基于全同态加密的纵向联邦特征选择方法技术

本发明专利技术提出了一种基于全同态加密的纵向联邦特征选择方法，实现步骤为：初始化纵向联邦学习系统、主动参与方对明文进行全同态加密、每个被动参与方获取掩盖后的密文并发送、主动参与方计算掩盖后的Fisher分数、获取纵向联邦特征选择结果。本发明专利技术主动参与方对每个目标类别标签进行独热编码，并对独热编码得到的标签矩阵中的每个列向量及其统计量和统计量的倒数分别进行全同态加密后，将密文发送给每个被动参与方，实现所有被动参与方对目标类别标签信息的共享，在兼顾安全性的同时有效降低了通信开销，同时本发明专利技术主动参与方与每个被动参与方仅需要进行三次信息发送，每个被动参与方就可以获取纵向联邦特征选择结果，有效提高了选择效率。

【技术实现步骤摘要】

本专利技术属于信息安全，涉及一种联邦特征选择方法，具体涉及一种基于全同态加密的纵向联邦特征选择方法。

技术介绍

1、联邦学习是分布式机器学习的一个新兴分支领域，它促进了多个参与方之间以隐私保护的方式来联合训练一个共享模型，能更好地利用各方持有的数据。根据数据集划分维度的不同，联邦学习分为横向联邦学习、纵向联邦学习和迁移联邦学习，在纵向联邦学习中，各参与方持有的数据在特征维度上存在差异。然而，目前的大部分工作都没有考虑数据预处理步骤，这些工作中。特征选择是模型训练之前的一个重要的数据预处理步骤，特征选择方法会选择出对模型贡献度高的特征并消除冗余的特征，以提高数据集的质量进而提高后续所训练的模型的预测精度以及降低整个模型训练过程中的成本。但是在纵向联邦学习下的特征选择存在隐私泄露的问题，由于在纵向联邦学习中各个参与方持有的特征不同并且通常只有一个参与方持有标签，在进行特征选择的过程中需要交换各方持有的数据，因此数据的隐私无法得到保障。然而，目前关于纵向联邦学习下隐私保护特征选择的研究很少。例如，申请公布号为cn 114726496 a,名称为“一种安全的应用于本文档来自技高网...

【技术保护点】

1.一种基于全同态加密的纵向联邦特征选择方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的主动参与方的公钥和私钥pk和sk，计算公式分别为：

3.根据权利要求1所述的方法，其特征在于，步骤(3)中所述的每个特征的Fisher分数的分子部分分母部分计算公式分别为：

4.权利要求1所述的方法，其特征在于，步骤(4)中所述的被动参与方计算持有特征的Fisher分数，计算公式为：

5.据权利要求1所述的方法，其特征在于，步骤(3)中所述的通过随机向量分别对进行随机掩盖，掩盖公式分别为：

6.据...

【技术特征摘要】

1.一种基于全同态加密的纵向联邦特征选择方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述的主动参与方的公钥和私钥pk和sk，计算公式分别为：

3.根据权利要求1所述的方法，其特征在于，步骤(3)中所述的每个特征的fisher分数的分子部分分母部分计算公式分别为：

4.权利要求1所述的方法，其特征在于，步骤(4)中所述的被动参与方计算持有特征的...

【专利技术属性】
技术研发人员：刘景伟，杨庆辉，孙蓉，刘伟，张华翀，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：