【技术实现步骤摘要】
基于KMeans的跨特征联邦聚类方法及相关设备
[0001]本公开涉及联邦学习领域，具体而言，涉及一种基于Kmeans的跨特征联邦聚类方法、装置、电子设备和计算机可读介质。
技术介绍
[0002]知识联邦指的是将散落在不同机构或个人的数据联合起来，转换成有价值的知识，同时在联合过程中采用安全协议来保护数据隐私。知识联邦不是一种单一的技术方法，它是一套理论框架体系，是人工智能、大数据、密码学等几个领域交叉融合的产物。
[0003]在不同的机构可能保存着同一样本对应的不同的特征数据，例如，不同的电商平台可能存储了同一用户的不同数据，如果各个机构仅仅依赖本地保存的特征数据对样本进行聚类，那么聚类往往达不到最优效果；并且没有充分利用到各个机构的数据中的“知识”。如果要将各个机构的数据统一获取再统一进行聚类，又会侵犯数据的隐私安全，因此，在实际应用场景中，难以兼顾数据的隐私安全与数据的充分利用。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员...
【技术保护点】
【技术特征摘要】
1.一种基于Kmeans的跨特征联邦聚类方法，其特征在于，所述联邦包括多个参与方，和至少一个协调方，应用于所述协调方，所述方法包括：接收各个参与方发送的第一距离，其中，所述第一距离为样本对象在参与方本地存储的特征数据与所述参与方的聚类中心之间的距离；结合各个所述参与方的第一距离，确定所述样本对象与各个聚类中心的联邦距离；根据所述联邦距离更新所述样本对象的聚类标签；将所述聚类标签返回至各个参与方，以使所述参与方对本地存储的特征数据进行聚类。2.根据权利要求1所述的方法，其特征在于，所述参与方的聚类中心的初始值为所述参与方本地存储的目标样本的特征数据，其中，所述目标样本为所述参与方本地存储的一个样本对象。3.根据权利要求1所述的方法，其特征在于，结合各个所述参与方的第一距离，确定所述样本对象与各个聚类中心的联邦距离包括：针对同一聚类中心，根据所述样本对象的样本标识将所述样本对象在各个参与方中与该所述聚类中心的第一距离进行加和，得到所述样本对象与该所述聚类中心的联邦距离；其中，所述各个参与方中，对应的所述样本标识相同的聚类中心为同一聚类中心。4.根据权利要求1所述的方法，其特征在于，所述根据所述联邦距离确定所述样本对象的聚类标签包括；根据所述样本对象与各个聚类中心的联邦距离中的最小值，确定所述样本对象对应的目标聚类中心；将所述目标聚类中心对应的目标样本标识作为所述样本对象的聚类标签。5.根据权利要求1所述的方法，其特征在于，所述将所述聚类标签返回至各个参与方，以使所述参与方对本地存储的特征数据进行聚类之后，还包括：接收各个所述参与方发送的偏移量，其中，所述偏移量为所述参与方进行聚类之后的类簇的新聚类中心与聚类之前的所述聚类中心之间的距离；根据各个所述参与方发送的偏移量，计算每一类簇的联邦偏移量；根据所述每一类簇的联邦偏移量确定是否继续聚类，若继续聚类则基于当前的类簇更新所述样本对象的聚类标签。6.根据权利要求5所述的方法，其特征在于，所述根据所述每一类簇的联邦偏移量确定是否继续聚类包括：将所述每一类簇的联邦偏移量发送至各个参与方，以使所述参与方确定是否继续聚类。7.根据权利要求5所述的方法，其特征在于，所述方法还包括：记录当前的聚类次数；当所述聚类次数超过预定迭代次数时，结束聚类；当所述聚类次数未超过所述预定迭代次数时，继续聚类。8.根据权利要求1
‑
7任一项所述的方法，其特征在于，所述将所述聚类标签返回至各个参与方，以使所述参与方对本地存储的特征数据进行聚类之后，还包括：
获取参与方计算的样本对象对应的类内距离和类间距离；结合各个参与方的同一样本对象的所述类内距离和所述类间距离计算聚类评价指标，并返回至所述参与方。9.一种基于Kmeans的跨特征联邦聚类方法，其特征在于，所述知识联邦包括多个参与方，和至少一个协调方，应用于所述参与方，所述方法包括：从本地存储的特征数据中确定聚类中心的初始值；计算样本对象对应的本地存储的特征数据分别与各个所述聚类中心的第一距离；将所述第一距离发送至所述协调方，通过所述协调方确定所述特征数据的聚类标签，以对所述样本对象进行聚类。10.根据权利要求9所述的方法，其特...
【专利技术属性】
技术研发人员：朱帆，孟丹，李宏宇，李晓林，
申请(专利权)人：同盾控股有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。