【技术实现步骤摘要】
一种纵向联邦逻辑回归训练方法及装置
[0001]本专利技术涉及联邦学习
，尤其涉及一种纵向联邦逻辑回归训练方法及装置。
技术介绍
[0002]随着上个世纪反向传播算法的出现，深度学习以更快的速度向前发展。当今世界，从医学图像分析，汽车的自动驾驶，谷歌的AlphaGo围棋机器人，到购物网站、视频网站的推荐系统等等，人工智能在各个领域都有广泛应用。但是一个性能优良的人工智能预测模型需要海量的训练数据，在人工智能高速发展的今天，如何获取海量的训练数据成为本领域内重点研究的问题。
[0003]以医学领域为例，一个医学领域的癌症预测模型需要的训练样本数量往往很难仅由一家医学机构支撑，需要两家甚至多家医学机构将数据传输至一数据中心，在数据中心对数据做统一的训练，最终得到预测模型，但是由于政策上的原因并非所有的参与机构都可以贡献自己的数据，这样会形成“数据孤岛”导致各个医疗机构的预测模型都不能正常的预测。
[0004]数据无法共享主要考虑到两个方面：数据价值方面和隐私保护方面。数据价值方面只要是因为数据是可以复制的，...
【技术保护点】
【技术特征摘要】
1.一种纵向联邦逻辑回归训练方法，其特征在于，所述方法由纵向联邦学习的两个参与方执行，该方法包括以下步骤：由各参与方分别生成各自的CKKS公私钥对，并交换各自的CKKS公钥；由各参与方初始化模型的权重参数；在一轮迭代中，由有标签的第一参与方确定当前轮次参与训练的数据ID并同步至没有标签的第二参与方；由所述第一参与方利用己方参数计算对应的第一半梯度列表，所述第一半梯度列表按照所述数据ID的顺序排列；由所述第二参与方利用己方参数计算对应的第二半梯度列表，所述第二半梯度列表按照所述数据ID的顺序排列；由所述第一参与方利用己方CKKS公钥对所述第一半梯度列表进行加密，并发送至对应的第二参与方；由所述第二参与方利用己方CKKS公钥对所述第二半梯度列表进行加密，并发送至所述第一参与方；结合第二参与方的CKKS公钥，由第一参与方利用CKKS算法将接收到的加密状态下的所述第二半梯度列表与本地明文状态下的第一半梯度列表相加，得到对应的第一加法结果密文；将所述数据ID对应的本地明文数据矩阵作转置后与所述第一加法结果密文做向量乘法，得到第一中间结果密文，并添加混淆后发送至所述第二参与方；由所述第二参与方利用己方的CKKS私钥，解密添加混淆后的所述第一中间结果密文，得到第一全梯度列表并发送至所述第一参与方，以供所述第一参与方减去混淆后更新模型；结合第一参与方的CKKS公钥，由第二参与方利用CKKS算法将接收到的加密状态下的所述第一半梯度列表与本地明文状态下的第二半梯度列表相加，得到第二加法结果密文；所述第二参与方将所述数据ID对应的本地明文数据矩阵作转置后与所述第二加法结果密文做向量乘法，得到第二中间结果密文，并添加混淆后发送至所述第一参与方；由所述第一参与方利用己方的CKKS私钥，解密添加混淆后的所述第二中间结果密文，得到第二全梯度列表并发送至所述第二参与方，以供所述第二参与方减去混淆后更新模型。2.根据权利要求1所述纵向联邦逻辑回归训练方法，其特征在于，由所述第一参与方利用己方参数计算对应的第一半梯度列表，计算式为：；；其中，表示所述第一参与方基于本地数据计算得到的第一半梯度列表，表示所述第一参与方本轮迭代...
【专利技术属性】
技术研发人员：张熙，杨宇博，杨金翠，郭三川，
申请(专利权)人：北京邮电大学，
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。