[发明专利]多分类梯度提升树的构建方法、装置及电子设备

权利要求书

1.一种多分类梯度提升树的构建方法，其特征在于，基于联邦学习系统，所述联邦学习系统包括协作方设备及至少两个参与方设备，所述方法包括：

协作方设备获取各参与方设备的训练样本集合中各训练样本对应的梯度；其中，各所述参与方设备的训练样本集合构成样本总集；

依据梯度大小，对所述样本总集中的训练样本进行排序，得到样本序列；

确定所述样本序列的样本分位点，并基于所述样本分位点确定所述样本总集中的多个关键样本；

确定所述多个关键样本中归属于各所述参与方设备的关键样本，并确定各所述参与方设备对应的目标非关键样本的数量；

发送所述关键样本及目标非关键样本的数量至相应的所述参与方设备，以使各所述参与方设备基于所述关键样本及目标非关键样本的数量，协同所述协作方设备构建所述多分类梯度提升树。

2.根据权利要求1所述的方法，其特征在于，所述确定所述样本序列的样本分位点，并基于所述样本分位点确定所述样本总集中的多个关键样本，包括：

获取预先设定的关键样本比例以及所述样本总集的样本总量；

将所述关键样本比例与所述样本总量进行相乘处理，确定所述样本总集中关键样本的数量；

基于所述关键样本的数量，确定所述样本序列的样本分位点；

基于所述样本分位点，从所述样本序列中选取所述数量的训练样本，作为所述多个关键样本。

3.根据权利要求1所述的方法，其特征在于，所述确定所述多个关键样本中归属于各所述参与方设备的关键样本，包括：

获取所述各参与方设备的训练样本集合中各训练样本所对应的第一标识、以及所述样本总集中各关键样本对应的第二标识；

将所述第一标识与所述第二标识进行匹配，并基于匹配结果确定所述多个关键样本中归属于各所述参与方设备的关键样本。

4.根据权利要求1所述的方法，其特征在于，所述确定各所述参与方设备对应的目标非关键样本的数量，包括：

获取预先设定的目标非关键样本比例以及所述样本总集的样本总量；

将所述样本总量与所述关键样本的数量进行相减处理，确定非关键样本的数量；

将所述目标非关键样本比例与所述非关键样本的数量进行乘积处理，确定所述目标非关键样本的总数量；

基于所述目标非关键样本的总数量，确定各所述参与方设备对应的目标非关键样本的数量。

5.根据权利要求4所述的方法，其特征在于，所述基于所述目标非关键样本的总数量，确定各所述参与方设备对应的目标非关键样本的数量，包括：

从所述样本序列中筛除所述多个关键样本，得到非关键样本序列；

获取所述目标非关键样本与各所述参与方设备的归属关系；

基于所述目标非关键样本的总数量、所述归属关系以及所述非关键样本序列，确定各所述参与方设备对应的目标非关键样本的数量。

6.根据权利要求4所述的方法，其特征在于，所述基于所述目标非关键样本的总数量，确定各所述参与方设备对应的目标非关键样本的数量，包括：

获取各个所述参与方设备对应的目标非关键样本的数量最小值；

依据所述数量最小值、各所述参与方设备的训练样本总量，以及各所述参与方设备的关键样本的数量，确定各所述参与方设备对应的目标非关键样本的数量。

7.根据权利要求4所述的方法，其特征在于，所述基于所述目标非关键样本的总数量，确定各所述参与方设备对应的目标非关键样本的数量，包括：

获取各所述参与方设备的重要程度，并基于所述重要程度确定各所述参与方设备对应的目标非关键样本的比例；

基于各所述参与方设备对应的目标非关键样本的比例，以及所述目标非关键样本的总数量，确定各所述参与方设备对应的目标非关键样本的数量。