基于跨特征联邦的XGBoost模型的数据处理方法与流程

基于跨特征联邦的xgboost模型的数据处理方法
技术领域
1.本公开涉及联邦学习技术领域，具体而言，涉及一种基于跨特征联邦的xgboost模型的数据处理方法、基于跨特征联邦的xgboost模型的数据处理装置、计算机可读介质及电子设备。


背景技术：

2.联邦学习技术旨在联合不同参与方的数据，在实现本地数据不泄露至其他参与方的情况下实现模型训练。在跨特征联邦学习场景下的极端梯度提升模型(extreme gradient boosting，xgboost)训练中，xgboost一般是通过梯度提升的方式串行训练多棵决策树，从而实现对于模型精度的提升。
3.与中心化的xgboost算法不同，跨特征联邦学习场景下的xgboost模型需要联合不同参与方的特征建立多个节点树，同时保证标签方持有的标签不会泄露至无标签方。在标签方基于xgboost模型对样本数据的处理过程中，通常需要根据标签计算相应的梯度参数并加密，进而将加密后的梯度参数发送至无标签方，进而，标签方和无标签方根据梯度等信息并行进行直方图计算。
4.但是，这种方式效率较低，当数据量的规模较大时，无标签方需要等待较长的时间才能获取到所需的信息。


技术实现要素：

5.本公开实施例的目的在于提供一种基于跨特征联邦的xgboost模型的数据处理方法、基于跨特征联邦的xgboost模型的数据处理系统、基于跨特征联邦的xgboost模型的数据处理装置、计算机可读介质及电子设备，可以应用于大规模数据训练，提升数据处理效率，减少无标签方的数据处理等待时间。
6.本公开实施例的第一方面提供了一种基于跨特征联邦的xgboost模型的数据处理方法，包括：
7.通过分布式计算节点确定标签方数据对应的梯度参数，并根据梯度参数确定用于多维度表征标签方数据的第一直方图信息；
8.加密梯度参数得到梯度密文，并基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文；其中，无标签方用于根据梯度密文和本方数据确定用于多维度表征本方数据的第二直方图信息，并将第二直方图信息发送至标签方；
9.根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理；
10.将节点分裂信息同步至无标签方；其中，无标签方用于根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理。
11.在本公开的一种示例性实施例中，上述方法还包括：
12.根据预设比例从标签方数据中选取第一数据集；
13.根据第一数据集构建第一特征节点树；
14.根据第一特征节点树中各特征节点对应的增益值从各特征节点中选取第一目标特征节点；
15.根据各特征节点对应的各特征节点对应的梯度参数从各特征节点中选取第二目标特征节点；
16.根据第一目标特征节点、第二目标特征节点和其余特征节点确定用于构建新特征节点树的特征数据；其中，其余特征节点为各特征节点中除第一目标特征节点和第二目标特征节点之外的特征节点。
17.在本公开的一种示例性实施例中，根据梯度参数确定用于多维度表征标签方数据的第一直方图信息，包括：
18.根据梯度参数确定第一特征节点树中父节点对应的直方图子信息和左分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，直到确定出第一直方图信息；或者，
19.根据梯度参数确定第一特征节点树中父节点对应的直方图子信息和右分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，直到确定出第一直方图信息。
20.在本公开的一种示例性实施例中，无标签方用于根据梯度密文和本方数据确定用于多维度表征本方数据的第二直方图信息，包括：
21.无标签方用于在接收到梯度密文时，根据梯度密文和本方数据确定第二特征节点树中父节点对应的直方图子信息和左分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，直到确定出第二直方图信息；或者，
22.无标签方用于在接收到梯度密文时，根据梯度密文和本方数据确定第二特征节点树中父节点对应的直方图子信息和右分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，直到确定出第二直方图信息。
23.在本公开的一种示例性实施例中，通过分布式计算节点确定标签方数据对应的梯度参数，包括：
24.控制分布式计算节点基于各自对应的指针数据从共享存储空间中获取相对应的数据切片，并计算数据切片对应的梯度参数；其中，标签方数据由多个数据切片构成；
25.根据数据切片对应的梯度参数确定标签方数据对应的梯度参数。
26.在本公开的一种示例性实施例中，节点分裂信息至少包括分裂特征数据及分裂特征数据对应的分裂位置。
27.本公开实施例的第二方面提供了一种应用于跨特征联邦学习场景下xgboost模型的数据处理系统，包括：
28.标签方，用于通过分布式计算节点确定标签方数据对应的梯度参数，并根据梯度参数确定用于多维度表征标签方数据的第一直方图信息；加密梯度参数得到梯度密文，并基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文；
29.无标签方，用于根据梯度密文和本方数据确定用于多维度表征本方数据的第二直
方图信息，并将第二直方图信息发送至标签方；
30.标签方，还用于根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理；将节点分裂信息同步至无标签方；
31.无标签方，还用于根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理。
