因子分解机回归模型构建方法、设备及可读存储介质技术

本申请公开了一种因子分解机回归模型构建方法、设备及可读存储介质，所述因子分解机回归模型构建方法包括：与第二设备进行秘密共享，获得秘密共享模型参数和秘密共享训练数据，基于所述秘密共享训练数据和所述秘密共享模型参数，与所述第二设备进行纵向联邦学习建模，计算秘密共享回归误差，基于所述秘密共享回归误差，确定第一目标回归模型参数，并协助所述第二设备确定第二目标回归模型参数，以构建纵向联邦因子分解机回归模型。本申请解决了基于纵向联邦学习建模构建回归模型时无法保护各参与方的数据隐私的技术问题。

【技术实现步骤摘要】
因子分解机回归模型构建方法、设备及可读存储介质
本申请涉及金融科技(Fintech)的人工智能领域，尤其涉及一种因子分解机回归模型构建方法、设备及可读存储介质。
技术介绍
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。随着计算机软件和人工智能的不断发展，联邦学习的应用领域也越来越广泛，目前，纵向联邦学习建模通常采用不加密的两方联邦学习方法或者同态加密的两方纵向联邦学习建模方法进行回归模型的构建，但是，对于不加密的两方联邦学习方法存在数据泄露风险，无法保护纵向联邦学习建模的各参与方的数据隐私，而对于同态加密的两方纵向联邦学习建模方法，需要一个第三方来生成密钥对，提供加密与解密服务，则必需要求第三方可信，若第三方不可信或者可信度较低，则仍然具有泄露数据的风险，纵向联邦学习建模的各参与方的数据隐私仍然得不到保护。
技术实现思路
本申请的主要目的在于提供一种因子分解机本文档来自技高网...

【技术保护点】
1.一种因子分解机回归模型构建方法，其特征在于，所述因子分解机回归模型构建方法应用于第一设备，所述因子分解机回归模型构建方法包括：/n与第二设备进行秘密共享，获得秘密共享模型参数和秘密共享训练数据；/n基于所述秘密共享训练数据和所述秘密共享模型参数，与所述第二设备进行纵向联邦学习建模，计算秘密共享回归误差；/n基于所述秘密共享回归误差，确定第一目标回归模型参数，并协助所述第二设备确定第二目标回归模型参数，以构建纵向联邦因子分解机回归模型。/n

【技术特征摘要】
1.一种因子分解机回归模型构建方法，其特征在于，所述因子分解机回归模型构建方法应用于第一设备，所述因子分解机回归模型构建方法包括：
与第二设备进行秘密共享，获得秘密共享模型参数和秘密共享训练数据；
基于所述秘密共享训练数据和所述秘密共享模型参数，与所述第二设备进行纵向联邦学习建模，计算秘密共享回归误差；
基于所述秘密共享回归误差，确定第一目标回归模型参数，并协助所述第二设备确定第二目标回归模型参数，以构建纵向联邦因子分解机回归模型。


2.如权利要求1所述因子分解机回归模型构建方法，其特征在于，所述秘密共享模型参数包括第一类型共享参数和第二类型共享参数，所述秘密共享训练数据包括秘密共享标签数据，
所述基于所述秘密共享训练数据和所述秘密共享模型参数，与所述第二设备进行纵向联邦学习建模，计算秘密共享回归误差的步骤包括：
基于预设秘密共享机制，通过与所述第二设备进行联邦交互，计算所述第二类型共享参数和所述秘密共享训练数据共同对应的秘密共享交叉特征项内积；
基于所述预设秘密共享机制，通过与所述第二设备进行联邦交互，计算所述秘密共享交叉特征项内积、所述秘密共享训练数据、所述第一类型共享参数和所述第二类型共享参数共同对应的秘密共享中间参数；
将所述秘密共享中间参数和所述秘密共享标签数据代入预设回归误差计算公式，计算所述秘密共享回归误差。


3.如权利要求2所述因子分解机回归模型构建方法，其特征在于，所述第二类型共享参数包括第一共享第二类型模型参数和第二共享第二类型模型参数，所述秘密共享训练数据包括第一共享训练数据和第二共享训练数据，所述秘密共享交叉特征项内积包括第一交叉特征项内积和第二交叉特征项内积，所述预设秘密共享机制包括秘密共享乘法，
所述基于预设秘密共享机制，通过与所述第二设备进行联邦交互，计算所述第二类型共享参数和所述秘密共享训练数据共同对应的秘密共享交叉特征项内积的步骤包括：
基于所述秘密共享乘法，通过与所述第二设备进行联邦交互，计算所述第一共享第二类型模型参数中各元素和所述第一共享训练数据中各元素之间的交叉内积，获得各第一元素交叉内积；
基于所述秘密共享乘法，通过与所述第二设备进行联邦交互，计算所述第二共享第二类型模型参数中各元素和所述第二共享训练数据中各元素之间的交叉内积，获得各第二元素交叉内积；
分别对各所述第一元素交叉内积和各所述第二元素交叉内积进行累加，获得各所述第一元素交叉内积对应的所述第一交叉特征项内积和各所述第二元素交叉内积对应的所述第二交叉特征项内积。


4.如权利要求2所述因子分解机回归模型构建方法，其特征在于，所述预设秘密共享机制包括秘密共享乘法和秘密共享加法，
所述基于所述预设秘密共享机制，通过与所述第二设备进行联邦交互，计算所述秘密共享交叉特征项内积、所述秘密共享训练数据、所述第一类型共享参数和所述第二类型共享参数共同对应的秘密共享中间参数的步骤包括：
基于所述秘密共享乘法，通过与所述第二设备进行联邦交互，计算所述第一类型共享参数和所述秘密共享训练数据共同对应的第一中间参数项；
基于所述秘密共享加法和所述秘密共享乘法，计算所述秘密共享交叉特征项内积、所述秘密共享训练数据和所述第二类型共享参数共同对应的第二中间参数项；
基于所述第一中间参数项和所述第二中间参数项，计算所述秘密共享中间参数。


5.如权利要求1所述因子分解机回归模型构建方法，其特征在于，所述秘密共享模型参数包括第一共享参数和第二共享参数，所述秘密共享训练数据包括第一共享训练数据和第二共享训练数据，
所述与第二设备进行秘密共享，获得秘密共享模型参数和秘密共享训练数据的步骤包括：
获取第一方模型参数和第一方训练标签数据，并将所述第一方模型参数的第一份额作为所述第一共享参数；
将所述第一方模型参数的第二份额发送至所述第二设备，以供所述第二设备确定第三共享参数；
接收所述第二设备发送的第二共享参数，其中，所述第二共享参数为第二设备获取的第二方模型参数的第二份额，且所述第二方模型参数的第一份额为所述第二设备的第四共享参数；
将所述第一方训练标签数据的第一份额作为所述第一共享训练数据，并将所述第一方训练标签数据的第二份额发送至所述第二设备，以供所述第二设备确定第三共享训练数据；
接收第二设备发送的第二共享训练数据，其中，所述第二共享训练数据为第二设备获取的第二方训练数据的第二份额，且所述第二方训练数据的第一份额为所述第二设备的第四共享训练数据。


6.如权利要求1所述因子分解机回归模型构建方法，其特征在于，所述基于所述秘密共享回归误差，确定第一目标回归模型参数，并协助所述第二设备确定第二目标回归模型参数的步骤包括：...

【专利技术属性】
技术研发人员：高大山，鞠策，杨强，郑文琛，谭奔，杨柳，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44