[發明專利]縱向聯邦學習中的計算方法、裝置、設備及介質

在審

• 申請號: 202011064959.3
• 申請日: 2020-09-30
• 公開（公告）號: CN112132293A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 程勇;符芳誠;肖品;陶陽宇
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06N20/20
• 分類號: G06N20/20;G06N3/08;G06N3/04
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 徐立

本申請公開了一種縱向聯邦學習中的計算方法、裝置、設備及介質，涉及人工智能中的聯邦學習領域。本申請通過采用多叉樹拓撲部署的多個參與節點，一個上層參與節點具有k個下層參與節點，由上層參與節點和k個下層參與節點交換雙方的公鑰后，上層參與節點與下層參與節點以第一公鑰和第二公鑰作為加密參數進行兩方聯合安全計算，得到聯邦模型的k個兩方聯合輸出；進而由上層參與節點將k個兩方聯合輸出合并，得到聯邦模型對應的第一聯合模型輸出。從而提供了一種多叉樹拓撲部署的縱向聯邦學習架構，提高各個參與節點在縱向聯邦學習過程中的平等性。

技術領域

本申請實施例涉及機器學習領域，特別涉及一種縱向聯邦學習中的計算方法、裝置、設備及介質。

背景技術

聯邦學習(Federated Learning)可以在保證數據不出域的情況下聯合多個參與方的數據源來訓練機器學習模型，以及提供模型推理服務。聯邦學習使得跨部門、跨公司、甚至跨行業的數據合作成為可能，同時又能滿足數據保護法律和法規的要求。

相關技術中的多方縱向聯邦學習依賴于有個可信的中心節點參與，且由該中心節點保管私鑰，各個參與方保管公鑰，從而實現數據在各個參與方之間的加密傳輸。

但是由于很難找到可信的中心節點來保管私鑰，導致上述方案很難落地應用。而且由一個中心節點來保管私鑰，會造成中心節點這個單點的集中安全風險很大。

發明內容

本申請實施例提供了一種縱向聯邦學習中的計算方法、裝置、設備及介質，可以提供一種多叉樹拓撲部署的縱向聯邦學習架構，提高各個參與節點在縱向聯邦學習過程中的平等性。所述技術方案如下：

根據本申請的一個方面，提供了一種縱向聯邦學習中的計算方法，應用于上層參與節點，所述上層參與節點在采用多叉樹拓撲部署的多個參與節點中具有k個下層參與節點，每個所述參與節點中本地部署有聯邦模型中的一個子模型，k為大于1的整數，所述方法包括：

向所述k個下層參與節點分發所述上層參與節點對應的第一公鑰，以及獲取所述k個下層參與節點分別對應的k個第二公鑰；

以所述第一公鑰和所述第二公鑰作為加密參數，所述上層參與節點與所述k個下層參與節點進行兩方聯合安全計算，得到所述聯邦模型的k個兩方聯合輸出；所述兩方聯合安全計算包括所述上層參與節點和所述下層參與節點基于同態加密方式使用各自的數據對雙方的所述子模型執行的前向計算；

將所述k個兩方聯合輸出合并，得到所述上層參與節點和所述k個下層參與節點對應的第一聯合模型輸出。

根據本申請的一個方面，提供了一種縱向聯邦學習中的計算方法，其特征在于，應用于下層參與節點，所述下層參與節點在采用多叉樹拓撲部署的多個參與節點中具有上層參與節點，每個所述參與節點中本地部署有聯邦模型中的一個子模型，所述方法包括：

向所述上層參與節點上報所述下層參與節點的第二公鑰，以及獲取所述上層參與節點對應的第一公鑰，所述上層參與節點包括k個所述下層參與節點，k為大于1的整數；

以所述第一公鑰和所述第二公鑰作為加密參數，所述下層參與節點與所述上層參與節點進行兩方聯合安全計算，得到所述聯邦模型的一個兩方聯合輸出；所述兩方聯合安全計算包括所述上層參與節點和所述下層參與節點基于同態加密方式使用各自的數據對雙方的所述子模型執行的前向計算。

根據本申請的一個方面，提供了一種上層參與節點，所述上層參與節點在采用多叉樹拓撲部署的多個參與節點中具有k個下層參與節點，每個所述參與節點中本地部署有聯邦模型中的一個子模型，k為大于1的整數，所述上層參與節點包括：

通信模塊，用于向所述k個下層參與節點分發所述上層參與節點對應的第一公鑰，以及獲取所述k個下層參與節點分別對應的k個第二公鑰；