32.本公开实施例的第三方面提供了一种应用于高速公路的拥堵指数确定装置，包括：
33.分布式处理单元，用于通过分布式计算节点确定标签方数据对应的梯度参数，并根据梯度参数确定用于多维度表征标签方数据的第一直方图信息；
34.数据传输单元，用于加密梯度参数得到梯度密文，并基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文；其中，无标签方用于根据梯度密文和本方数据确定用于多维度表征本方数据的第二直方图信息，并将第二直方图信息发送至标签方；
35.节点分裂处理单元，用于根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理；
36.数据传输单元，还用于将节点分裂信息同步至无标签方；其中，无标签方用于根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理。
37.在本公开的一种示例性实施例中，上述装置还包括：
38.数据选取单元，用于根据预设比例从标签方数据中选取第一数据集；
39.节点树构建单元，用于根据第一数据集构建第一特征节点树；
40.节点选取单元，用于根据第一特征节点树中各特征节点对应的增益值从各特征节点中选取第一目标特征节点；根据各特征节点对应的各特征节点对应的梯度参数从各特征节点中选取第二目标特征节点；
41.节点树构建单元，还用于根据第一目标特征节点、第二目标特征节点和其余特征节点确定用于构建新特征节点树的特征数据；其中，其余特征节点为各特征节点中除第一目标特征节点和第二目标特征节点之外的特征节点。
42.在本公开的一种示例性实施例中，分布式处理单元根据梯度参数确定用于多维度表征标签方数据的第一直方图信息，包括：
43.根据梯度参数确定第一特征节点树中父节点对应的直方图子信息和左分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，直到确定出第一直方图信息；或者，
44.根据梯度参数确定第一特征节点树中父节点对应的直方图子信息和右分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，直到确定出第一直方图信息。
45.在本公开的一种示例性实施例中，无标签方用于根据梯度密文和本方数据确定用于多维度表征本方数据的第二直方图信息，包括：
46.无标签方用于在接收到梯度密文时，根据梯度密文和本方数据确定第二特征节点树中父节点对应的直方图子信息和左分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，直
到确定出第二直方图信息；或者，
47.无标签方用于在接收到梯度密文时，根据梯度密文和本方数据确定第二特征节点树中父节点对应的直方图子信息和右分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，直到确定出第二直方图信息。
48.在本公开的一种示例性实施例中，分布式处理单元通过分布式计算节点确定标签方数据对应的梯度参数，包括：
49.控制分布式计算节点基于各自对应的指针数据从共享存储空间中获取相对应的数据切片，并计算数据切片对应的梯度参数；其中，标签方数据由多个数据切片构成；
50.根据数据切片对应的梯度参数确定标签方数据对应的梯度参数。
51.在本公开的一种示例性实施例中，节点分裂信息至少包括分裂特征数据及分裂特征数据对应的分裂位置。
52.根据本公开实施例的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述实施例中第一方面所述的基于跨特征联邦的xgboost模型的数据处理方法。
53.根据本公开实施例的第五方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上述实施例中第一方面所述的基于跨特征联邦的xgboost模型的数据处理方法。
54.根据本技术的第六方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的各种可选实现方式中提供的方法。
55.本公开实施例提供的技术方案可以包括以下有益效果：
56.在本公开的一些实施例所提供的技术方案中，可以通过分布式计算节点确定标签方数据对应的梯度参数，并根据梯度参数确定用于多维度表征标签方数据的第一直方图信息；加密梯度参数得到梯度密文，并基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文；其中，无标签方用于根据梯度密文和本方数据确定用于多维度表征无标签方数据的第二直方图信息，并将第二直方图信息发送至标签方；根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理；将节点分裂信息同步至无标签方；其中，无标签方根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理。实施上述技术方案，可以应用于大规模数据训练，应用分布式计算节点提升数据处理效率，并基于分布式计算节点及流水线并行处理方式将需要发送给无标签方的梯度密文分批次发给无标签方，从而减少无标签方的数据处理等待时间。
57.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
58.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
59.图1示意性示出了可以应用本公开实施例的一种基于跨特征联邦的xgboost模型的数据处理方法及装置的示例性系统架构的示意图；
