[发明专利]基于联邦学习的特征补全方法、装置、设备及存储介质

权利要求书

1.一种基于纵向联邦学习的特征补全方法，其特征在于，应用于第一设备，所述基于纵向联邦学习的特征补全方法包括：

获取待补全样本数据，将所述待补全样本数据输入至预设目标特征补全模型中；

其中，所述预设目标特征补全模型为基于具有标签的非缺失样本特征数据，通过执行第一预设纵向联邦学习流程，对预设初始补全模型进行迭代训练得到的；

基于所述特征补全模型对所述待补全样本数据进行补全处理，得到目标补全数据，以使用所述目标补全数据进行机器学习模型的训练。

2.如权利要求1所述基于纵向联邦学习的特征补全方法，其特征在于，所述基于所述特征补全模型对所述待补全样本数据进行补全处理，得到目标补全数据，以使用所述目标补全数据进行机器学习模型的训练的步骤之前，所述方法包括：

获取具有标签的非缺失样本特征数据；

基于所述具有标签的非缺失样本特征数据，执行第一预设纵向联邦学习流程，对预设初始补全模型进行迭代训练，得到目标模型；

将所述目标模型设置为所述预设目标特征补全模型。

3.如权利要求2所述基于纵向联邦学习的特征补全方法，其特征在于，所述第一设备与第二设备进行通信连接，所述获取具有标签的非缺失样本特征数据的步骤，包括：

与第二设备进行样本对齐，以得到非缺失样本数据；

基于预设特征提取模型，对所述非缺失样本数据进行特征提取，以将所述非缺失样本数据映射至预设特征维度，获得具有标签的非缺失样本特征数据。

4.如权利要求2所述基于纵向联邦学习的特征补全方法，其特征在于，所述基于所述具有标签的非缺失样本特征数据，执行第一预设纵向联邦学习流程，对预设初始补全模型进行迭代训练，得到目标模型的步骤，包括：

基于所述非缺失样本特征数据，对所述预设初始补全模型进行迭代训练，以训练更新所述预设初始补全模型的模型计算中间变量；

判断迭代训练的所述预设初始补全模型是否达到预设替换更新条件，若所述预设初始补全模型达到预设替换更新条件，则通过执行所述第一预设纵向联邦学习流程，对训练更新的所述模型计算中间变量进行替换更新，获得替换更新的所述预设初始补全模型；

持续对替换更新的所述预设初始补全模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得所述目标模型。

5.如权利要求4所述基于纵向联邦学习的特征补全方法，其特征在于，

所述通过执行所述第一预设纵向联邦学习流程，对训练更新的所述模型计算中间变量进行替换更新，获得替换更新的所述预设初始补全模型的步骤，包括：

将训练更新的所述模型计算中间变量加密发送至与所述第一设备关联的第三方，以供所述第三方对第一设备以及第二设备的对应各模型计算中间变量进行拼接聚合处理，获得拼接聚合中间变量，并将所述拼接聚合中间变量反馈至所述第一设备；

接收所述第三方反馈的所述拼接聚合中间变量，并将训练更新的所述模型计算中间变量替换更新为所述拼接聚合中间变量，获得替换更新的所述预设初始补全模型。

6.如权利要求1所述基于纵向联邦学习的特征补全方法，其特征在于，所述基于所述特征补全模型对所述待补全样本数据进行补全处理，得到目标补全数据的步骤之后，所述方法包括：

将所述目标补全数据输入至预设类型预测模型中；

其中，所述预设类型预测模型为基于具有预设类型标签的第一设备样本特征数据，通过执行第二预设纵向联邦学习流程，对预设待训练预测模型进行迭代训练得到的；

基于所述预设类型预测模型对所述目标补全数据进行预测处理，得到目标类型。

7.如权利要求1所述基于纵向联邦学习的特征补全方法，其特征在于，所述待补全样本数据为待补全贷款样本数据，所述基于所述特征补全模型对所述待补全样本数据进行补全处理，得到目标补全数据的步骤，包括：

基于所述特征补全模型对所述待补全贷款样本数据进行补全处理，得到目标补全数据。