横向联邦模型构建优化方法、系统、设备、介质及产品与流程

1.本技术涉及金融科技(fintech)的人工智能技术领域，尤其涉及一种横向联邦模型构建优化方法、系统、设备、介质及产品。


背景技术：

2.随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。
3.联邦学习作为一种分布式机器学习方式，可以在保护各参与方设备的数据隐私的前提下解决“数据孤岛”问题，目前在基于横向联邦学习的模型构建过程中通常采用同态加密来进行隐私保护，但是无论是同态加密还是秘密共享，均会导致各参与方设备之间的通信数据量骤升，影响各参与方设备之间的通信效率。


技术实现要素：

4.本技术的主要目的在于提供一种横向联邦模型构建优化方法、系统、设备、介质及产品，旨在解决在进行数据隐私保护的前提下如何提升横向联邦建模过程中各参与方设备之间的通信效率的技术问题。
5.为实现上述目的，本技术提供一种横向联邦模型构建优化方法，应用于参与方设备，所述横向联邦模型构建优化方法包括：
6.获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本；
7.通过将所述周期性变换样本输入本地共享神经网络，对所述私有隐私保护模块和所述本地共享神经网络进行本地迭代训练优化；
8.获取所述本地共享神经网络的本地网络参数，将所述本地网络参数上传至联邦服务器，其中，所述联邦服务器用于将各所述参与方设备上传的本地网络参数聚合为联邦网络参数；
9.接收所述联邦服务器下发的联邦网络参数，将所述本地共享神经网络的本地网络参数更新为所述联邦网络参数；
10.返回执行步骤：获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本，直至检测到横向联邦学习建模完毕。
11.可选地，所述私有隐私保护模块包括私有周期性神经网络和私有噪声模块，
12.所述通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本的步骤包括：
13.通过所述本地样本输入所述私有周期性神经网络，对所述本地样本进行基于周期性的样本映射，得到周期性映射样本；
14.依据所述私有噪声模块，对所述周期性映射样本进行噪声附加，得到所述周期性变换样本。
15.可选地，所述私有周期性神经网络包括神经网络参数和周期性激活函数，
16.所述通过所述本地样本输入所述私有周期性神经网络，对所述本地样本进行基于周期性的样本映射，得到周期性映射样本的步骤包括：
17.依据所述神经网络参数，对所述本地样本进行样本映射，得到映射样本；
18.依据所述周期性激活函数，对所述映射样本进行周期性激活，得到所述周期性映射样本。
19.可选地，所述横向联邦模型构建优化方法还包括：
20.获取待预测样本，根据所述私有隐私保护模块，对所述待预测样本进行基于周期性地样本变换，得到第一周期性变换预测样本；
21.根据所述本地共享神经网络，对所述第一周期性变换预测样本进行样本预测，得到第一样本预测结果。
22.可选地，所述横向联邦模型构建优化方法还包括：
23.接收客户端发送的第二周期性变换预测样本，根据本地共享神经网络，对所述第二周期性变换预测样本进行样本预测，得到第二样本预测结果，其中，所述第二周期性变换预测样本由所述客户端根据所述参与方设备下发的私有隐私保护模块确定的目标隐私保护模块，对待预测样本进行基于周期性地样本变换得到；
24.将所述第二样本预测结果反馈至所述客户端。
25.可选地，在所述接收客户端发送的第二周期性变换预测样本的步骤之前，所述横向联邦模型构建优化方法还包括：
26.将所述私有隐私保护模块和预设噪声阈值下发至客户端，以供所述客户端根据所述预设噪声阈值确定的本地附加噪声，对所述私有隐私保护模块中的私有噪声模块进行调整，得到目标隐私保护模块。
27.本技术还提供一种横向联邦学习系统，所述横向联邦学习系统包括：
28.至少一个参与方设备，用于获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本；通过将所述周期性变换样本输入本地共享神经网络，对所述私有隐私保护模块和所述本地共享神经网络进行本地迭代训练优化；获取所述本地共享神经网络的本地网络参数，将所述本地网络参数上传至联邦服务器；接收所述联邦服务器下发的联邦网络参数，将所述本地共享神经网络的本地网络参数更新为所述联邦网络参数；返回执行步骤：获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本，直至检测到横向联邦学习建模完毕；
29.联邦服务器，用于将各所述参与方设备上传的本地网络参数聚合为联邦网络参数。
30.可选地，所述横向联邦学习系统还包括客户端，
31.所述参与方设备还用于将所述私有隐私保护模块下发至客户端；接收所述客户端发送的周期性变换预测样本，根据本地共享神经网络，对所述周期性变换预测样本进行样本预测，得到样本预测结果；将样本预测结果反馈至所述客户端；
32.所述客户端用于根据所述私有隐私保护模块确定的目标隐私保护模块，对待预测样本进行基于周期性地样本变换，得到周期性变换预测样本；将所述周期性变换预测样本发送至参与方设备；接收所述参与方设备反馈的样本预测结果。
33.可选地，所述私有隐私保护模块包括私有周期性神经网络和私有噪声模块，所述参与方设备还用于：
34.通过所述本地样本输入所述私有周期性神经网络，对所述本地样本进行基于周期性的样本映射，得到周期性映射样本；
35.依据所述私有噪声模块，对所述周期性映射样本进行噪声附加，得到所述周期性变换样本。
36.可选地，所述私有周期性神经网络包括神经网络参数和周期性激活函数，所述参与方设备还用于：
37.依据所述神经网络参数，对所述本地样本进行样本映射，得到映射样本；
38.依据所述周期性激活函数，对所述映射样本进行周期性激活，得到所述周期性映射样本。
39.可选地，所述参与方设备还用于：