60.图2示意性示出了适于用来实现本公开实施例的一种电子设备的计算机系统的结构示意图；
61.图3示意性示出了根据本公开的一个实施例的基于跨特征联邦的xgboost模型的数据处理方法的流程图；
62.图4示意性示出了根据本公开的另一个实施例的基于跨特征联邦的xgboost模型的数据处理方法的流程图；
63.图5示意性示出了根据本公开的一个实施例的应用于跨特征联邦学习场景下xgboost模型的数据处理系统的序列图；
64.图6示意性示出了根据本公开的一个实施例中的基于跨特征联邦的xgboost模型的数据处理装置的结构框图。
具体实施方式
65.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
66.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
67.图1示意性示出了可以应用本公开实施例的一种基于跨特征联邦的xgboost模型的数据处理方法及装置的示例性系统架构的示意图。
68.如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示
意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。例如，服务器105可以执行：通过分布式计算节点确定标签方数据对应的梯度参数，并根据梯度参数确定用于多维度表征标签方数据的第一直方图信息；加密梯度参数得到梯度密文，并基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文；其中，无标签方用于根据梯度密文和本方数据确定用于多维度表征无标签方数据的第二直方图信息，并将第二直方图信息发送至标签方；根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理；将节点分裂信息同步至无标签方；其中，无标签方用于根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理。
69.图2示出了适于用来实现本公开实施例的一种电子设备的计算机系统的结构示意图。
70.需要说明的是，图2示出的电子设备的计算机系统200仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
71.如图2所示，计算机系统200包括中央处理单元(cpu)201，其可以根据存储在只读存储器(rom)202中的程序或者从储存部分208加载到随机访问存储器(ram)203中的程序而执行各种适当的动作和处理。在(ram)203中，还存储有系统操作所需的各种程序和数据。(cpu)201、(rom)202以及(ram)203通过总线204彼此相连。输入/输出(i/o)接口205也连接至总线204。
72.以下部件连接至(i/o)接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分207；包括硬盘等的储存部分208；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至(i/o)接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入储存部分208。
73.特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(cpu)201执行时，执行本技术的方法和装置中限定的各种功能。
74.需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，
其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
75.附图中的流程图和框图，示出了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
76.描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
77.作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图3所示的各个步骤等。
78.本示例实施方式提供了一种基于跨特征联邦的xgboost模型的数据处理方法。参考图3所示，该基于跨特征联邦的xgboost模型的数据处理方法可以包括以下步骤s310至步骤s340，具体地：
79.步骤s310：通过分布式计算节点确定标签方数据对应的梯度参数，并根据梯度参数确定用于多维度表征标签方数据的第一直方图信息。
80.步骤s320：加密梯度参数得到梯度密文，并基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文；其中，无标签方用于根据梯度密文和本方数据确定用于多维度表征无标签方数据的第二直方图信息，并将第二直方图信息发送至标签方。
81.步骤s330：根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理。
82.步骤s340：将节点分裂信息同步至无标签方；其中，无标签方用于根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理。
83.需要说明的是，步骤s310至步骤s340可以应用于跨特征联邦学习场景，跨特征联邦学习场景中可以包括标签和特征数据的标签方(guest)以及包括特征数据的无标签方(host)，其中，标签方(guest)包括一个或多个标签字段，不同的标签字段用于通过不同的维度描述相应的特征数据。本技术对于跨特征联邦学习场景中的标签方(guest)和无标签
方(host)数量不作限定。
