[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

说明书

本公开的实施方式提供了数据共享方法、应用数据共享方法的模型的使用方法及装置、计算机可读存储介质和电子设备，属于计算机和通信技术领域。所述方法包括：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。本公开的方法，能够实现基于联邦学习的全局模型的训练。

技术领域

本公开涉及计算机和通信技术领域，具体而言，涉及数据共享方法、应用数据共享方法的模型的使用方法及装置、计算机可读存储介质和电子设备。

背景技术

数据驱动的智能技术得到了越来越多的发展与应用。而随着应用的行业广泛性的增加以及与行业的结合深度不断加深，对于大数据、人工智能等技术提出了很多方面的要求。其中一个很重要的方面就是对于数据隐私与安全的考虑。数据带来的价值不断凸显，使得各个数据拥有方认识到保护数据隐私与安全的重要性，各国各地政府也意识到了这一点，纷纷出台了法律法规来保护数据安全。我国对数据尤为重视，数据已经被我国有关部分列为了生产要素之一。不同的数据拥有方之间希望合作发挥出数据的价值，但又不愿或者不能分享数据，这造成了数据孤岛问题。为了解决这一问题，联邦学习的概念被提出，希望多个参与方实现共同训练模型的目的的同时不分享数据、只分享中间结果、且无法反推数据。无法反推数据的实现一般是通过一定的安全技术来保证各方无法获得其他方的数据信息。

依据联邦学习的不同参与方持有数据的特点不同，可以将其分类为横向联邦学习、纵向联邦学习以及联邦迁移学习等。横向的联邦学习是样本的分割，由于其良好的特性可以设计出较为通用的联邦学习方案。而更为困难且在业界得到很多应用的是纵向联邦学习，其特点是不同数据持有方具备的是同一样本(往往是某个客户)的不同特征维度，这是由于不同的公司业务不同造成的。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开实施例提供数据共享方法、应用数据共享方法的模型的使用方法及装置、计算机可读存储介质和电子设备，能够实现基于联邦学习的全局模型的训练。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种基于联邦学习的数据共享方法，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。

在一个实施例中，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。

在一个实施例中，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。