40.获取待预测样本，根据所述私有隐私保护模块，对所述待预测样本进行基于周期性地样本变换，得到第一周期性变换预测样本；
41.根据所述本地共享神经网络，对所述第一周期性变换预测样本进行样本预测，得到第一样本预测结果。
42.可选地，所述参与方设备还用于：
43.将所述私有隐私保护模块和预设噪声阈值下发至客户端。
44.可选地，所述客户端还用于：
45.根据预设噪声阈值确定的本地附加噪声，对所述私有隐私保护模块中的私有噪声模块进行调整，得到目标隐私保护模块。
46.本技术还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述横向联邦模型构建优化方法的程序，所述横向联邦模型构建优化方法的程序被处理器执行时可实现如上述的横向联邦模型构建优化方法的步骤。
47.本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现横向联邦模型构建优化方法的程序，所述横向联邦模型构建优化方法的程序被处理器执行时实现如上述的横向联邦模型构建优化方法的步骤。
48.本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的横向联邦模型构建优化方法的步骤。
49.本技术提供了一种横向联邦模型构建优化方法、系统、设备、介质及产品，在该横向联邦学习过程中，每一参与方设备均设置有本地共享神经网络以及私有的私有隐私保护模块，这样参与方设备可以通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本，通过将所述周期性变换样本输入本地共享神经网络，对所述私有隐私保护模块和所述本地共享神经网络进行本地迭代训练优化；获取所述本地共享神经网络的本地网络参数，将所述本地网络参数上传至联邦服务器，
其中，所述联邦服务器用于将各所述参与方设备上传的本地网络参数聚合为联邦网络参数；接收所述联邦服务器下发的联邦网络参数，将所述本地共享神经网络的本地网络参数更新为所述联邦网络参数；返回执行步骤：获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本，直至检测到横向联邦学习建模完毕。其中，由于周期性变换样本是进行周期性地样本变换得到，所以一个周期性变换样本是对应多个私有隐私保护模块的输入样本的，因此即使外界根据本地共享神经网络的模型参数反推到周期性变换样本，也难以反推出周期性变换样本具体对应哪一个周期下的私有隐私保护模块的输入样本，反推的难度等价于容错学习的难度，因此实现了横向联邦学习建模过程中对于参与方设备的数据隐私保护，且参与方设备上传至联邦服务器的本地网络参数均为明文数据，相比于现有技术中在横向联邦学习建模过程中通过同态加密进行数据隐私保护的技术手段，本技术中明文数据的数据量级远低于同态加密的密文数据的数据量级，因此可以降低横向联邦学习建模过程中参与方设备与联邦服务器之间进行数据传输的通信数据量，提升横向联邦学习过程中的通信效率，解决在进行数据隐私保护的前提下如何提升横向联邦建模过程中各参与方设备之间的通信效率的技术问题。
附图说明
50.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
51.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
52.图1为本技术横向联邦模型构建优化方法第一实施例的流程示意图；
53.图2为本技术中横向联邦模型构建优化方法中基于私有隐私保护模块进行周期性地样本变换的流程示意图；
54.图3为本技术横向联邦模型构建优化方法中基于横向联邦学习构建私有隐私保护模块和本地共享神经网络的流程示意图；
55.图4为本技术横向联邦学习系统一实施例的系统结构示意图；
56.图5为本技术实施例中横向联邦模型构建优化方法涉及的硬件运行环境的设备结构示意图。
57.本技术目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
58.为使本技术的上述目的、特征和优点能够更加明显易懂，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，均属于本技术保护的范围。
59.实施例一
60.本技术实施例提供一种横向联邦模型构建优化方法，在本技术横向联邦模型构建优化方法的第一实施例中，参照图1，本实施例的方法应用于参与方设备，所述横向联邦模型构建优化方法包括：
61.步骤s10，获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本；
62.步骤s20，通过将所述周期性变换样本输入本地共享神经网络，对所述私有隐私保护模块和所述本地共享神经网络进行本地迭代训练优化；
63.步骤s30，获取所述本地共享神经网络的本地网络参数，将所述本地网络参数上传至联邦服务器，其中，所述联邦服务器用于将各所述参与方设备上传的本地网络参数聚合为联邦网络参数；
64.步骤s40，接收所述联邦服务器下发的联邦网络参数，将所述本地共享神经网络的本地网络参数更新为所述联邦网络参数；
65.步骤s50，返回执行步骤：获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本，直至检测到横向联邦学习建模完毕。
66.在本实施例中，需要说明的是，所述参与方设备为横向联邦学习的参与方，所述联邦服务器为横向联邦学习的协调方，所述私有隐私保护模块用于对本地样本进行基于周期性的样本变换，将本地样本中每个样本特征值转换为符合周期性变化的周期性变换特征值，从而得到周期性变换样本，这样由于周期性变换特征值符合周期性变化，因此一个周期性变换特征值所对应的样本特征值并不唯一，也即一个周期性变换特征值对应多个不同的样本特征值，因此即使服务器知道周期性变换样本以及私有隐私保护模块的模块参数，也难以反推出周期性变换样本中每个周期性变换特征值所对应的唯一样本特征值，从而难以反推出周期性变换样本所对应的唯一本地样本，反推的难度等价于容错学习的难度，因此可以很好地保护参与方设备中本地样本的数据隐私。所述参与方设备中还设置有本地共享神经网络，该本地共享神经网络与私有隐私保护模块同步迭代训练更新，且本地共享神经网络的本地网络参数直接以明文数据的形式上传至联邦服务器进行聚合，以实现所有参与方设备共享本地神经网络参数。