84.实施图3所示的基于跨特征联邦的xgboost模型的数据处理方法，可以应用于大规模数据训练，应用分布式计算节点提升数据处理效率，并基于分布式计算节点及流水线并行处理方式将需要发送给无标签方的梯度密文分批次发给无标签方，从而减少无标签方的数据处理等待时间。
85.下面，对于本示例实施方式的上述步骤进行更加详细的说明。
86.在步骤s310中，通过分布式计算节点确定标签方数据对应的梯度参数，并根据梯度参数确定用于多维度表征标签方数据的第一直方图信息。
87.具体地，可以当标签方数据的数据量大于预设阈值时，通过分布式计算节点确定标签方数据对应的梯度参数。其中，预设阈值可以为用户设置的数值，该数值的量级可以为百万级/千万级/亿级/千亿级等，本技术实施例不作限定。根据梯度参数确定的第一直方图信息可以包括每个直方图区间的标签方数据量、每个标签方数据的一阶梯度(也可以理解为一阶导数)和二阶梯度(也可以理解为二阶导数)、一阶梯度的统计值、二阶梯度的统计值等，本技术实施例不作限定。此外，需要说明的是，可选的，当标签方数据的数据量小于或等于预设阈值时，也可以执行本技术实施例的步骤，以实现对于跨特征联邦学习场景下xgboost模型的训练。
88.其中，分布式计算节点可以包括多个计算节点，本技术对于计算节点的数量不作限定。此外，标签方数据和本方数据均可以包括一个或多个字段(如，用户id、性别、年龄等)。举例来说，标签方数据可以表示为下表1，本方数据可以表示为下表2；其中，违规频次可以为标签方持有的而无标签方未持有的标签字段。
89.用户id姓名违规频次1**02***33##54###15$$$0
90.表1
91.用户id性别年龄1男202女433女fourty4男215男32
92.表2
93.作为一种可选的实施例，通过分布式计算节点确定标签方数据对应的梯度参数，包括：控制分布式计算节点基于各自对应的指针数据从共享存储空间中获取相对应的数据切片，并计算数据切片对应的梯度参数；其中，标签方数据由多个数据切片构成；根据数据切片对应的梯度参数确定标签方数据对应的梯度参数。
94.具体地，控制分布式计算节点基于各自对应的指针数据从共享存储空间中获取相
对应的数据切片之后，分布式计算节点用于将相对应的数据切片以预设的存储规则存储至本地节点内存中，每个计算节点对应于一个本地节点内存，进而从本地节点内存中依次调用数据并计算相应的梯度参数；其中，预设的存储规则至少用于限定存储格式。
95.此外，控制分布式计算节点基于各自对应的指针数据从共享存储空间中获取相对应的数据切片之前，上述方法还可以包括：根据预设分类规则将标签方数据划分为多个数据集，以基于多个数据集进行第一直方图信息计算；其中，每个数据集对应于不同的区间，例如，[0～10]、[11～20]、[21～50]等，本技术实施例不作限定。
[0096]
可见，实施该可选的实施例，可以解决现有技术中读取数据阶段由于单机内存有限无法对大规模数据全部读取的问题，通过分布式计算节点基于指针数据从共享存储中读取各自对应的数据实现对于数据的分布式处理，提升了数据读取效率以及数据处理效率，可以更高效地确定出各标签方数据对应的梯度参数。
[0097]
作为一种可选的实施例，根据梯度参数确定用于多维度表征标签方数据的第一直方图信息，包括：
[0098]
根据梯度参数确定第一特征节点树中父节点对应的直方图子信息和左分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，直到确定出第一直方图信息；或者，
[0099]
根据梯度参数确定第一特征节点树中父节点对应的直方图子信息和右分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，直到确定出第一直方图信息。
[0100]
具体地，父节点对应的直方图子信息包括父节点对应的每个直方图区间的标签方数据量、每个标签方数据的一阶梯度和二阶梯度、一阶梯度的统计值、二阶梯度的统计值等，本技术实施例不作限定，左分支节点对应的直方图子信息同理。
[0101]
其中，根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，包括：将父节点对应的直方图子信息histogram
p
和左分支节点对应的直方图子信息histogram
l
代入表达式histogram
p
＝histogram
l
+histogramr，以确定右分支节点对应的直方图子信息histogramr。
[0102]
其中，根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，包括：将父节点对应的直方图子信息histogram
p
和右分支节点对应的直方图子信息histogramr代入表达式histogram
p
＝histogram
l
+histogramr，以确定左分支节点对应的直方图子信息histogram
l
。
[0103]
可见，实施该可选的实施例，可以基于父节点及一侧子节点的直方图子信息确定另一侧子节点的直方图子信息，即直方图差集计算，提升计算直方图信息的效率，进而提升基于直方图信息的xgboost模型训练效率。
[0104]
在步骤s320中，加密梯度参数得到梯度密文，并基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文；其中，无标签方用于根据梯度密文和本方数据确定用于多维度表征本方数据的第二直方图信息，并将第二直方图信息发送至标签方。
[0105]
具体地，加密梯度参数得到梯度密文，包括：通过同态加密或非对称加密等方式控制分布式计算节点加密梯度参数得到梯度密文，其中，梯度密文可以通过数值、字符串等形式进行表示，本技术实施例不作限定。其中，控制分布式计算节点加密梯度参数可以提升加
