[发明专利]一种基于安全多方计算的模型联合训练方法

权利要求书

1.一种基于安全多方计算的模型联合训练方法，所述安全多方计算包括多个参与方，其中每个参与方都拥有自身训练样本的特征分片和标签分片、以及其他各参与方的训练数据的特征分片和标签分片，所述方法由其中任一参与方执行，所述方法包括：

与其他参与方协同，基于密态特征和密态标签对模型进行联合训练，在密态下对所述模型进行一轮或多轮迭代更新，获得更新后的密态模型参数；其中，所述密态特征包括该参与方拥有的特征分片，所述密态标签包括该参与方拥有的标签分片，所述密态模型参数包括该参与方拥有的模型参数分片，所述一轮或多轮迭代更新中的至少一轮进一步包括：

基于自身拥有的模型参数分片、特征分片与标签分片与其他各参与方多次交互，得到当前轮更新后的模型参数分片；

与其他参与方协同，基于自身拥有的模型参数分片、特征分片以及标签分片，确定模型的损失函数值分片；

与其他参与方协同，基于所述损失函数值分片判断该模型的损失函数值是否满足预设的阈值条件，得到判断结果；

基于所述判断结果确定是否停止联合训练。

2.如权利要求1所述的方法，所述与其他参与方协同，基于所述损失函数值分片判断该模型的损失函数值是否满足预设的阈值条件，得到判断结果，包括：

与其他参与方协同，解密所述损失函数值分片，得到该模型的损失函数值；

判断所述损失函数值是否满足预设的阈值条件，得到所述判断结果。

3.如权利要求1所述的方法，所述与其他参与方协同，基于所述损失函数值分片判断该模型的损失函数值是否满足预设的阈值条件，得到判断结果，包括：

与其他参与方协同，基于所述损失函数值分片判断该模型的损失函数值是否满足预设的阈值条件，得到密态判断结果；

与其他参与方协同，解密所述密态判断结果得到所述判断结果。

4.如权利要求1所述的方法，所述预设的阈值条件包括大于第一阈值或者小于第二阈值；

且当该模型的损失函数值满足所述预设的阈值条件，得到的判断结果用于指示停止联合训练。

5.如权利要求4所述的方法，所述安全多方计算基于秘密分享加密算法实现；

所述与其他参与方协同，基于所述损失函数值分片判断该模型的损失函数值是否满足预设的阈值条件，得到判断结果，包括：

获得第一阈值分片与第二阈值分片；

基于本地持有的损失函数值分片、第一阈值分片和第二阈值分片，与其他参与方协同完成多方条件判断运算，判断该模型的损失函数值是否大于第一阈值或者小于第二阈值，得到判断结果分片；

接收其他参与方的判断结果分片，基于全部参与方的判断结果分片得到所述判断结果；或者，将本地持有的判断结果分片发送给解密方以便解密方基于全部参与方的判断结果分片得到所述判断结果。

6.如权利要求1所述的方法，其中：

所述模型为逻辑回归模型、线性回归模型或GBDT模型。

7.如权利要求1所述的方法，所述至少一轮为所述一轮或多轮迭代更新中间隔预设更新次数的轮次。