67.作为一种示例，步骤s10至步骤s50包括：获取本地样本和本地样本对应的样本标签，其中，所述本地样本至少由一个样本特征值组成；通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，以将所述本地样本中各样本特征值转换为符合周期性变化的特征值，得到所述本地样本对应的周期性变换样本；通过将所述周期性变换样本输入本地共享神经网络中进行样本预测，得到样本预测结果；根据所述样本预测结果和样本标签之间的差值，计算对应的模型损失，若模型损失收敛，则判定横向联邦学习建模完毕，若模型损失未收敛，则根据模型损失计算的模型梯度，对私有隐私保护模块和本地共享神经网络进行反向传播更新；返回执行步骤：获取本地样本和本地样本对应的样本标签，并检测所述私有隐私保护模块和本地共享神经网络的迭代更新次数是否达到预设迭代更新次数，若达到，则获取所述本地共享神经网络的本地网络参数，将所述本地网络参数上传至联邦服务器，其中，所述联邦服务器用于将各所述参与方设备上传的本地网络参数聚合为联邦网络参数，聚合的方式可以为加权求和或者加权平均等；接收所述联邦
服务器下发的联邦网络参数，将所述本地共享神经网络的本地网络参数替换更新为所述联邦网络参数；返回执行步骤：获取本地样本和本地样本对应的样本标签，以进行下一轮迭代训练，直至检测到横向联邦学习建模完毕。
68.作为一种示例，为了隐私保护模块可以更高效地学习横向联邦学习中各参与方设备处的知识，在所述将所述本地共享神经网络的本地网络参数替换更新为所述联邦网络参数的步骤之后，还包括：
69.在保持所述本地共享神经网络的网络参数不变的情况下，依据当前的本地样本，对隐私保护模块进行训练更新，直至隐私保护模块满足预设训练更新结束条件，则返回执行步骤：获取本地样本和本地样本对应的样本标签，以进行下一轮迭代训练，直至检测到横向联邦学习建模完毕。其中，所述预设训练更新结束条件可以为达到预设训练更新次数或者模型损失收敛。其中，当前的本地样本为本轮迭代过程中获取的样本。
70.需要说明的是，目前基于横向联邦学习进行模型构建时，为了保护参与方设备的数据隐私，通常是基于同态加密或者秘密共享进行横向联邦学习加密，但是加密后的密文数据的数据量级会远远大于明文数据的数据量级，从而极大程度上增大各参与方设备与联邦服务器之间的通信传输数据量，且极大程度上增加参与方设备和联邦服务器各自的计算数据量，从而会极大程度上影响各参与方设备与联邦服务器之间的通信效率，且极大程度上影响参与方设备和联邦服务器各自在横向联邦学习建模过程中的数据计算效率。而本技术实施例中参与方设备传输给联邦服务器的本地网络参数为明文数据，而非密文数据，因此可以有效降低参与方设备与联邦服务器之间的通信数据量，以及降低参与方设备和联邦服务器各自在横向联邦学习建模过程中的计算数据量，因此可以提升各参与方设备与联邦服务器之间的通信效率，以及提升参与方设备和联邦服务器各自在横向联邦学习建模过程中的数据计算效率，另外，虽然联邦服务器直接拿到了为明文数据的各参与方设备的本地共享神经网络的本地网络参数，联邦服务器可以反推出本地共享神经网络的输入数据，也即为周期性变换样本，但是由于联邦服务器并不知道私有隐私保护模块中的模块参数，因此联邦服务器是无法反推出参与方设备的本地样本的；且即使联邦服务器拿到了私有隐私保护模块中的模块参数，由于周期性变换样本是施加了周期性变化的，因此同一个周期性变换样本中每一个特征值所对应的样本特征值并不唯一，联邦服务器基于周期性变换样本难以反推出一个唯一的本地样本，反推的难度等价于容错学习的难度；因此可以很好地保护参与方设备的数据隐私，综上，本技术实施例中基于横向联邦学习构建私有隐私保护模块和本地共享神经网络，既保护了参与方设备的数据隐私，又提升了参与方设备和联邦服务器之间的通信效率，以及提升了参与方设备和联邦服务器各自在横向联邦学习建模过程中的数据计算效率。
71.其中，所述私有隐私保护模块包括私有周期性神经网络和私有噪声模块，
72.所述通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本的步骤包括：
73.步骤s11，通过所述本地样本输入所述私有周期性神经网络，对所述本地样本进行基于周期性的样本映射，得到周期性映射样本；
74.步骤s12，依据所述私有噪声模块，对所述周期性映射样本进行噪声附加，得到所述周期性变换样本。
75.在本实施例中，需要说明的是，所述私有隐私保护模块可以由私有周期性神经网络和私有噪声模块组成，其中，所述私有周期性神经网络用于对所述本地样本进行基于周期性地样本变换，所述私有噪声模块用于为私有周期性神经网络的输出附加噪声。
76.作为一种示例，步骤s11至步骤s12包括：通过所述本地样本输入所述私有周期性神经网络，对所述本地样本进行基于周期性地样本映射，以将所述本地样本中各样本特征值转换为符合周期性变化的周期性变换特征值，得到所述本地样本对应的周期性映射样本；通过将所述周期性映射样本输入所述私有噪声模块，在所述周期性映射样本中添加对应的附加噪声，得到所述周期性变换样本。本技术实施例中私有隐私保护模块中设置了噪声模块，这样，在将本地样本中每个样本特征值转换为符合周期性变化的周期性变换特征值的基础上，还可以为其附加一个附加噪声，由于私有噪声模块属于参与方设备私自持有，在联邦服务器无法得到该附加噪声的情况下，可以进一步提升联邦服务器反推出参与方设备的本地样本的难度，从而提升本技术实施例横向联邦学习建模过程中进行数据隐私保护的效果。
