[发明专利]多方安全计算、学习模型的训练方法、系统、设备及介质

权利要求书

1.一种多方安全计算方法，其特征在于，应用于至少一个发起方与至少一个参与方之间数据共享场景中，所述方法包括：

分别获取所述发起方对应的第一特征矩阵与所述参与方对应的第二特征矩阵；

对所述第二特征矩阵中的每个特征进行随机预聚类压缩处理得到对应的聚类矩阵和聚类索引；

基于所述聚类矩阵构建稀疏矩阵，基于所述聚类索引对所述第一特征矩阵进行预聚合计算得到聚合矩阵；

对所述稀疏矩阵进行碎片化处理得到第一碎片矩阵，对所述聚合矩阵进行碎片化处理得到第二碎片矩阵；

基于每个所述特征对应的所述第一碎片矩阵和所述第二碎片矩阵进行多方安全计算以得到多方安全计算结果。

2.如权利要求1所述的多方安全计算方法，其特征在于，所述随机预聚类压缩处理的步骤，包括：

在每个所述特征中随机选取若干特征值作为该对应特征的聚类中心；

基于预设聚类规则将所述第二特征矩阵的其余特征值聚类至所述聚类中心处，以得到与各个所述聚类中心相对应的聚类矩阵和聚类索引。

3.如权利要求2所述的多方安全计算方法，其特征在于，所述基于所述聚类矩阵构建稀疏矩阵，包括：

根据所述聚类中心和预设分桶数对所述聚类矩阵中的特征进行分桶处理以得到子稀疏矩阵；

将全部的所述子稀疏矩阵进行拼接以得到所述稀疏矩阵。

4.如权利要求3所述的多方安全计算方法，其特征在于，所述第一特征矩阵包括一阶梯度特征矩阵和二阶梯度特征矩阵；

所述基于所述聚类索引对所述第一特征矩阵进行预聚合计算得到聚合矩阵，包括：

基于所述聚类索引对所述一阶梯度特征矩阵进行预聚合计算得到一阶聚合矩阵；

基于所述聚类索引对所述二阶梯度特征矩阵进行预聚合计算得到二阶聚合矩阵。

5.如权利要求4所述的多方安全计算方法，其特征在于，在所述基于所述聚类索引对所述第一特征矩阵进行预聚合计算得到聚合矩阵之后，所述方法还包括：

对所述一阶聚合矩阵进行扩展处理以得到第一聚合矩阵，对所述二阶聚合矩阵进行扩展处理以得到第二聚合矩阵；

所述对所述聚合矩阵进行碎片化处理得到第二碎片矩阵，包括：

对所述第一聚合矩阵进行碎片化处理得到第一子碎片矩阵，对所述第二聚合矩阵进行碎片化处理得到第二子碎片矩阵；

基于所述第一子碎片矩阵和所述第二子碎片矩阵得到所述第二碎片矩阵。

6.如权利要求5所述的多方安全计算方法，其特征在于，所述基于每个所述特征对应的所述第一碎片矩阵和所述第二碎片矩阵进行多方安全计算以得到多方安全计算结果，包括：

基于每个所述特征对应的所述第一碎片矩阵、第一子碎片矩阵和所述第二子碎片矩阵进行点乘计算，得到第一计算结果；

将每个所述特征对应的第一计算结果进行求和计算得到一阶梯度直方图和二阶梯度直方图；

将所述一阶梯度直方图和所述二阶梯度直方图进行拼接处理以得到所述多方安全计算结果。

7.一种联邦学习模型的训练方法，其特征在于，所述训练方法包括：

分别获取发起方和参与方的求交特征数据集；

利用所述求交特征数据集构建XGBoost树模型；

通过如权利要求1-6中任一项所述的多方安全计算方法得到的聚合矩阵以计算所述XGBoost树模型的最优分割点；

利用所述最优分割点更新所述XGBoost树模型；

将待预测的数据输入至更新后的所述XGBoost树模型进行预测，得到预测结果。