[发明专利]一种联邦学习的数据隐私保护方法

权利要求书

1.一种联邦学习的数据隐私保护方法，其特征在于：包括自治和联合两个步骤，所述自治具体为：两个或两个以上的参与方在各自的终端安装初始化的模型，每个参与方拥有相同的模型，参与方各自使用当地的数据训练模型得到不同的模型参数；所述联合具体为：参与方将所述不同的模型参数同时上传到云端，由所述云端完成模型参数的聚合与更新，并且将更新好的参数返回到各参与方的终端，所述各参与方的终端开始下一次的迭代，重复以上的步骤，直到整个训练过程收敛；

所述参与方采用企业A和企业B，所述云端采用协作者C；

包括如下步骤：

S1、企业A和企业B接受来自协作者C发来的用于加密的公钥，在不公开各自数据的前提下，进行用户样本对齐，确认双方共有用户群体；

S2、企业A和企业B在各自终端安装相同的初始化模型，并利用双方共有用户群体的数据进行模型训练，所述模型训练过程如下：

S21、企业A和企业B在各自的终端安装相同的初始化模型，输入双方共有用户群体数据进行训练；

S22、企业A和企业B之间以加密形式交换用于计算梯度的中间结果；

S23、企业A和企业B分别在加密的条件下进行梯度值的计算，同时企业B根据其标签数据计算损失，企业A和企业B把计算结果汇总给协作者C，协作者C通过汇总结果计算总梯度与损失并将其解密；

S24、协作者C将解密后的总梯度分别回传给企业A和企业B，企业A和企业B根据梯度更新各自模型的参数，并根据更新的模型参数进行下一次的迭代，直到整个训练过程收敛。