[發明專利]隱私保護的數據處理方法、裝置、設備及機器學習系統

有效

• 申請號: 202011164969.4
• 申請日: 2020-10-27
• 公開（公告）號: CN112000990B
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 陳超超;周俊;王力
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06F21/62
• 分類號: G06F21/62;G06N20/00
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 闞傳猛;周達

本說明書提供一種隱私保護的數據處理方法、裝置、設備及機器學習系統。一個方法實施例中，在多方參與的數據共享應用場景中需要獲取機器學習算法中使用的非線性激活函數的數據處理結果時，可以使用非線性激活函數的無損表達式，利用多方安全計算協同計算各個子項，可以避免將其展開為多項式的近似求值算法，降低計算復雜性，提高了計算機設備計算非線性激活函數數據處理的效率。并且，可以大幅度降低例如泰勒展開等近似計算非線性激活函數的復雜程度和精度損失。

技術領域

本說明書實施例屬于密碼學的隱私保護技術領域，尤其涉及一種隱私保護的數據處理方法、裝置、設備及機器學習系統。

背景技術

機器學習模型可以包括激活函數。一些機器學習模型中的激活函數為超越函數(例如Sigmoid函數)，所述超越函數涉及的運算通常包括指數運算、三角函數運算等非線性運算。計算機對這些非線性激活函數數據進行處理時，通常使用泰勒展開的計算方法進行處理，其計算數據是指數級的，計算過程相對較為復雜。

目前多方參與的數據共享應用場景中，常常需要多個參與方共同協作，共同建立或使用機器學習模型。多個參與方的私有數據需要使用機器學習模型的運算結果時，通常需要多個參與方共同參與計算、交互，并且各個保證參與方輸出的輸出結果為私有的，對其他參與方是不可見的。對于私有數據擁有方而言，數據是非常重要的資產。各個參與方希望共同使用彼此的私有數據來獲取機器學習模型的運算結果，但又不想把各自的私有數據提供給其它參與方，以防止自己的隱私數據泄露。

發明內容

本說明書的目的在于提供一種隱私保護的數據處理方法、裝置、設備及機器學習系統，可以實現在多方保護各自數據隱私的基礎上，高效、安全、無損的得到機器學習算法中非線性激活函數運算的處理結果。

本說明書實施例提供的一種隱私保護的數據處理方法、裝置、設備及機器學習系統至少通過以下方式實現：

一種隱私保護的數據處理方法，包括：

確定機器學習算法中使用的非線性激活函數的無損表達式，所述無損表達式包括非線性激活函數的第一運算部分和第二運算部分；

第一參與方和第二參與方基于多方安全計算協同計算所述第一運算部分，第一參與方得到所述第一運算部分的第一分片，第二參與方得到所述第一運算部分的第二分片；

第一參與方基于所述第一分片確定所述第二運算部分的第一分片，第二參與方基于所述第二分片確定所述第二運算部分的第二分片，第一參與方和第二參與方基于所述第二運算部分的第一分片和第二運算部分的第二分片進行多方安全計算，得到所述第二運算部分的運算結果；

所述第一參與方對所述第一運算部分的第一分片與第二運算部分的運算結果進行所述非線性激活函數的運算，得到非線性激活函數運算結果的第一結果分片，所述第二參與方對所述第一運算部分的第二分片與第二運算部分的運算結果進行所述非線性激活函數的運算，得到所述非線性激活函數運算結果的第二結果分片。

一種隱私保護的數據處理方法，包括：

第一參與方通過與剩余參與方的多方安全計算協同計算無損表達式第一運算部分，得到所述第一運算部分的第一分片，所述無損表達式包括多方參與的機器學習算法中使用的非線性激活函數的無損表達式；

第一參與方基于所述第一分片確定所述非線性激活函數的第二運算部分的第一分片；

所述第一參與方對所述第一運算部分的第一分片與第二運算部分的運算結果進行所述非線性激活函數的運算，得到非線性激活函數運算結果的第一結果分片，所述第二運算部分的運算結果基于所述第二運算部分的第一分片和剩余參與方擁有的第二運算部分的剩余分片進行多方安全計算恢復得到。

一種隱私保護的數據處理裝置，包括：