密效率。
[0106]
具体地，基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文，包括：每完成一个梯度密文就向无标签方发送一个梯度密文，以实现基于流水线并行处理方式的梯度密文传输。其中，基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文可以避免超大规模的梯度密文传输消耗大量带宽，实现在带宽受限的情况下，消耗少量带宽也可以进行梯度密文传输，提升传输效率。此外，基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文，也可以避免无标签方的等待时间，在本技术中，无标签方无需等待标签方处理完所有标签方数据的梯度密文，可以根据碎片式的密文传输进行碎片式的直方图信息计算。
[0107]
此外，第二直方图信息可以包括每个直方图区间的无标签方数据量、每个无标签方数据的一阶梯度(也可以理解为一阶导数)和二阶梯度(也可以理解为二阶导数)、一阶梯度的统计值、二阶梯度的统计值等，本技术实施例不作限定。
[0108]
作为一种可选的实施例，无标签方用于根据梯度密文和本方数据确定用于多维度表征无标签方数据的第二直方图信息，包括：
[0109]
无标签方用于在接收到梯度密文时，根据梯度密文和本方数据确定第二特征节点树中父节点对应的直方图子信息和左分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，直到确定出第二直方图信息；或者，
[0110]
无标签方用于在接收到梯度密文时，根据梯度密文和本方数据确定第二特征节点树中父节点对应的直方图子信息和右分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，直到确定出第二直方图信息。
[0111]
其中，根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，直到确定出第二直方图信息，包括：将父节点对应的直方图子信息histogram
p
和左分支节点对应的直方图子信息histogram
l
代入表达式histogram
p
＝histogram
l
+histogramr，以确定右分支节点对应的直方图子信息histogramr，直到确定出第二直方图信息。
[0112]
其中，根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，直到确定出第二直方图信息，包括：将父节点对应的直方图子信息histogram
p
和右分支节点对应的直方图子信息histogramr代入表达式histogram
p
＝histogram
l
+histogramr，以确定左分支节点对应的直方图子信息histogram
l
，直到确定出第二直方图信息。
[0113]
可见，实施该可选的实施例，无标签方可以基于梯度密文确定父节点及一侧子节点的直方图子信息，进而基于父节点及一侧子节点的直方图子信息确定另一侧子节点的直方图子信息，这样可以在标签方不泄露本地数据的情况下使得无标签方可以共享到标签方的梯度密文，同时也可以提升无标签方计算直方图信息的效率，进而提升基于直方图信息的xgboost模型训练效率。
[0114]
在步骤s330中，根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理。
[0115]
具体地，节点分裂信息至少包括分裂特征数据及分裂特征数据对应的分裂位置，其中，分裂特征数据用于指示具体需要分裂的特征，分裂位置用于指示分裂的节点是哪个节点。
[0116]
此外，根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理，包括：基于表达式计算第一特征节点树中每个节点对应的增益值gain；其中，gain；其中，i
l
和ir分别为节点按某一特征划分点分裂后落在左子节点及右子节点上的样本，gi和hi为样本i的对应损失函数的一阶导值和二阶导值，λ和γ为训练超参数。进而，遍历所有增益值gain以确定出最大分裂增益，根据最大分裂增益对应的节点确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理。
[0117]
进一步地，当节点的分裂增益小于设定的最小分裂增益时或节点所在层数达到树的最大深度或节点上的样本数目小于预设数目(如50)时节点不再进一步分裂处理。最终节点可以理解为叶子节点j，叶子节点j的权重值可以表示为：落在叶子节点上的样本对应的预测输出即为该叶子节点的权重值；其中，假设xgboost共训练生成了t棵树，当对一个新样本进行预测时，其实是根据该样本的特征数据以及每个非叶子节点的最优划分，看预测样本最终落在哪个叶子节点上，该叶子节点的权重值即为对应该树对样本的预测输出，最后将t棵树对应的预测输出加起来即为该样本最终预测值。样本xi预测结果可以表示为其中，f7(2i)为第t棵树对样本2i预测结果。
[0118]
作为一种可选的实施例，上述方法还包括：根据预设比例从标签方数据中选取第一数据集；根据第一数据集构建第一特征节点树；根据第一特征节点树中各特征节点对应的增益值从各特征节点中选取第一目标特征节点；根据各特征节点对应的各特征节点对应的梯度参数从各特征节点中选取第二目标特征节点；根据第一目标特征节点、第二目标特征节点和其余特征节点确定用于构建新特征节点树的特征数据；其中，其余特征节点为各特征节点中除第一目标特征节点和第二目标特征节点之外的特征节点。此段引出的新特征节点树对应于标签方。
[0119]
本技术对于第一目标特征节点、第二目标特征节点以及其余特征节点的数量不作限定。
[0120]
