[发明专利]横向联邦学习建模优化方法、设备、介质及程序产品

说明书

本申请公开了一种横向联邦学习建模优化方法、设备、介质及程序产品，所述横向联邦学习建模优化方法包括：获取第一本地训练样本和护照嵌入样本数据，依据具备护照嵌入模块的本地私有模型和本地共享模型，将第一本地训练样本和护照嵌入样本数据映射为具备护照嵌入的第一输出预测标签；基于第一输出预测标签对应的模型损失，迭代更新本地私有模型和本地共享模型；将迭代更新后的本地共享模型发送至横向联邦服务器，以供横向联邦服务器对各联邦参与方发送的本地共享模型进行聚合，得到全局共享模型；接收横向联邦服务器发送的全局共享模型，并依据全局共享模型，优化本地私有模型，得到目标私有模型。本申请解决了横向联邦学习建模效率低的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种横向联邦学习建模优化方法、设备、介质及程序产品。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。

随着计算机软件和人工智能、大数据云服务应用的不断发展，隐私保护是联邦学习中的一个重要问题，如何寻找到一个可以保护隐私并且不影响模型准确率和效率的方法是急迫的需求，目前，横向联邦学习建模过程中通常利用同态加密以及多方安全计算等隐私保护技术来保护数据隐私，多方安全计算涉及到复杂的密码学操作，因此通信和计算开销都较大，影响横向联邦学习建模的效率，而同态加密的计算开销同样极大，进而会导致横向联邦学习建模的效率较低，所以，现有的横向联邦学习的效率较低。

发明内容

本申请的主要目的在于提供一种横向联邦学习建模优化方法、设备、介质及程序产品，旨在解决现有技术中横向联邦学习效率低的技术问题。

为实现上述目的，本申请提供一种横向联邦学习建模优化方法，应用于参与方设备，所述横向联邦学习建模优化方法包括：

获取第一本地训练样本和护照嵌入样本数据，并依据具备护照嵌入模块的本地私有模型和本地共享模型，将所述第一本地训练样本和所述护照嵌入样本数据映射为具备护照嵌入的第一输出预测标签；

基于所述第一输出预测标签对应的模型损失，迭代更新所述本地私有模型和所述本地共享模型；

将迭代更新后的本地共享模型发送至横向联邦服务器，以供所述横向联邦服务器对各联邦参与方发送的本地共享模型进行聚合，得到全局共享模型；

接收所述横向联邦服务器发送的全局共享模型，并依据所述全局共享模型，优化所述本地私有模型，得到目标私有模型。

本申请还提供一种横向联邦学习建模优化装置，所述横向联邦学习建模优化装置为虚拟装置，且所述横向联邦学习建模优化装置应用于参与方设备，所述横向联邦学习建模优化装置包括：

映射模块，用于获取第一本地训练样本和护照嵌入样本数据，并依据具备护照嵌入模块的本地私有模型和本地共享模型，将所述第一本地训练样本和所述护照嵌入样本数据映射为具备护照嵌入的第一输出预测标签；

迭代更新模块，用于基于所述第一输出预测标签对应的模型损失，迭代更新所述本地私有模型和所述本地共享模型；

发送模块，用于将迭代更新后的本地共享模型发送至横向联邦服务器，以供所述横向联邦服务器对各联邦参与方发送的本地共享模型进行聚合，得到全局共享模型；

优化模块，用于接收所述横向联邦服务器发送的全局共享模型，并依据所述全局共享模型，优化所述本地私有模型，得到目标私有模型。