[發明專利]基于模型復用的模型預測方法、模型預測裝置及系統

在審

• 申請號: 202011023294.1
• 申請日: 2020-09-25
• 公開（公告）號: CN111931870A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 陳超超;王力;周俊
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 北京永新同創知識產權代理有限公司 11376
• 代理人: 林錦輝;劉景峰

本說明書的實施例提供一種基于模型復用的模型預測方法、裝置及系統。在該模型預測方法中，使用模型擁有方處的多個可復用預測模型中的每個可復用預測模型來分別對數據擁有方處的待預測數據進行預測得到各個可復用預測模型的預測標簽，所述預測標簽通過在數據擁有方和模型擁有方之間對待預測數據和各個可復用預測模型分別進行安全計算得到，并且多個可復用預測模型具有相同的模型預測特征。隨后，根據各個可復用預測模型的預測標簽以及各個可復用預測模型的模型權重，確定待預測數據的預測標簽，各個可復用預測模型的模型權重是在數據擁有方具有的數據樣本集下的模型權重。

技術領域

本說明書實施例通常涉及人工智能領域，尤其涉及基于模型復用的模型預測方法、模型預測裝置及模型預測系統。

背景技術

模型復用是機器學習領域中的常用技術。模型復用是指在模型預測任務來臨時，可以根據已有的預測模型來進行模型預測，無需再去訓練新的預測模型，從而達到復用這些已有預測模型的目的，由此節省預測模型的模型訓練時間。在有新的待預測數據到來時，如何在保護數據及模型隱私安全的基礎上實現模型預測，成為亟待解決的問題。

發明內容

鑒于上述，本說明書的實施例提供基于模型復用的模型預測方法、模型預測裝置及模型預測系統。利用該模型預測方案，可以在保護數據及模型隱私安全的基礎上，實現基于模型復用的模型預測。

根據本說明書的實施例的一個方面，提供一種基于模型復用的模型預測方法，包括：使用模型擁有方處的多個可復用預測模型中的每個可復用預測模型來分別對數據擁有方處的待預測數據進行預測得到各個可復用預測模型的預測標簽，所述預測標簽通過在所述數據擁有方和所述模型擁有方之間對所述待預測數據和各個可復用預測模型分別進行安全計算得到，所述多個可復用預測模型具有相同的模型輸入特征；以及根據各個可復用預測模型的預測標簽以及各個可復用預測模型的模型權重，確定所述待預測數據的預測標簽，各個可復用預測模型的模型權重是在所述數據擁有方具有的數據樣本集下的模型權重。

可選地，在上述方面的一個示例中，在進行模型預測之前，所述方法還包括：使用各個可復用預測模型來分別對數據擁有方處的標記數據進行預測得到各個可復用預測模型的預測標簽，所述預測標簽通過在所述數據擁有方和所述模型擁有方之間對所述標記數據和各個可復用預測模型分別進行安全計算得到；根據各個可復用預測模型的預測標簽以及所述標記數據的真實標簽，確定各個可復用預測模型的預測誤差；以及根據各個可復用預測模型的預測誤差，確定各個可復用預測模型的模型權重。

可選地，在上述方面的一個示例中，所述模型擁有方包括多個模型擁有方，所述多個模型擁有方中的每個模型擁有方具有所述多個可復用預測模型中的一個或多個可復用預測模型。

可選地，在上述方面的一個示例中，所述安全計算包括：基于秘密共享的安全計算；基于同態加密的安全計算；基于不經意傳輸的安全計算；基于混淆電路的安全計算；或者基于可信執行環境的安全計算。

可選地，在上述方面的一個示例中，所述標記數據包括多個標記數據，以及各個預測模型的預測誤差是針對所述多個標記數據的預測誤差的平均誤差。

可選地，在上述方面的一個示例中，所述可復用預測模型包括邏輯回歸模型，各個可復用預測模型的模型參數是模型參數矩陣，以及所述待預測數據是向量數據，使用模型擁有方處的多個可復用預測模型中的每個可復用預測模型來分別對數據擁有方處的待預測數據進行預測得到各個可復用預測模型的預測標簽包括：在所述數據擁有方和所述模型擁有方之間，分別對所述模型擁有方的各個可復用預測模型和所述數據擁有方的待預測數據進行安全計算，得到各個可復用預測模型的模型參數與所述待預測數據之間的向量乘積；以及計算各個可復用預測模型的向量乘積的激活函數，作為各個可復用預測模型的預測標簽。