一种纵向联邦K近邻分类方法技术

本发明专利技术公开一种纵向联邦K近邻分类方法，涉及联邦学习领域。该方法，首先计算输入实例与本地训练集实例的距离分量，然后将本地距离分量按序两两相减，形成差值序列，再将两方共同确定一个相同的随机置换参数，各自对己方差值序列随机变换后加扰，将加扰序列和扰动随机数密文发送给协作方，接着将从协作方接收的序列逆置换，构造训练实例的距离权重表，按行相加权重得到每个训练实例的全局距离权重，最后取前K个最小距离权重的训练实例为K近邻，按照分类决策规则决定输入实例的类别。该方法大大增加了中间人攻击反推出原始数据的难度，避免了被拦截破解，即使被拦截破解也无法反推出对方原始数据。

【技术实现步骤摘要】

本专利技术涉及联邦学习，具体为一种纵向联邦k近邻分类方法。

技术介绍

1、联邦学习作为分布式的机器学习范式，可以有效解决数据孤岛问题，让参与方在不共享数据的基础上联合建模，能从技术上打破数据孤岛，实现ai协作。

2、参与方常常为两方或者多方，且纵向联邦学习场景下的参与方往往含有相同用户不同维度的特征数据。任意一方在不想泄漏己方特征数据同时使用其他方的特征数据计算相似度进行分类的情况下，就需要将隐私计算技术与k近邻相结合。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本专利技术提供了一种纵向联邦k近邻分类方法，解决了上述
技术介绍
中提出的技术问题。

3、(二)技术方案

4、为实现以上目的，本专利技术通过以下技术方案予以实现：一种纵向联邦k近邻分类方法，包括以下步骤；

5、步骤一、计算输入实例与本地训练集实例的距离分量；

6、步骤二、将本地距离分量按序两两相减，形成差值序列；

7、步骤三、两方共同确定一个相同的随本文档来自技高网...

【技术保护点】

1.一种纵向联邦K近邻分类方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种纵向联邦K近邻分类方法，其特征在于：所述利用本地训练集实例计算出距离权重确定K近邻的过程中，距离分量采用Lp距离计算方式|χi-χj|ρ，ρ≥2。

3.根据权利要求1所述的一种纵向联邦K近邻分类方法，其特征在于：所所述己方和协作方这两组参与方中至少有一方持有训练实例标签。

4.根据权利要求3所述的一种纵向联邦K近邻分类方法，其特征在于：所述训练实例标签的获取采用如下方法获得；

5.根据权利要求1所述的一种纵向联邦K近邻分类方法，其特征在于：所述随机置换参...

【技术特征摘要】

1.一种纵向联邦k近邻分类方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种纵向联邦k近邻分类方法，其特征在于：所述利用本地训练集实例计算出距离权重确定k近邻的过程中，距离分量采用lp距离计算方式|χi-χj|ρ，ρ≥2。

3.根据权利要求1所述的一种纵向联邦k近邻分类方法，其特征在于：所所述己方和协作方这两组参与方中至少有一方持有训练实例标签。

4.根据权利要求3所述的一种纵向联邦k近邻分类方法，其特征在于：所述训练实例标签的获取采用如下方法获得；

5.根据权利要求1所述的一种纵向联邦k近邻分类方法，其特征在于：所述随机置换参数的确定采用密钥协商，某一个参与方生成后用对方发布的公钥进行加密，公钥加密方式为了保证参数完整性，附加采用哈希校验和对密文签名的方式，扰动随机数加密采用协作方发布的公钥加密。

6.根据权...

【专利技术属性】
技术研发人员：李爽，刘志党，胡冲，刘羽琦，黄鑫辰，富惠翀，刘新元，陈祖豪，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：