【技术实现步骤摘要】
本专利技术涉及纵向联邦学习(vertical federated learning，vfl)领域，尤其涉及安全混洗梯度提升决策树的纵向联邦学习隐私保护方法。
技术介绍
1、近十年来，人工智能、深度学习的发展如火如荼，催生了智慧医疗、智慧工业、人像识别等各种新兴技术，这些便利我们生活的技术离不开海量数据的支持。然而，现阶段不同的机构、组织、企业拥有不同量级的隐私数据，这些数据难以安全地被共享，形成了一座座数据孤的问题。如何能在既保护数据隐私、符合安全监管的条件下，利用多方数据训练更优质的模型造福社会成为亟待解决的问题。
2、为了解决这个问题，学者们提出了联邦学习，联邦学习以交换模型参数的方式代替交换隐私数据。与传统的分布式学习相比，联邦学习以交换中间数据代替原始数据共享，大大减小了用户隐私数据的暴露的风险。与集中式深度学习相比，联邦学习系统通过分布式的多方协作破解了数据孤岛的壁垒，使得模型更加精确、功耗大大降低，因此在学术领域和工业领域受到广泛关注。
3、尽管联邦学习可以通过较少的通信次数得到高质量的模型，并且一定
【技术保护点】
1.安全混洗梯度提升决策树的纵向联邦学习隐私保护方法，应用于具有多个用户、一个服务器、一个混洗器的系统，用户具有大量本地数据且具有存储和计算能力，服务器具有初始数据用于构建全局模型且具有进行计算和存储能力，混洗器具有计算功能，其特征在于：方法包括以下步骤：
2.根据权利要求1所述的安全混洗梯度提升决策树的纵向联邦学习隐私保护方法，其特征在于：步骤S1具体包括以下步骤：
3.根据权利要求2所述的安全混洗梯度提升决策树的纵向联邦学习隐私保护方法，其特征在于：步骤S2具体包括以下步骤：
4.根据权利要求3所述的安全混洗梯度提升决策树的纵向...
【技术特征摘要】
1.安全混洗梯度提升决策树的纵向联邦学习隐私保护方法，应用于具有多个用户、一个服务器、一个混洗器的系统，用户具有大量本地数据且具有存储和计算能力，服务器具有初始数据用于构建全局模型且具有进行计算和存储能力，混洗器具有计算功能，其特征在于：方法包括以下步骤：
2.根据权利要求1所述的安全混洗梯度提升决策树的...
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。