[发明专利]联邦学习模型的数据处理方法、装置及存储介质

说明书

本申请提供了一种联邦学习模型的数据处理方法，应用于第一参与方设备；方法包括：获取第一参与方设备提供的用于训练联邦学习模型的至少一个第一特征；接收第二参与方设备发送的至少一个匿名特征，匿名特征与用于训练联邦学习模型的第二特征相对应；从第一特征及匿名特征中选取至少一个特征，获取各特征对应联邦学习模型的预测结果；基于各特征，构建线性模型的训练样本，并基于训练样本以及预测结果，训练线性模型，得到线性模型收敛时的模型参数；基于模型参数，确定各第一特征对应的第一贡献信息，以及各匿名特征对应的第二贡献信息。通过本申请，能够衡量单条样本中每个特征的贡献信息，同时能够有效减少模型的计算量，提高计算效率。

技术领域

本申请涉及人工智能技术，尤其涉及一种联邦学习模型的数据处理方法、装置、电子设备及计算机可读存储介质。

背景技术

随着各行各业逐渐加强数据隐私保护的大趋势下，联邦学习，一种可以在保护数据隐私的情况下协同多方数据建立机器学习的技术，成为了各企业、行业间合作的关键之一。

在金融、风控领域，联邦机器学习模型使用者往往想要知道，单条模型输入中的各特征对于模型输出的正向与负向影响。如对于某个特定样本(比方说违约的客户)，具体是哪个特征以及该特征的哪些取值，对确定该用户是违约用户产生了重要的影响。另外，还需要确定合作方提供的特征对于模型输出的正向与负向影响。因此，对联邦机器学习模型的可解释性显得尤为重要。

相关联邦学习模型解释方案，通过获取特征重要度从整体上对模型进行解释，无法具体的解释单条样本中各特征的特征重要度，且确定特征重要度时模型计算量非常庞大，实际部署成本高。

发明内容

本申请实施例提供一种联邦学习模型的数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够衡量单条样本中每个特征的贡献信息，同时能够有效减少模型的计算量，提高计算效率。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种联邦学习模型的数据处理方法，应用于第一参与方设备，包括：

获取所述第一参与方设备提供的用于训练所述联邦学习模型的至少一个第一特征；

接收第二参与方设备发送的至少一个匿名特征，所述匿名特征与用于训练所述联邦学习模型的第二特征相对应；

从所述第一特征以及所述匿名特征中选取至少一个特征，并获取各所述特征对应所述联邦学习模型的预测结果；

基于所述至少一个特征，构建线性模型的训练样本，并基于所述训练样本以及所述预测结果，对所述线性模型进行训练，得到所述线性模型收敛时的模型参数；

基于所述模型参数，确定各所述第一特征对应所述预测结果的第一贡献信息，以及各所述匿名特征对应所述预测结果的第二贡献信息。

本申请实施例提供一种联邦学习模型的数据处理装置，包括：

获取模块，用于获取所述第一参与方设备提供的用于训练所述联邦学习模型的至少一个第一特征；

接收模块，用于接收第二参与方设备发送的至少一个匿名特征，所述匿名特征与用于训练所述联邦学习模型的第二特征相对应；

选取模块，用于从所述第一特征以及所述匿名特征中选取至少一个特征，并获取各所述特征对应所述联邦学习模型的预测结果；

训练模块，用于基于所述至少一个特征，构建线性模型的训练样本，并基于所述训练样本以及所述预测结果，对所述线性模型进行训练，得到所述线性模型收敛时的模型参数；

确定模块，用于基于所述模型参数，确定各所述第一特征对应所述预测结果的第一贡献信息，以及各所述匿名特征对应所述预测结果的第二贡献信息。