77.其中，所述私有周期性神经网络包括神经网络参数和周期性激活函数，
78.所述通过所述本地样本输入所述私有周期性神经网络，对所述本地样本进行基于周期性的样本映射，得到周期性映射样本的步骤包括：
79.步骤s111，依据所述神经网络参数，对所述本地样本进行样本映射，得到映射样本；
80.步骤s112，依据所述周期性激活函数，对所述映射样本进行周期性激活，得到所述周期性映射样本。
81.在本实施例中，需要说明的是，所述私有周期性神经网络可以由神经网络参数和周期性激活函数组成，其中，所述神经网络参数用于对本地样本进行线性变换，所述周期性激活函数为周期函数，用于对线性变换后的本地样本进行激活，从而输出周期性映射样本。
82.作为一种示例，步骤s111至步骤s112包括：依据所述神经网络参数，对所述本地样本中各样本特征值进行线性变换，得到线性变换样本；依据所述周期性激活函数，对所述线性变换样本中各特征值进行激活，得到周期性映射样本。其中，由于线性变换样本中各特征值是输入周期性激活函数中进行激活的，因此周期性映射样本中每一特征值是符合周期性变化的，周期性映射样本中每一特征值与本地样本中每一样本特征值并不一一对应，例如假设周期性激活函数为sinx，周期性映射样本中一特征值为1，则相应的x的取值存在多个，所以即使外界拿到神经网络参数以及周期性映射样本，也难以反推出本地样本中的样本特征值，更何况本技术实施例中还为周期性映射样本施加了附加噪声，更进一步增加了外界反推出本地样本的难度。
83.另外，需要说明的是，目前的同态加密或者秘密共享等数据加密方式均为非线性的数据变换过程，因此最终加密得到的密文数据的数据量级通常远大于明文数据的数据量级，而本技术实施例中仅仅是对本地样本进行简单线性变换，虽然线性变换后的明文数据的数据量级会大于线性变换之前的明文数据的数据量，但是线性变换后的明文数据的数据量级同样会远小于密文数据的数据量级，因此相比于基于同态加密或者秘密共享等数据加密方法进行横向联邦学习建模的方式，本技术实施例中参与方设备与联邦服务器之间进行通信所传输的数据量更少，且参与方设备与联邦服务器各自进行数据计算的计算量更少，
可以提升横向联邦学习建模过程中参与方设备与联邦服务器之间的通信效率，以及提升横向联邦学习建模过程中参与方设备与联邦服务器各自进行数据计算的计算效率。
84.作为一种示例，上述根据私有隐私保护模块，对所述本地样本进行基于周期性地样本变换的具体公式如下：
[0085][0086]
其中，o为私有隐私保护模块输出的周期性变换样本，w为所述神经网络参数，x为所述本地样本，为周期为1/r的周期性激活函数，ε为私有噪声模块的附加噪声，参照图2，图2为本技术实施例中基于私有隐私保护模块进行周期性地样本变换的流程示意图，其中，输入数据x为所述本地样本，周期性神经元是激活函数为的周期性神经网络，随机噪声ε为附加噪声，输出数据o为私有隐私保护模块输出的周期性变换样本。
[0087]
其中，所述横向联邦模型构建优化方法还包括：
[0088]
步骤a10，获取待预测样本，根据所述私有隐私保护模块，对所述待预测样本进行基于周期性地样本变换，得到第一周期性变换预测样本；
[0089]
步骤a20，根据所述本地共享神经网络，对所述第一周期性变换预测样本进行样本预测，得到第一样本预测结果。
[0090]
作为一种示例，步骤a10至步骤a20包括：获取待预测样本，其中，所述待预测样本至少由一个待预测样本特征值组成；通过将待预测样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，以将所述待预测样本中各待预测样本特征值转换为符合周期性变化的特征值，得到第一周期性变换预测样本；根据所述本地共享神经网络，对所述第一周期性变换预测样本进行样本预测，得到第一样本预测结果，其中，所述第一样本预测结果可以为预测标签或者预测的概率值。
[0091]
其中，所述横向联邦模型构建优化方法还包括：
[0092]
步骤b10，接收客户端发送的第二周期性变换预测样本，根据本地共享神经网络，对所述第二周期性变换预测样本进行样本预测，得到第二样本预测结果，其中，所述第二周期性变换预测样本由所述客户端根据所述参与方设备下发的私有隐私保护模块确定的目标隐私保护模块，对待预测样本进行基于周期性地样本变换得到；
[0093]
步骤b20，将所述第二样本预测结果反馈至所述客户端。
[0094]
其中，在所述接收客户端发送的第二周期性变换预测样本的步骤之前，所述横向联邦模型构建优化方法还包括：
[0095]
在本实施例中，需要说明的是，所述参与方设备可以将所述私有隐私保护模块部署至客户端，这样客户端持有私有隐私保护模块，参与方设备持有本地共享神经网络，可以实现客户端和参与方设备之间的两方模型安全推理。
[0096]
作为一种示例，步骤b10至步骤b20包括：将所述私有隐私保护模块，以供所述客户端将所述私有隐私保护模块作为目标隐私保护模块，并通过将待预测样本输入私有隐私保护模块中进行基于周期性地样本变换，以将所述待预测样本中各特征值转换为符合周期性变化的周期性变换特征值，得到第二周期性变换预测样本；接收客户端发送的第二周期性变换预测样本，根据本地共享神经网络，对所述第二周期性变换预测样本进行样本预测，得到第二样本预测结果，所述第二样本预测结果可以为预测标签或者预测的概率值；将所述
第二样本预测结果反馈至所述客户端。
[0097]
