[发明专利]一种基于多标签的联邦学习方法、装置和系统

权利要求书

1.一种基于多标签的联邦学习方法，应用于可信执行环境，包括：

获取由多个机构提供的多个标签数据组，所述标签数据组中包括多个用户的原始标签，所述多个用户中至少存在一个用户在所述多个标签数据组中的多个原始标签不一致；

利用预设的弱监督学习算法对所述多个标签数据组进行学习训练，得到目标标签数据组，所述目标标签数据组中包括所述多个用户的目标标签；

将所述目标标签数据组发送给所述多个机构，由所述多个机构基于所述目标标签数据组进行联邦学习；

其中，将所述目标标签数据组发送给所述多个机构，包括：

针对所述多个用户中的任一目标用户，执行以下步骤：

确定所述目标用户在所述目标标签数据组中的目标标签；

确定所述目标用户在所述多个标签数据组中的多个原始标签，一个原始标签对应一个机构；

根据所述目标标签和所述多个原始标签，确定候选机构，所述候选机构对应的所述原始标签与所述目标标签一致；

将所述目标用户的目标标签发送给所述候选机构。

2.如权利要求1所述的方法，利用预设的弱监督学习算法对所述多个标签数据组进行学习训练，得到目标标签数据组，包括：

根据所述多个标签数据组和初始的目标标签数据组，确定第一特征变量、第二特征变量和第三特征变量，所述第一特征变量表征任一用户在任一个标签数据组中是否存在原始标签，所述第二特征变量表征任一用户的目标标签和所述用户在任一标签数据组中的原始标签是否一致，所述第三特征变量表征任一用户在任两个标签数据组中的原始标签是否一致；

基于所述第一特征变量、所述第二特征变量和所述第三特征变量，得到生成模型和目标函数，所述生成模型用于根据目标参数求解所述目标标签数据组，所述目标函数用于根据所述目标标签数据组求解所述目标参数；

根据所述生成模型和所述目标函数，得到所述目标标签数据组。

3.如权利要求2所述的方法，根据所述生成模型和所述目标函数，得到所述目标标签数据组，包括：

基于所述初始的目标标签数据组，利用随机梯度下降法求解所述目标函数，得到所述目标参数；

基于求解得到的所述目标参数，利用Gibbs采样方法求解所述生成模型，更新所述初始的目标标签数据组；

循环执行以上步骤直至收敛，得到所述目标标签数据组。

4.如权利要求1所述的方法，将所述目标用户的目标标签发送给所述候选机构，包括：

若所述候选机构的个数M大于1，则从所述候选机构中选择N个目标机构，N大于0且小于M；

将所述目标用户的目标标签发送给所述N个目标机构。

5.如权利要求4所述的方法，将所述目标用户的目标标签发送给所述N个目标机构，包括：

确定所述目标用户的用户标识；

将所述目标用户的用户标识代替所述目标标签发送给所述N个目标机构。

6.如权利要求5所述的方法，将所述目标用户的用户标识代替所述目标标签发送给所述N个目标机构，包括：

将所述目标用户的用户标识进行加密，得到加密后的用户标识；

将所述加密后的用户标识发送给所述N个目标机构。

7.一种基于多标签的联邦学习方法，应用于机构，包括：

获取包括多个用户的原始标签的标签数据组；

将所述标签数据组发送给可信执行环境，由所述可信执行环境利用预设的弱监督学习算法对所述标签数据组以及来自其他机构的其他标签数据组进行学习训练，得到目标标签数据组，所述多个用户中至少存在一个用户在多个机构提供的多个标签数据组中的多个原始标签不一致，所述目标标签数据组中包括所述多个用户的目标标签；

接收由所述可信执行环境返回的所述目标标签数据组中的部分目标标签数据，所述部分目标标签数据中包括所述多个用户中部分用户的目标标签，所述部分用户的目标标签和所述标签数据组中所述部分用户的原始标签一致；

基于所述部分目标标签数据进行联邦学习。