[发明专利]纵向联邦建模优化方法、装置、设备及可读存储介质

说明书

本发明公开了一种纵向联邦建模优化方法、装置、设备及可读存储介质，所述方法包括参与纵向联邦学习的参与方基于本端数据集与其他参与方交互用于更新各自搜索网络中模型参数和搜索结构参数的中间结果，并基于接收到的中间结果更新本端搜索网络；基于更新后的本端搜索网络得到本端目标模型。本发明实现了参与方在使用纵向联邦技术建模之时无需事先确定其模型结构，使得纵向联邦学习的参与门槛大大降低。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种纵向联邦建模优化方法、装置、设备及可读存储介质。

背景技术

随着人工智能的发展，人们为解决数据孤岛的问题，提出了“联邦学习”的概念，使得联邦双方在不用给出己方数据的情况下，也可进行模型训练得到模型参数，并且可以避免数据隐私泄露的问题。

纵向联邦学习是在参与者的数据特征重叠较小，而用户重叠较多的情况下，取出参与者用户相同而用户数据特征不同的那部分用户及数据进行联合训练机器学习模型。比如有属于同一个地区的两个参与者A和B，其中参与者A是一家银行，参与者B是一个电商平台。参与者A和B在同一地区拥有较多相同的用户，但是A与B的业务不同，记录的用户数据特征是不同的。特别地，A和B记录的用户数据特征可能是互补的。在这样的场景下，可以使用纵向联邦学习来帮助A和B构建联合机器学习预测模型，帮助A和B向他们的客户提供更好的服务。

但是，目前纵向联邦学习的参与方在使用纵向联邦技术时需要对各自的模型结构进行预先的设计，而由于设计的模型结构稍有差别可能就会极大地影响整体纵向联邦学习技术的性能，使得纵向联邦学习的参与门槛较高，限制了纵向联邦学习在具体任务领域的应用范围。

发明内容

本发明的主要目的在于提供一种纵向联邦建模优化方法、装置、设备及可读存储介质，旨在解决目前纵向联邦学习的参与方在使用纵向联邦技术时需要对各自的模型结构进行预先的设计，造成纵向联邦学习参与门槛高的问题。

为实现上述目的，本发明提供一种纵向联邦建模优化方法，所述方法包括以下步骤：

所述方法应用于参与纵向联邦建模的参与方，各参与方分别部署有基于各自数据特征构建的数据集和搜索网络，所述方法包括以下步骤：

基于本端数据集与其他参与方交互用于更新各自搜索网络中模型参数和搜索结构参数的中间结果，并基于接收到的中间结果更新本端搜索网络；

基于更新后的本端搜索网络得到本端目标模型。

可选地，参与方的数据集包括第一数据集和第二数据集，所述基于本端数据集与其他参与方交互用于更新各自搜索网络中模型参数和搜索结构参数的中间结果，并基于接收到的中间结果更新本端搜索网络的步骤包括：

基于本端第一数据集与其他参与方交互用于更新各自搜索网络中模型参数的第一中间结果，并基于接收到的第一中间结果更新本端搜索网络的副本得到本端初更副本；

基于本端第二数据集与其他参与方交互用于更新各自初更副本中搜索结构参数的第二中间结果，并基于接收到的第二中间结果更新所述本端初更副本得到本端次更副本；

采用所述本端次更副本中的搜索结构参数更新所述本端搜索网络得到本端初更搜索网络；

基于所述本端第一数据集与其他参与方交互用于更新各自初更搜索网络中模型参数的第三中间结果，并基于接收到的第三中间结果更新所述本端初更搜索网络得到更新后的本端搜索网络。

可选地，所述方法应用于拥有标签数据的数据应用参与方，所述数据应用参与方部署有后接网络，所述基于本端第二数据集与其他参与方交互用于更新各自初更副本中搜索结构参数的第二中间结果，并基于接收到的第二中间结果更新所述本端初更副本得到本端次更副本的步骤包括：