需要说明的是，目前在进行两方模型安全推理时，参与方设备是愿意提供推理模型作为服务，但不想直接给予客户端推理模型，而客户端希望使用推理模型来预测本地样本，但是客户端认为本地样本是私人信息，不想将本地样本的明文传给参与方设备，目前，通常由客户端本地样本的同态加密密文传输给参与方设备，然后参与方设备利用推理模型对同态加密密文在密文状态下进行计算，但是，由于同态加密密文的数据量级会远大于明文数据的数据量级，因此上述基于同态加密的两方模型安全推理方法会在极大程度上增加客户端与参与方设备之间的通信数据量，以及增加客户端以及参与方设备各自的计算数据量，导致客户端与参与方设备之间的通信效率变低，以及客户端与参与方设备各自的计算效率变低，从而影响两方模型安全推理的效率。而本技术实施例中由于第二周期性变换预测样本是施加了周期性变化的，因此同一个第二周期性变换预测样本中每一个周期性变换特征值所对应的待预测样本的样本特征值并不唯一，参与方设备基于第二周期性变换预测样本难以反推出一个唯一客户端的待预测样本，所以保护了客户端的数据隐私，参与方设备也无需将作为推理模型的本地共享神经网络给予客户端，且由于第二周期性变换预测样本本身为明文数据，实现了通过在客户端和参与方设备之间交互明文数据来实现两方模型安全推理的目的，而明文数据的数据量级远小于密文数据，因此克服了基于同态加密的两方模型安全推理方法会在极大程度上增加客户端与参与方设备之间的通信数据量，以及增加客户端以及参与方设备各自的计算数据量，导致客户端与参与方设备之间的通信效率变低，以及客户端与参与方设备各自的计算效率变低的技术缺陷，提升了两方模型安全推理的效率。
[0098]
步骤c10，将所述私有隐私保护模块和预设噪声阈值下发至客户端，以供所述客户端根据所述预设噪声阈值确定的本地附加噪声，对所述私有隐私保护模块中的私有噪声模块进行调整，得到目标隐私保护模块。
[0099]
在本实施例中，需要说明的是，所述参与方设备还可以将私有隐私保护模块和预设噪声阈值一同下发至客户端，所述客户端根据所述预设噪声阈值确定的本地附加噪声，对所述私有隐私保护模块中的私有噪声模块进行调整，得到目标隐私保护模块，也即客户端得到了一个包含本地附加噪声的私有噪声模块的目标隐私保护模块，这样，在将待预测样本中每个样本特征值转换为符合周期性变化的周期性变换特征值的基础上，还可以为其附加一个本地附加噪声，该本地附加噪声是客户端单独持有的，这样可以进一步提升了外界反推出客户端的待预测样本的难度，从而提升本技术实施例两方模型安全推理中数据隐私保护的效果，且由于限制了该本地附加噪声小于预设噪声阈值，因此不会影响本地共享神经网络的预测准确度。
[0100]
作为一种示例，所述本地样本可以为本地图像样本，所述本地共享神经网络可以为图像识别神经网络，步骤s10至步骤s50包括：获取本地图像样本，通过将所述本地图像样本输入私有隐私保护模块，对所述本地图像样本进行基于周期性地样本变换，得到周期性变换图像样本；通过将所述周期性变换图像样本输入图像识别神经网络，对所述私有隐私保护模块和所述图像识别神经网络进行本地迭代训练优化；获取所述图像识别神经网络的本地网络参数，将所述本地网络参数上传至联邦服务器，其中，所述联邦服务器用于将各所述参与方设备上传的本地网络参数聚合为联邦网络参数；接收所述联邦服务器下发的联邦
网络参数，将所述图像识别神经网络的本地网络参数更新为所述联邦网络参数；返回执行步骤：获取本地图像样本，通过将所述本地图像样本输入私有隐私保护模块，对所述本地图像样本进行基于周期性地样本变换，得到周期性变换图像样本，直至检测到横向联邦学习建模完毕。这样，由于周期性变换图像样本是进行周期性地样本变换得到，所以一个周期性变换图像样本是对应多个私有隐私保护模块的输入图像样本的，因此即使外界根据图像识别神经网络的模型参数反推到周期性变换图像样本，也难以反推出周期性变换图像样本具体对应哪一个周期下的私有隐私保护模块的输入图像样本，反推的难度等价于容错学习的难度，因此实现了基于横向联邦学习构建图像识别模型过程中对于参与方设备的图像数据隐私保护，且参与方设备上传至联邦服务器的本地网络参数均为明文数据，而明文数据的数据量级远低于同态加密的密文数据的数据量级，因此可以降低基于横向联邦学习构建图像识别模型过程中参与方设备与联邦服务器之间进行数据传输的通信数据量，以及可以降低参与方设备与联邦服务器各自进行图像数据计算的计算数据量，提升基于横向联邦学习构建图像识别模型过程中的通信效率以及图像数据计算效率，因此可以提升基于横向联邦学习构建图像识别模型的效率。
[0101]
作为一种示例，需要说明的是，所述私有隐私保护模块可以由一个或者多个护照嵌入网络模块串联组成，所述护照嵌入网络模块可以由一个私有周期性神经网络和一个私有噪声模块串联组成，各参与方设备各自的私有隐私保护模块可以为异构网络，也即各参与方设备处的私有隐私保护模块中护照嵌入网络模块的数量可以不同，各参与方设备可以根据自身的实际需求设计自身的私有隐私保护模块中包含的护照嵌入网络模块的数量多少，例如，样本数量较多的参与方设备，则可以设计为较多护照嵌入网络模块组成的私有隐私保护模块，以此来应对数据分布更加复杂的样本数据，提升进行周期性地样本变换的准确度，从而提升最终样本预测的准确度，而样本数量较多的参与方设备，则可以设计为较少护照嵌入网络模块组成的私有隐私保护模块，从而减少系统资源消耗，提升进行周期性地样本变换的效率，提升最终样本预测的效率，因此本技术实施例中可实现对于不同需求的参与方设备，适配个性化的异构私有隐私保护模块，以满足参与方设备的个性化需求，也即样本数量多的参与方设备需要适配网络结构更为复杂的私有隐私保护模块，样本数量少的参与方设备则需要适配网络结构更为简单的私有隐私保护模块。具体参照图3，图3为本技术实施例中基于横向联邦学习构建私有隐私保护模块和本地共享神经网络的流程示意图，xn为参与方设备的本地样本，私有神经网络dn为私有隐私保护模块，所述私有神经网络dn由一个或者多个护照嵌入网络模块组成，所述护照嵌入网络模块可以由一个私有周期性神经网络和一个私有噪声模块串联组成，各参与方设备的护照嵌入网络模块的数量不同，因此各参与方设备间的私有神经网络dn可以为异构网络，私有周期性神经网络用于对训练样本进行基于周期性地样本变换，私有噪声模块用于为周期性隐私保护模块的输出进行噪声附加，共享神经网络gn为本地共享神经网络，y～n为所述本地共享神经网络输出的预测标签，yn为本地样本的样本标签，ln为模型损失，各参与方设备发送给联邦服务器的g1至gn为不同参与方设备中本地共享神经网络的本地网络参数，g
avg
为所述联邦网络参数。
[0102]