具体地，根据第一特征节点树中各特征节点对应的增益值从各特征节点中选取第一目标特征节点，包括：根据第一特征节点树中各特征节点对应的增益值从各特征节点中选取增益值前n％的节点作为第一目标特征节点。其中，n可以表示为数值，如50。
[0121]
具体地，根据各特征节点对应的各特征节点对应的梯度参数从各特征节点中选取第二目标特征节点，包括：根据各特征节点对应的各特征节点对应的梯度参数从各特征节点中选取梯度参数前α％的节点作为第二目标特征节点，其中，α可以表示为数值，如80。
[0122]
进而，上述方法还可以包括：从除第一目标特征节点和第二目标特征节点之外的
特征节点中随机选取β个节点作为其余目标特征节点。其中，除第一目标特征节点和第二目标特征节点之外的特征节点可以理解为小梯度样本，其中，β可以表示为数值，如5。
[0123]
具体地，根据第一目标特征节点、第二目标特征节点和其余特征节点确定用于构建新特征节点树的特征数据，包括：计算预设权重c(如，)和其余特征节点的加权和；根据第一目标特征节点、第二目标特征节点以及加权和确定用于构建新特征节点树的特征数据；或者，
[0124]
计算预设权重a(如，1)和第一目标特征节点的加权和，计算预设权重b(如，1)和第二目标特征节点的加权和，计算预设权重c(如，)和其余特征节点的加权和；根据上述各加权和确定用于构建新特征节点树的特征数据。
[0125]
此外，上述方法还包括：无标签方也可以根据预设比例(如，30％)从本方数据中选取第二数据集；根据第一数据集构建第二特征节点树；根据第二特征节点树中各特征节点对应的增益值从各特征节点中选取第三目标特征节点；根据各特征节点对应的梯度参数从各特征节点中选取第四目标特征节点；根据第三目标特征节点、第四目标特征节点和其余特征节点确定用于构建新特征节点树的特征数据；其中，其余特征节点为各特征节点中除第三目标特征节点和第四目标特征节点之外的特征节点。此段引出的新特征节点树对应于无标签方。
[0126]
需要说明的是，前述的第一目标特征节点、第二目标特征节点是由标签方确定且用于构建标签方新特征节点树的特征数据，而第三目标特征节点、第四目标特征节点是由无标签方确定且用于构建无标签方新特征节点树的特征数据。其中，无标签方和标签方构建新特征节点树的具体实施方式是一样的，第一目标特征节点、第二目标特征节点、第三目标特征节点、第四目标特征节点的节点命名仅用于区分它们是不同的节点，不作其他方面的限定。
[0127]
可见，实施该可选的实施例，可以实现双向约减节点，即，根据第一特征节点树中各特征节点对应的增益值从各特征节点中选取第一目标特征节点，并根据各特征节点对应的各特征节点对应的梯度参数从各特征节点中选取第二目标特征节点，进而根据选取出的节点构建新特征节点树，以在保证训练精度的前提下减少训练量。
[0128]
在步骤s340中，将节点分裂信息同步至无标签方；其中，无标签方用于根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理。
[0129]
具体地，无标签方用于根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理，包括：无标签方用于基于表达式计算第二特征节点树中每个节点对应的增益值gain；遍历所有增益值gain以确定出最大分裂增益，根据最大分裂增益对应的节点确定节点分裂信息，并根据节点分裂信息对基于无标签方数据构建的第二特征节点树进行节点分裂处理。
[0130]
请参阅图4，图4示意性示出了根据本公开的另一个实施例的基于跨特征联邦的xgboost模型的数据处理方法的流程图。如图4所示，该基于跨特征联邦的xgboost模型的数据处理方法包括：步骤s400～步骤s490。
[0131]
步骤s400：标签方控制分布式计算节点基于各自对应的指针数据从共享存储空间中获取相对应的数据切片，并计算数据切片对应的梯度参数，标签方数据由多个数据切片构成，进而，根据数据切片对应的梯度参数确定标签方数据对应的梯度参数。进而，执行步骤s410或者步骤s420。
[0132]
步骤s410：标签方根据梯度参数确定第一特征节点树中父节点对应的直方图子信息和左分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，直到确定出第一直方图信息。
[0133]
步骤s420：标签方根据梯度参数确定第一特征节点树中父节点对应的直方图子信息和右分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，直到确定出第一直方图信息。
[0134]
步骤s430：标签方加密梯度参数得到梯度密文，并基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文。进而，执行步骤s440或者步骤s450。
[0135]
步骤s440：无标签方在接收到梯度密文时，根据梯度密文和本方数据确定第二特征节点树中父节点对应的直方图子信息和左分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，直到确定出第二直方图信息。
[0136]
步骤s450：无标签方在接收到梯度密文时，根据梯度密文和本方数据确定第二特征节点树中父节点对应的直方图子信息和右分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，直到确定出第二直方图信息。
[0137]
步骤s460：标签方根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理。
[0138]
步骤s470：标签方将节点分裂信息同步至无标签方，以使得无标签方根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理。
