[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

说明书

本申请公开了一种联邦学习方法、装置、设备、存储介质及计算机程序，涉及计算机技术领域。该方法包括：从训练数据集对应的数据特征中确定至少一个目标特征；以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；基于n个候选决策树模型对训练数据集中训练数据的预测结果，从n个候选决策树模型中确定目标决策树模型；将目标决策树模型发送至第二计算设备，第二计算设备对包括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。通过以上方式，第一计算设备在保护数据隐私的条件下向第二计算设备进行一次决策树模型发送，使得构建联邦学习模型的过程更便捷。本申请可应用于云技术、人工智能、智慧交通等各种场景。

技术领域

本申请实施例涉及计算机技术领域，特别涉及一种联邦学习方法、装置、设备、存储介质及计算机程序。

背景技术

随着计算机技术的发展，联邦学习逐渐成为一个热门课题，联邦学习通过多方协作完成机器学习和深度学习模型的训练，在保护用户隐私和数据安全的同时，解决了数据孤岛的问题，联邦学习包括横向联邦学习、纵向联邦学习和联邦迁移学习。

相关技术中，对于横向联邦学习，通常由参与方将加密后的模型参数发送给联邦服务器，联邦服务器对模型参数进行调整后发送给参与方，参与方基于本端数据对模型参数继续调整并再次发送至联邦服务器，联邦服务器与参与方迭代上述调整过程直至模型参数达到标准，停止调整过程，得到联邦训练模型，通过联邦训练模型实现保护数据安全性和隐私性的需求。

然而，在上述过程中，由于联邦服务器与参与方迭代调整模型参数的过程需要消耗大量的通信开销，无法在保证安全的条件下高效地与参与方构建联邦学习模型，无法实现保护数据隐私的同时减少通信消耗。

发明内容

本申请实施例提供了一种联邦学习方法、装置、设备、存储介质及计算机程序，能够在保护数据隐私的条件下减少通信消耗。所述技术方案如下。

一方面，提供了一种联邦学习方法，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。

另一方面，提供了另一种联邦学习方法，所述方法包括：

接收第一计算设备发送的目标决策树模型，所述第一计算设备用于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；

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；

基于所述联邦学习模型，对本端的至少一个分析数据进行数据分析，得到数据分析结果；或者，将所述联邦学习模型发送至所述第一计算设备，所述第一计算设备用于基于所述联邦学习模型，对本端的至少一个分析数据进行数据分析，得到数据分析结果。

另一方面，提供了一种联邦学习系统，所述系统包括第一计算设备和第二计算设备；