本技术提供了一种横向联邦模型构建优化方法，在该横向联邦学习过程中，每一参与方设备均设置有本地共享神经网络以及私有的私有隐私保护模块，这样参与方设备可以通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变
换，得到周期性变换样本，通过将所述周期性变换样本输入本地共享神经网络，对所述私有隐私保护模块和所述本地共享神经网络进行本地迭代训练优化；获取所述本地共享神经网络的本地网络参数，将所述本地网络参数上传至联邦服务器，其中，所述联邦服务器用于将各所述参与方设备上传的本地网络参数聚合为联邦网络参数；接收所述联邦服务器下发的联邦网络参数，将所述本地共享神经网络的本地网络参数更新为所述联邦网络参数；返回执行步骤：获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本，直至检测到横向联邦学习建模完毕。其中，由于周期性变换样本是进行周期性地样本变换得到，所以一个周期性变换样本是对应多个私有隐私保护模块的输入样本的，因此即使外界根据本地共享神经网络的模型参数反推到周期性变换样本，也难以反推出周期性变换样本具体对应哪一个周期下的私有隐私保护模块的输入样本，反推的难度等价于容错学习的难度，因此实现了横向联邦学习建模过程中对于参与方设备的数据隐私保护，且参与方设备上传至联邦服务器的本地网络参数均为明文数据，相比于现有技术中在横向联邦学习建模过程中通过同态加密进行数据隐私保护的技术手段，本技术中明文数据的数据量级远低于同态加密的密文数据的数据量级，因此可以降低横向联邦学习建模过程中参与方设备与联邦服务器之间进行数据传输的通信数据量，提升横向联邦学习过程中的通信效率，解决在进行数据隐私保护的前提下如何提升横向联邦建模过程中各参与方设备之间的通信效率的技术问题。
[0103]
实施例二
[0104]
本技术实施例提供一种横向联邦模型构建优化方法，应用于联邦服务器，所述横向联邦模型构建优化方法包括：
[0105]
步骤h10，接收各参与方设备上传的本地网络参数，将各所述本地网络参数聚合为联邦网络参数，其中，所述本地网络参数由所述参与方设备依据周期性变换样本，对本地共享神经网络和私有隐私保护模块进迭代训练优化得到，所述周期性变换样本由所述参与方设备依据私有隐私保护模块，对本地样本进行基于周期性地样本变换得到；
[0106]
步骤h20，将所述联邦网络参数发送至各所述参与方设备，以供所述参与方设备将所述本地共享神经网络的本地网络参数更新为所述联邦网络参数，并返回执行步骤：获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本，直至检测到横向联邦学习建模完毕。
[0107]
在本实施例中，需要说明的是，聚合的方式可以为加权平均以及加权求和等，所述参与方设备依据周期性变换样本，对本地共享神经网络和私有隐私保护模块进迭代训练优化，依据私有隐私保护模块，对本地样本进行基于周期性地样本变换，以及将所述本地共享神经网络的本地网络参数更新为所述联邦网络参数的具体实施过程可参照上述步骤s10至步骤s50中具体内容，在此不再赘述。
[0108]
本技术实施例提供了一种横向联邦模型构建优化方法，在该横向联邦学习过程中，每一参与方设备均设置有本地共享神经网络以及私有的私有隐私保护模块，这样参与方设备可以通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本，通过将所述周期性变换样本输入本地共享神经网络，对所述私有隐私保护模块和所述本地共享神经网络进行本地迭代训练优化；获取所述本地共享神经网络的本地网络参数，将所述本地网络参数上传至联邦服务器，其中，所述联邦服务
器用于将各所述参与方设备上传的本地网络参数聚合为联邦网络参数；接收所述联邦服务器下发的联邦网络参数，将所述本地共享神经网络的本地网络参数更新为所述联邦网络参数；返回执行步骤：获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本，直至检测到横向联邦学习建模完毕。其中，由于周期性变换样本是进行周期性地样本变换得到，所以一个周期性变换样本是对应多个私有隐私保护模块的输入样本的，因此即使外界根据本地共享神经网络的模型参数反推到周期性变换样本，也难以反推出周期性变换样本具体对应哪一个周期下的私有隐私保护模块的输入样本，反推的难度等价于容错学习的难度，因此实现了横向联邦学习建模过程中对于参与方设备的数据隐私保护，且参与方设备上传至联邦服务器的本地网络参数均为明文数据，相比于现有技术中在横向联邦学习建模过程中通过同态加密进行数据隐私保护的技术手段，本技术中明文数据的数据量级远低于同态加密的密文数据的数据量级，因此可以降低横向联邦学习建模过程中参与方设备与联邦服务器之间进行数据传输的通信数据量，提升横向联邦学习过程中的通信效率，解决在进行数据隐私保护的前提下如何提升横向联邦建模过程中各参与方设备之间的通信效率的技术问题。
[0109]
实施例三
[0110]
本技术实施例还提供一种两方安全模型推理方法，本实施例的方法应用于客户端，所述两方安全模型推理方法包括：
[0111]
步骤d10，根据目标隐私保护模块，对待预测样本进行基于周期性地样本变换，得到周期性变换预测样本，其中，所述目标隐私保护模块由所述参与方设备下发的私有隐私保护模块和预设噪声阈值进行确定；
[0112]
步骤d20，将所述周期性变换预测样本上传至所述参与方设备，以供所述参与方设备根据本地共享神经网络，对所述周期性变换预测样本进行样本预测，得到样本预测结果；
[0113]
步骤d30，接收所述参与方设备反馈的样本预测结果。
[0114]
作为一种示例，步骤d10至步骤d30包括：通过将待预测样本输入目标隐私保护模块，对待预测样本进行基于周期性地样本变换，以将所述待预测样本中各样本特征值转换为符合周期性变化的特征值，得到周期性变换预测样本，其中，所述目标隐私保护模块由所述参与方设备下发的私有隐私保护模块和预设噪声阈值进行确定；将所述周期性变换预测样本上传至所述参与方设备，以供所述参与方设备根据本地共享神经网络，对所述周期性变换预测样本进行样本预测，得到样本预测结果；接收所述参与方设备反馈的样本预测结果。