[0139]
步骤s480：标签方根据预设比例从标签方数据中选取第一数据集，并根据第一数据集构建第一特征节点树，并根据第一特征节点树中各特征节点对应的增益值从各特征节点中选取第一目标特征节点，以及根据各特征节点对应的各特征节点对应的梯度参数从各特征节点中选取第二目标特征节点。
[0140]
步骤s490：标签方根据第一目标特征节点、第二目标特征节点和其余特征节点确定用于构建新特征节点树的特征数据；其中，其余特征节点为各特征节点中除第一目标特征节点和第二目标特征节点之外的特征节点。
[0141]
需要说明的是，步骤s400～步骤s490与图3所示的各步骤及其实施例相对应，针对步骤s400～步骤s490的具体实施方式，请参阅图3所示的各步骤及其实施例，此处不再赘述。
[0142]
可见，实施图4所示的方法，可以应用于大规模数据训练，应用分布式计算节点提升数据处理效率，并基于分布式计算节点及流水线并行处理方式将需要发送给无标签方的梯度密文分批次发给无标签方，从而减少无标签方的数据处理等待时间。
[0143]
基于图3所示的方法，本技术还公开了一种应用于跨特征联邦学习场景下xgboost模型的数据处理系统，具体可以包括标签方和无标签方。
[0144]
标签方，用于通过分布式计算节点确定标签方数据对应的梯度参数，并根据梯度参数确定用于多维度表征标签方数据的第一直方图信息；加密梯度参数得到梯度密文，并基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文；
[0145]
无标签方，用于根据梯度密文和本方数据确定用于多维度表征本方数据的第二直方图信息，并将第二直方图信息发送至标签方；
[0146]
标签方，还用于根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理；将节点分裂信息同步至无标签方；
[0147]
无标签方，还用于根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理。
[0148]
针对上述应用于跨特征联邦学习场景下xgboost模型的数据处理系统，可选的，其中的标签方和无标签方的交互过程可以参阅图5，图5示意性示出了根据本公开的一个实施例的应用于跨特征联邦学习场景下xgboost模型的数据处理系统的序列图。如图5所示，该序列图包括：步骤s510～步骤s570。
[0149]
步骤s510：通过分布式计算节点确定标签方数据对应的梯度参数，并根据梯度参数确定用于多维度表征标签方数据的第一直方图信息。
[0150]
步骤s520：标签方加密梯度参数得到梯度密文，并基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文。
[0151]
步骤s530：无标签方根据梯度密文和本方数据确定用于多维度表征无标签方数据的第二直方图信息。
[0152]
步骤s540：无标签方将第二直方图信息发送至标签方。
[0153]
步骤s550：标签方根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理。
[0154]
步骤s560：标签方将节点分裂信息同步至无标签方。
[0155]
步骤s570：无标签方根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理。
[0156]
其中，本技术实施例涉及的xgboost是boosting中的经典算法。boosting算法的原理是将多个弱分类的结果集成在一起，形成一个强分类器。xgboost延续boosting算法的原理，将多棵节点树模型集成在一起，其核心思想是通过不断拟合前面节点树的预测结果与真实标签之间的残差，从而使最终的预测结果尽可能接近真实标签。在xgboost中，需要不断地添加节点树，每棵节点树可以看作一个弱分类器。每新增一棵节点树，节点树的节点会根据样本特征的划分点将节点分裂成左右子节点，以节点分裂增益最大的划分点来进行节点分裂，从而逐步形成一棵节点树。
[0157]
基于此，在标签方数据的数据量大于亿级阈值时，通过分布式计算节点确定标签方数据对应的梯度参数，并根据梯度参数确定用于多维度表征标签方数据的第一直方图信息。为了不泄露本地数据，标签方可以加密梯度参数得到梯度密文，再基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文，无标签方在接收到梯度密文之后可以基于梯度密文结合本方数据确定用于多维度表征无标签方数据的第二直方图信息，无标签方可以将第二直方图信息同步至标签方，以使得标签方可以在跨特征联邦学习场景中实现
基于xgboost模型的节点分裂，以实现模型训练。进而，标签方也可以将用于进行节点分裂的信息同步给无标签方，以使得无标签方在没有标签数据的情况下，实现基于xgboost模型的节点分裂，以实现模型训练。
[0158]
可见，实施图5所示的系统，可以应用于大规模数据训练，应用分布式计算节点提升数据处理效率，并基于分布式计算节点及流水线并行处理方式将需要发送给无标签方的梯度密文分批次发给无标签方，从而减少无标签方的数据处理等待时间。
[0159]
请参阅图6，图6示意性示出了根据本公开的一个实施例中的基于跨特征联邦的xgboost模型的数据处理装置的结构框图。如图6所示，基于跨特征联邦的xgboost模型的数据处理装置600包括：分布式处理单元601、数据传输单元602、节点分裂处理单元603。
[0160]
分布式处理单元601，用于通过分布式计算节点确定标签方数据对应的梯度参数，并根据梯度参数确定用于多维度表征标签方数据的第一直方图信息；
[0161]
