集中计算平台成员对象未对本地的学习模型的模型参数进行更新的时长达到预设时间要求。

8.根据权利要求1-5中任一项所述的方法，

所述联盟中的目标成员对象的学习模型的模型参数包括该学习模型中的至少一个特征向量的权重值，其中，所述目标成员对象是指所述联盟中的成员对象。

9.根据权利要求1-5中任一项所述的方法，

所述联盟中的成员对象包括金融服务机构，所述学习模型包括金融风控模型。