[0115]
其中，在所述根据目标隐私保护模块，对待预测样本进行基于周期性地样本变换，得到周期性变换预测样本的步骤之前，所述横向联邦模型构建优化方法还包括：
[0116]
步骤e10，接收所述参与方设备下发的私有隐私保护模块和预设噪声阈值，根据所述预设噪声阈值，生成本地附加噪声；
[0117]
步骤e20，根据所述本地附加噪声，对所述私有隐私保护模块中的私有噪声模块进行调整，得到所述目标隐私保护模块。
[0118]
作为一种示例，步骤e10至步骤e20包括：接收所述参与方设备下发的私有隐私保护模块和预设噪声阈值，生成小于所述预设噪声阈值的本地附加噪声；将所述私有隐私保护模块中的私有噪声模块的附加噪声调整为所述本地附加噪声，得到所述目标隐私保护模
块，从而客户端得到了一个包含本地附加噪声的私有噪声模块的目标隐私保护模块，这样，在将待预测样本中每个样本特征值转换为符合周期性变化的周期性变换特征值的基础上，还可以为其附加一个本地附加噪声，该本地附加噪声是客户端单独持有的，这样可以进一步提升了外界反推出客户端的待预测样本的难度，从而提升本技术实施例两方模型安全推理中数据隐私保护的效果，且由于限制了该本地附加噪声小于预设噪声阈值，因此不会影响本地共享神经网络的预测准确度。
[0119]
本技术实施例提供了一种两方模型安全推理方法，也即根据目标隐私保护模块，对待预测样本进行基于周期性地样本变换，得到周期性变换预测样本，其中，所述目标隐私保护模块由所述参与方设备下发的私有隐私保护模块和预设噪声阈值进行确定；将所述周期性变换预测样本上传至所述参与方设备，以供所述参与方设备根据本地共享神经网络，对所述周期性变换预测样本进行样本预测，得到样本预测结果；接收所述参与方设备反馈的样本预测结果。这样，由于周期性变换预测样本是施加了周期性变化的，因此同一个周期性变换预测样本中每一个周期性变换特征值所对应的待预测样本的样本特征值并不唯一，参与方设备基于第二周期性变换预测样本难以反推出一个唯一的待预测样本，所以保护了客户端的数据隐私，参与方设备也无需将作为推理模型的本地共享神经网络给予客户端，且由于周期性变换预测样本本身为明文数据，实现了通过在客户端和参与方设备之间交互明文数据来实现两方模型安全推理的目的，而明文数据的数据量级远小于密文数据，因此克服了基于同态加密的两方模型安全推理方法会在极大程度上增加客户端与参与方设备之间的通信数据量，以及增加客户端以及参与方设备各自的计算数据量，导致客户端与参与方设备之间的通信效率变低，以及客户端与参与方设备各自的计算效率变低的技术缺陷，提升了两方模型安全推理的效率。
[0120]
实施例四
[0121]
参照图4，本技术实施例还提供一种横向联邦学习系统，所述横向联邦学习系统包括：
[0122]
至少一个参与方设备，用于获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本；通过将所述周期性变换样本输入本地共享神经网络，对所述私有隐私保护模块和所述本地共享神经网络进行本地迭代训练优化；获取所述本地共享神经网络的本地网络参数，将所述本地网络参数上传至联邦服务器；接收所述联邦服务器下发的联邦网络参数，将所述本地共享神经网络的本地网络参数更新为所述联邦网络参数；返回执行步骤：获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本，直至检测到横向联邦学习建模完毕；
[0123]
联邦服务器，用于将各所述参与方设备上传的本地网络参数聚合为联邦网络参数。
[0124]
可选地，所述横向联邦学习系统还包括客户端，
[0125]
所述参与方设备还用于将所述私有隐私保护模块下发至客户端；接收所述客户端发送的周期性变换预测样本，根据本地共享神经网络，对所述周期性变换预测样本进行样本预测，得到样本预测结果；将样本预测结果反馈至所述客户端；
[0126]
所述客户端用于根据所述私有隐私保护模块确定的目标隐私保护模块，对待预测
样本进行基于周期性地样本变换，得到周期性变换预测样本；将所述周期性变换预测样本发送至参与方设备；接收所述参与方设备反馈的样本预测结果。
[0127]
可选地，所述私有隐私保护模块包括私有周期性神经网络和私有噪声模块，所述参与方设备还用于：
[0128]
通过所述本地样本输入所述私有周期性神经网络，对所述本地样本进行基于周期性的样本映射，得到周期性映射样本；
[0129]
依据所述私有噪声模块，对所述周期性映射样本进行噪声附加，得到所述周期性变换样本。
[0130]
可选地，所述私有周期性神经网络包括神经网络参数和周期性激活函数，所述参与方设备还用于：
[0131]
依据所述神经网络参数，对所述本地样本进行样本映射，得到映射样本；
[0132]
依据所述周期性激活函数，对所述映射样本进行周期性激活，得到所述周期性映射样本。
[0133]
可选地，所述参与方设备还用于：
[0134]
获取待预测样本，根据所述私有隐私保护模块，对所述待预测样本进行基于周期性地样本变换，得到第一周期性变换预测样本；
[0135]
根据所述本地共享神经网络，对所述第一周期性变换预测样本进行样本预测，得到第一样本预测结果。
[0136]
可选地，所述参与方设备还用于：
[0137]
将所述私有隐私保护模块和预设噪声阈值下发至客户端。
[0138]
可选地，所述客户端还用于：
[0139]
根据预设噪声阈值确定的本地附加噪声，对所述私有隐私保护模块中的私有噪声模块进行调整，得到目标隐私保护模块。
[0140]