数据传输单元602，用于加密梯度参数得到梯度密文，并基于流水线并行处理方式向无标签方发送对应于标签方数据的梯度密文；其中，无标签方根据梯度密文和本方数据确定用于多维度表征无标签方数据的第二直方图信息，并将第二直方图信息发送至标签方；
[0162]
节点分裂处理单元603，用于根据第一直方图信息和第二直方图信息确定节点分裂信息，并根据节点分裂信息对基于标签方数据构建的第一特征节点树进行节点分裂处理；
[0163]
数据传输单元602，还用于将节点分裂信息同步至无标签方；其中，无标签方用于根据节点分裂信息对基于本方数据构建的第二特征节点树进行节点分裂处理。
[0164]
其中，节点分裂信息至少包括分裂特征数据及分裂特征数据对应的分裂位置。
[0165]
可见，实施图6所示的装置，可以应用于大规模数据训练，应用分布式计算节点提升数据处理效率，并基于分布式计算节点及流水线并行处理方式将需要发送给无标签方的梯度密文分批次发给无标签方，从而减少无标签方的数据处理等待时间。
[0166]
在本公开的一种示例性实施例中，上述装置还包括：
[0167]
数据选取单元，用于根据预设比例从标签方数据中选取第一数据集；
[0168]
节点树构建单元，用于根据第一数据集构建第一特征节点树；
[0169]
节点选取单元，用于根据第一特征节点树中各特征节点对应的增益值从各特征节点中选取第一目标特征节点；根据各特征节点对应的各特征节点对应的梯度参数从各特征节点中选取第二目标特征节点；
[0170]
节点树构建单元，还用于根据第一目标特征节点、第二目标特征节点和其余特征节点确定用于构建新特征节点树的特征数据；其中，其余特征节点为各特征节点中除第一目标特征节点和第二目标特征节点之外的特征节点。
[0171]
可见，实施该可选的实施例，可以实现双向约减节点，即，根据第一特征节点树中各特征节点对应的增益值从各特征节点中选取第一目标特征节点，并根据各特征节点对应的各特征节点对应的梯度参数从各特征节点中选取第二目标特征节点，进而根据选取出的节点构建新特征节点树，以在保证训练精度的前提下减少训练量。
[0172]
在本公开的一种示例性实施例中，分布式处理单元601根据梯度参数确定用于多维度表征标签方数据的第一直方图信息，包括：
[0173]
根据梯度参数确定第一特征节点树中父节点对应的直方图子信息和左分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，直到确定出第一直方图信息；或者，
[0174]
根据梯度参数确定第一特征节点树中父节点对应的直方图子信息和右分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，直到确定出第一直方图信息。
[0175]
可见，实施该可选的实施例，可以基于父节点及一侧子节点的直方图子信息确定另一侧子节点的直方图子信息，即直方图差集计算，提升计算直方图信息的效率，进而提升基于直方图信息的xgboost模型训练效率。
[0176]
在本公开的一种示例性实施例中，无标签方根据梯度密文和本方数据确定用于多维度表征无标签方数据的第二直方图信息，包括：
[0177]
无标签方用于在接收到梯度密文时，根据梯度密文和本方数据确定第二特征节点树中父节点对应的直方图子信息和左分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和左分支节点对应的直方图子信息确定右分支节点对应的直方图子信息，直到确定出第二直方图信息；或者，
[0178]
无标签方用于在接收到梯度密文时，根据梯度密文和本方数据确定第二特征节点树中父节点对应的直方图子信息和右分支节点对应的直方图子信息，并根据父节点对应的直方图子信息和右分支节点对应的直方图子信息确定左分支节点对应的直方图子信息，直到确定出第二直方图信息。
[0179]
可见，实施该可选的实施例，无标签方可以基于梯度密文确定父节点及一侧子节点的直方图子信息，进而基于父节点及一侧子节点的直方图子信息确定另一侧子节点的直方图子信息，这样可以在标签方不泄露本地数据的情况下使得无标签方可以共享到标签方的梯度密文，同时也可以提升无标签方计算直方图信息的效率，进而提升基于直方图信息的xgboost模型训练效率。
[0180]
在本公开的一种示例性实施例中，分布式处理单元601通过分布式计算节点确定标签方数据对应的梯度参数，包括：
[0181]
控制分布式计算节点基于各自对应的指针数据从共享存储空间中获取相对应的数据切片，并计算数据切片对应的梯度参数；其中，标签方数据由多个数据切片构成；
[0182]
根据数据切片对应的梯度参数确定标签方数据对应的梯度参数。
[0183]
可见，实施该可选的实施例，可以解决现有技术中读取数据阶段由于单机内存有限无法对大规模数据全部读取的问题，通过分布式计算节点基于指针数据从共享存储中读取各自对应的数据实现对于数据的分布式处理，提升了数据读取效率以及数据处理效率，可以更高效地确定出各标签方数据对应的梯度参数。
[0184]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0185]
由于本公开的示例实施例的基于跨特征联邦的xgboost模型的数据处理装置的各个功能模块与上述基于跨特征联邦的xgboost模型的数据处理方法的示例实施例的步骤对
应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的基于跨特征联邦的xgboost模型的数据处理方法的实施例。
[0186]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0187]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。