【技术实现步骤摘要】
两方横向联邦学习方法和用于两方横向联邦学习的装置
[0001]本专利技术涉及多方安全计算领域，尤其涉及一种两方横向联邦学习方法和用于两方横向联邦学习的装置。
技术介绍
[0002]在涉及多个数据方的数据融合计算过程中，传统的数据计算方式存在数据隐私泄露的风险。隐私计算平台可以在加密数据上直接进行计算，虽然牺牲了一定的计算效率，但是可以在保证数据隐私安全的基础上实现多方数据的融合计算。
[0003]联邦学习指的是拥有数据的各个数据方，在不共享受保护的隐私数据且自有数据不传递到外部的前提下，通过加密的方式交换模型相关信息从而实现协同优化联邦学习模型。
[0004]当前实现联邦学习的方式主要有两种，一种是通过半同态方法进行梯度聚合，另一种通过秘密分享进行梯度聚合。当只有两方参与横向联邦学习时，虽然梯度聚合过程是加密的，但对方的梯度可以通过本方梯度与聚合后梯度计算得出，因此原始数据信息存在被暴露的风险。
技术实现思路
[0005]本专利技术实施例提供一种两方横向联邦学习方法和用于两方横向联邦学习的装置...
【技术保护点】
【技术特征摘要】
1.一种两方横向联邦学习方法，其特征在于，应用于参与方，所述方法用于利用两个参与方的本地数据集对联邦学习模型进行迭代训练，所述方法包括：利用本地数据集模拟至少两个虚拟参与方，每个虚拟参与方持有虚拟数据集，所述虚拟数据集是所述参与方的本地数据集的子集；利用所述至少两个虚拟参与方持有的虚拟数据集对所述联邦学习模型进行训练，得到每个虚拟参与方对应的第一参数；对各个虚拟参与方的第一参数进行聚合计算，得到第二参数；基于加密协议对所述第二参数进行加密，得到参数密文；将所述参数密文发送至协同方，以使所述协同方对两个参与方的参数密文进行聚合计算得到聚合参数；接收所述协同方返回的聚合参数；基于所述聚合参数对所述联邦学习模型进行迭代更新，直至满足预设终止条件得到训练完成的联邦学习模型。2.根据权利要求1所述的方法，其特征在于，所述利用本地数据集模拟至少两个虚拟参与方，包括：对本地数据集分别进行N次随机采样，得到N个虚拟数据集，N为正整数，且N≥2；或者，将本地数据集平均分为N份，得到N个虚拟数据集；基于所述N个虚拟数据集构建N个虚拟参与方，每个虚拟参与方持有一个虚拟数据集。3.根据权利要求1所述的方法，其特征在于，所述基于所述聚合参数对所述联邦学习模型进行迭代更新，直至满足预设终止条件得到训练完成的联邦学习模型，包括：在每一轮训练中，基于所述聚合参数更新所述联邦学习模型的本地参数，并判断是否满足预设终止条件；若确定满足预设终止条件，则结束训练，得到训练完成的联邦学习模型；若确定不满足预设终止条件，则利用本地数据集重新模拟至少两个虚拟参与方，并利用重新模拟的至少两个虚拟参与方持有的虚拟数据集对更新后的联邦学习模型进行下一轮迭代训练。4.根据权利要求1所述的方法，其特征在于，所述对各个虚拟参与方的第一参数进行聚合计算，得到第二参数，包括：计算各个虚拟参与方的第一参数的平均值，得到第二参数。5.一种两方横向联邦学习方法，其特征在于，应用于协同方，所述方法用于利用两个参与方的本地数据集对联邦学习模型进行迭代训练，所述方法包括：接收两个参与方发送的参数密文；对所述两个参与方的参数密文进行聚合计算，得到聚合参数；将所述聚合参数分别发送至所述两个参与方，以使所述两个参与方分别利用所述聚合参数对所述联邦学习模型进行下一轮迭代训练。6.一种两方横向联邦学习装置，其特征在于，应用于参与方，所述装置用于利用两个参与方的本地数据集对联邦学习模型进行迭代训练，所述装置包括：参与方模拟模块，用于利用本地数据集模拟至少两个虚拟参与方，每个虚拟参与方持有虚拟数据集，所述虚拟数据集是所述参与方的本地数据集的子集；
模型训练模块，用于利用所述至少两个虚拟参与方持有的虚拟数据集对所述联邦学习模型进行训练，得到每个虚拟参与方对应...
【专利技术属性】
技术研发人员：杨桂林，
申请(专利权)人：华控清交信息科技北京有限公司，
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。