本技术实施例提供的横向联邦学习系统，采用上述实施例中的横向联邦模型构建优化方法，解决了在进行数据隐私保护的前提下如何提升横向联邦建模过程中各参与方设备之间的通信效率的技术问题。与现有技术相比，本技术实施例提供的横向联邦学习系统的有益效果与上述实施例提供的横向联邦模型构建优化方法的有益效果相同，且该横向联邦学习系统中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0141]
实施例五
[0142]
本技术实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的横向联邦模型构建优化方法。
[0143]
下面参考图5，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0144]
如图5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可
以根据存储在只读存储器(rom)中的程序或者从存储装置加载到随机访问存储器(ram)中的程序而执行各种适当的动作和处理。在ram中，还存储有电子设备操作所需的各种程序和数据。处理装置、rom以及ram通过总线彼此训练。输入/输出(i/o)接口也连接至总线。
[0145]
通常，以下系统可以连接至i/o接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
[0146]
特别地，根据本公开的实施例，上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装置从网络上被下载和安装，或者从存储装置被安装，或者从rom被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
[0147]
本技术提供的电子设备，采用上述实施例中的横向联邦模型构建优化方法，解决了在进行数据隐私保护的前提下如何提升横向联邦建模过程中各参与方设备之间的通信效率的技术问题。与现有技术相比，本技术实施例提供的电子设备的有益效果与上述实施例提供的横向联邦模型构建优化方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0148]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0149]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。
[0150]
实施例六
[0151]
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的横向联邦模型构建优化的方法。
[0152]
本技术实施例提供的计算机可读存储介质例如可以是u盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，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。在本实施例中，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、系统或者器件使用或者与其结合使用。计算机可读存储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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0153]
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未
装配入电子设备中。
[0154]
上述计算机可读存储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电子设备执行时，使得电子设备：获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本；通过将所述周期性变换样本输入本地共享神经网络，对所述私有隐私保护模块和所述本地共享神经网络进行本地迭代训练优化；获取所述本地共享神经网络的本地网络参数，将所述本地网络参数上传至联邦服务器，其中，所述联邦服务器用于将各所述参与方设备上传的本地网络参数聚合为联邦网络参数；接收所述联邦服务器下发的联邦网络参数，将所述本地共享神经网络的本地网络参数更新为所述联邦网络参数；返回执行步骤：获取本地样本，通过将所述本地样本输入私有隐私保护模块，对所述本地样本进行基于周期性地样本变换，得到周期性变换样本，直至检测到横向联邦学习建模完毕。
[0155]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0156]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
[0157]
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
[0158]
本技术提供的计算机可读存储介质，存储有用于执行上述横向联邦模型构建优化方法的计算机可读程序指令，解决了在进行数据隐私保护的前提下如何提升横向联邦建模过程中各参与方设备之间的通信效率的技术问题。与现有技术相比，本技术实施例提供的计算机可读存储介质的有益效果与上述实施例提供的横向联邦模型构建优化方法的有益效果相同，在此不做赘述。
[0159]
实施例七
[0160]
本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的横向联邦模型构建优化方法的步骤。
[0161]
本技术提供的计算机程序产品解决了在进行数据隐私保护的前提下如何提升横
向联邦建模过程中各参与方设备之间的通信效率的技术问题。与现有技术相比，本技术实施例提供的计算机程序产品的有益效果与上述实施例提供的横向联邦模型构建优化方法的有益效果相同，在此不做赘述。
[0162]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利处理范围内。