[发明专利]数据共享方法、应用其的模型的使用方法及相关设备

权利要求书

1.一种基于联邦学习的数据共享方法，其特征在于，包括：

计算机基于隐私求交技术将第一参与方和第二参与方的数据样本对齐；

所述计算机使用标签和第一参与方的数据构建所述第一参与方的子模型；

所述计算机根据所述标签和第二参与方的数据构建所述第二参与方的子模型；

所述计算机根据所述第一参与方的子模型和所述第二参与方的子模型获取全局模型，以实现所述第一参与方的数据和所述第二参与方的数据的共享。

2.根据权利要求1所述的方法，其特征在于，所述计算机使用标签和所述第一参与方的数据构建所述第一参与方的子模型包括：

所述计算机在第一参与方通过极度梯度提升树或轻梯度增加模型，使用所述标签和所述第一参与方的数据构建所述第一参与方的梯度提升树的子模型。

3.根据权利要求1所述的方法，其特征在于，所述计算机根据所述第一参与方的子模型和所述第二参与方的子模型获取全局模型包括：

所述计算机根据所述第一参与方的子模型和所述第二参与方的子模型获取融合模型和交叉模型。

4.根据权利要求3所述的方法，其特征在于，所述第一参与方的子模型包括模型得分和预测结果，所述第二参与方的子模型包括模型得分和预测结果，其中，所述计算机根据所述第一参与方的子模型和所述第二参与方的子模型获取融合模型和交叉模型包括：

所述计算机根据所述标签、所述第一参与方的子模型的模型得分和所述第二参与方的子模型的模型得分获得所述融合模型。

5.根据权利要求4所述的方法，其特征在于，所述计算机根据所述标签、所述第一参与方的子模型的模型得分和所述第二参与方的子模型的模型得分获得所述融合模型包括：

所述计算机使用逻辑回归或者梯度提升树模型，根据所述标签、所述第一参与方的子模型的模型得分和所述第二参与方的子模型的模型得分获得融合模型。

6.根据权利要求4所述的方法，其特征在于，所述计算机根据所述第一参与方的子模型和所述第二参与方的子模型获取融合模型和交叉模型包括：

所述计算机根据所述标签、所述融合模型的输出、所述第一参与方的子模型的预测结果和所述第二参与方的子模型的预测结果获得所述交叉模型。

7.一种基于联邦学习的全局模型的使用方法，其特征在于，包括：

计算机获取第一参与方的预测请求；

所述计算机基于隐私求交技术将所述预测请求的数据对齐；

所述计算机使用各个参与方的子模型对所述预测请求的数据进行预测；

所述计算机使用全局模型对各个参与方的子模型的预测结果进行预测以获取所述第一参与方的预测请求的预测结果，以实现所述第一参与方的数据和所述第二参与方的数据的共享。

8.一种基于联邦学习的数据共享装置，其特征在于，包括：

获取模块，配置为获取第一参与方的预测请求；

对齐模块，配置为基于隐私求交技术将所述预测请求的数据对齐；

子预测模块，配置为使用各个参与方的子模型对所述预测请求的数据进行预测；

主预测模块，配置为使用全局模型对各个参与方的子模型的预测结果进行预测以获取所述第一参与方的预测请求的预测结果，以实现所述第一参与方的数据和所述第二参与方的数据的共享。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，配置为存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。