基于差分隐私的决策树建模方法、预测方法、设备及介质技术

本发明专利技术公开了基于差分隐私的决策树建模方法、预测方法、设备及介质，该决策树建模方法利用差分隐私保护一阶导数和二阶导数，通过产生随机浮点数Δrate，只会随机发送一部分导数到被动方，被动方无法通过收到的一阶导数和二阶导数进行反推标签y，同时因为主动方知道Δrate的具体值，所以主动方可以通过Δrate将被动方返还的各个分箱的导数和还原，从而不影响计算最佳切分点。该决策树预测方法包括获取待测样本，并将待测样本输入至决策树分类模型中，以通过决策树分类模型获得待测样本的预测分类结果；所述决策树分类模型采用所述决策树建模方法构建得到的决策树分类模型。本发明专利技术避免了密文计算，大大降低了CPU开销和网络开销。大大降低了CPU开销和网络开销。大大降低了CPU开销和网络开销。

【技术实现步骤摘要】
基于差分隐私的决策树建模方法、预测方法、设备及介质


[0001]本专利技术涉及人工智能领域、数据保护
，具体涉及基于差分隐私的决策树建模方法、预测方法、设备及介质。

技术介绍

[0002]目前数据隐私安全越来越受到重视，但是人工智能的模型的精度则很大程度上依赖于数据的维度。在个人隐私数据保护以及商业利益的共同驱动下，诞生了联邦学习技术。该技术能够在不使用个人隐私数据的情况下完成机器学习建模。
[0003]在联邦学习实现的众多模型中，最常用的算法模型就是secureboost。该算法是xgboost算法的联邦学习版本，是一种集成多棵决策树的联合建模方法，该方法于2019年年底由微众银行提出。
[0004]在原有的解决方案当中，为了保障建模的主动方不泄露标签y，主动方发送给合作方的一阶导数g以及二阶导数h均采用同态加密算法加密后发送，被动方此时由于没有解密私钥，无法通过[[g]]和[[h]]反推主动方的标签列y，但被动方可以计算各个分桶的一阶导数的和以及二阶导数的和。求得各个分桶的导数和信息之后返还给主动方，主动方解密后就能计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于差分隐私的决策树建模方法，其特征在于，该决策树建模方法应用于进行联邦学习和差分隐私的第一设备，第一设备采用联邦学习和差分隐私与第二设备进行交互，所述第一设备作为主动方，第二设备作为被动方；该决策树建模方法包括：S1：主动方对每个建模特征数据进行初始化，给出初始随机预测值计算每个建模特征数据的一阶导数g
i
和二阶导数h
i
，及生成一个随机浮点数Δrate；将各个建模特征数据的一阶导数g
i
和二阶导数h
i
均乘以随机浮点数Δrate后发送给被动方，即主动方发送g
i
Δrate和h
i
Δrate到被动方；S2：被动方根据分箱数对各个建模特征数据进行等频分箱，并对每个箱当中的g
i
Δrate以及h
i
Δrate进行求和，并将所有建模特征数据的各个分箱的一阶导数和、二阶导数和返回给主动方；S3：主动方根据随机浮点数Δrate还原真实的导数和，计算每个可能的分位点增益，并记录最大增益所在的特征数据编号以及分裂点信息，进行一层分裂；S4：主动方反复执行步骤S2～S3，直至满足停止条件，构建得到建模决策树。2.根据权利要求1所述的基于差分隐私的决策树建模方法，其特征在于，步骤S1中一阶导数二阶导数二阶导数为初始随机预测值，y
i
为样本数据的真实标签值。3.根据权利要求1所述的基于差分隐私的决策树建模方法，其特征在于，步骤S1中生成一个随机浮点数Δrate，其中Δrate的取值为0到1之间的一个随机浮点数。4.根据权利要求1所述的基于差分隐私的决策树建模方法，其特征在于，步骤S2包括以下子步骤：被动方根据分箱数对各个建模特征数据进行等频分箱；被动方对每个箱当中的g
i
Δrate以及h
i
Δrate进行求和，得到一阶导数和gbin
t
＝∑
i∈t
g
i
...

【专利技术属性】
技术研发人员：谢世茂，王耀乐，李开宇，
申请(专利权)人：四川新网银行股份有限公司，
类型：发明
国别省市：