[发明专利]一种联邦学习方法、装置、设备、存储介质及计算机程序

权利要求书

1.一种联邦学习方法，其特征在于，应用于第一计算设备，所述方法包括：

从训练数据集对应的数据特征中确定至少一个目标特征，所述目标特征对应决策树模型中的至少两个决策走向；

以所述至少一个目标特征为模型构建基础，得到n个候选决策树模型，n的取值与所述目标特征的数量对应；

基于所述n个候选决策树模型对所述训练数据集中训练数据的预测结果，从所述n个候选决策树模型中确定至少一个候选决策树模型作为目标决策树模型；

将所述目标决策树模型发送至第二计算设备，所述第二计算设备用于接收所述第一计算设备发送的所述目标决策树模型，并对包括所述目标决策树模型的至少两个决策树模型进行融合，得到联邦学习模型。

2.根据权利要求1所述的方法，其特征在于，所述以所述至少一个目标特征为模型构建基础，得到n个候选决策树模型，包括：

基于所述目标特征和所述决策走向，对应生成至少两个叶子节点；

基于决策树模型的分类数量对所述至少两个叶子节点分别赋值，得到标注有叶子节点值的至少两个叶子节点；

基于所述目标特征、所述决策走向和所述标注有叶子节点值的至少两个叶子节点，构建得到所述n个候选决策树模型。

3.根据权利要求2所述的方法，其特征在于，所述决策树模型为二分类模型；

所述基于决策树模型的分类数量对所述至少两个叶子节点分别赋值，得到标注有叶子节点值的至少两个叶子节点，包括：

基于二分类模型的二分类标准，对所述叶子节点进行赋值，得到标注有叶子节点值的至少两个叶子节点，所述二分类标准用于指示每个叶子节点存在两种赋值情况。

4.根据权利要求2所述的方法，其特征在于，所述基于所述目标特征和所述决策走向，对应生成至少两个叶子节点，包括：

将所述目标特征中的第一目标特征作为所述决策树模型的根节点，所述第一目标特征为所述目标特征中任意一个特征；

基于所述决策走向，对应生成与所述根节点具有关联关系的所述叶子节点；或者，基于所述根节点对应的决策走向，确定与所述根节点具有关联关系的关联节点，所述关联节点用于指示第二目标特征，所述第二目标特征为所述目标特征中除所述第一目标特征之外的任意特征；基于所述关联节点对应的决策走向，生成与所述关联节点具有关联关系的叶子节点。

5.根据权利要求2所述的方法，其特征在于，所述基于所述n个候选决策树模型对所述训练数据集中训练数据的预测结果，从所述n个候选决策树模型中确定至少一个候选决策树模型作为目标决策树模型，包括：

将所述训练数据集中的训练数据输入所述候选决策树模型中，确定所述训练数据对应的预测标签；

将所述预测标签与所述训练数据的参考标签进行匹配，得到预测结果，所述参考标签用于指示所述训练数据的参考分类情况；

基于所述n个候选决策树模型对所述训练数据分别对应的预测结果，从所述n个候选决策树模型中确定至少一个候选决策树模型作为目标决策树模型。

6.根据权利要求5所述的方法，其特征在于，所述基于所述n个候选决策树模型对所述训练数据分别对应的预测结果，从所述n个候选决策树模型中确定至少一个候选决策树模型作为目标决策树模型，包括：

基于所述n个候选决策树模型对所述训练数据分别对应的预测结果，确定n个候选决策树模型分别对应的匹配分数；

基于n个候选决策树模型分别对应的匹配分数，确定至少一个候选决策树模型作为所述目标决策树模型。

7.根据权利要求6所述的方法，其特征在于，所述基于n个候选决策树模型分别对应的匹配分数，确定至少一个候选决策树模型作为所述目标决策树模型，包括：

基于所述匹配分数，确定n个候选决策树模型分别对应的选定概率，所述选定概率用于指示所述候选决策树模型被选定作为所述目标决策树模型的概率；

将所述选定概率符合预设概率条件的候选决策树模型作为所述目标决策树模型。