CN113806691B - 一种分位数的获取方法、设备及存储介质 - Google Patents

一种分位数的获取方法、设备及存储介质 Download PDF

Info

Publication number
CN113806691B
CN113806691B CN202111153418.2A CN202111153418A CN113806691B CN 113806691 B CN113806691 B CN 113806691B CN 202111153418 A CN202111153418 A CN 202111153418A CN 113806691 B CN113806691 B CN 113806691B
Authority
CN
China
Prior art keywords
quantile
percentage
federal learning
participant
result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111153418.2A
Other languages
English (en)
Other versions
CN113806691A (zh
Inventor
杨一帆
邵一淼
施宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Xinghuan Zhongzhi Information Technology Co ltd
Original Assignee
Henan Xinghuan Zhongzhi Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan Xinghuan Zhongzhi Information Technology Co ltd filed Critical Henan Xinghuan Zhongzhi Information Technology Co ltd
Priority to CN202111153418.2A priority Critical patent/CN113806691B/zh
Publication of CN113806691A publication Critical patent/CN113806691A/zh
Application granted granted Critical
Publication of CN113806691B publication Critical patent/CN113806691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种分位数的获取方法、设备及存储介质，该方法包括：获取联邦学习各参与方的样本数据，并根据样本数据，获取初始分位数；将初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据初始分位数确定的百分比结果；根据各百分比结果，获取总百分比结果，并判断总百分比结果是否满足预设百分比检测条件；若是，则将初始分位数确定为目标分位数。本发明实施例的技术方案，提供了一种联邦学习环境下计算分位数的新方式，避免了联邦学习环境中数据隐私对分位数计算的限制，简化了分位数的计算流程，提升了分位数的计算效率。

Description

一种分位数的获取方法、设备及存储介质
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种分位数的获取方法、设备及存储介质。
背景技术
分位数，又称分位点，是指将一个随机变量的概率分布范围划分为几个等份的数值点。
目前，现有的分位数计算方法，通常是将数据从小到大进行排列，并确定p分位数的位置，进而确定p分位数具体的数值；其中，p分位数，是指将数据划分为p等份。此外，也可以使用机器学习算法对分位数进行近似计算，例如，可以使用xgboost exact greedy算法寻找近似分位数。然而，在联邦学习环境下，由于联邦学习各参与方的数据共享限制，现有的分位数计算方法，不仅存在数据隐私的限制，还存在计算过程复杂、执行效率低的问题。
发明内容
本发明实施例提供一种分位数的获取方法、设备及存储介质，可以避免联邦学习环境中数据隐私对分位数计算的限制，简化分位数的计算流程，提升分位数的计算效率。
第一方面，本发明实施例提供了一种分位数的获取方法，应用于联邦学习系统的联邦学习服务器，包括：
获取联邦学习各参与方的样本数据，并根据所述样本数据，获取初始分位数；
将所述初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据所述初始分位数确定的百分比结果；
根据各百分比结果，获取总百分比结果，并判断所述总百分比结果是否满足预设百分比检测条件；若是，则将初始分位数确定为目标分位数。
第二方面，本发明实施例还提供了一种计算机设备，包括处理器和存储器，所述存储器用于存储指令，当所述指令执行时使得所述处理器执行以下操作：
获取联邦学习各参与方的样本数据，并根据所述样本数据，获取初始分位数；
将所述初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据所述初始分位数确定的百分比结果；
根据各百分比结果，获取总百分比结果，并判断所述总百分比结果是否满足预设百分比检测条件；若是，则将初始分位数确定为目标分位数。
第三方面，本发明实施例还提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的分位数的获取方法。
本发明实施例提供的技术方案，通过获取联邦学习各参与方的样本数据，并根据各样本数据，获取初始分位数；将初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据初始分位数确定的百分比结果；进而根据各百分比结果，获取总百分比结果，并在确定总百分比结果满足预设百分比检测条件时，将初始分位数确定为目标分位数，避免了联邦学习环境中数据隐私对分位数计算的限制，简化了分位数的计算流程，提升了分位数的计算效率。
附图说明
图1是本发明一实施例中的一种分位数的获取方法的应用场景示意图；
图2是本发明另一实施例中的一种分位数的获取方法的流程图；
图3是本发明另一实施例中的一种分位数的获取方法的流程图；
图4A是本发明另一实施例中的一种分位数的获取方法的流程图；
图4B是本发明另一实施例中的一种分位数的获取方法的流程示意图；
图4C是本发明另一实施例中的一种分位数的获取方法的流程示意图；
图5是本发明另一实施例中的一种分位数的获取装置的结构示意图；
图6是本发明另一实施例中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
本文使用的术语“联邦学习系统”可以是由联邦学习服务器与至少一个联邦学习参与方组成的系统；其中，联邦学习服务器用于保存、更新全局的机器学习模型，以及协调和配置各参与方对模型进行训练；联邦学习各参与方，可以是计算机、服务器或者移动终端，用于保存本设备产生的隐私数据，并使用该隐私数据对联邦学习服务器提供的模型进行训练。
本文使用的术语“样本数据”可以是联邦学习各参与方在本地数据中选取的，用于进行分位数计算的数据。
本文使用的术语“初始分位数”可以是联邦学习服务器生成的第一个分位数。
本文使用的术语“百分比结果”可以是样本数据中小于当前分位数的数据个数与总数据个数的比值。
本文使用的术语“总百分比结果”可以是联邦学习服务器综合考虑各参与方获取的百分比结果，生成的总结果。
本文使用的术语“预设百分比检测条件”可以是预先设置的，用于检测当前总百分比结果是否满足任务需求的条件。
本发明实施例提供的一种分位数的获取方法可以应用于如图1所示的场景中。
其中，图1以联邦学习系统包括一个联邦学习服务器和三个联邦学习参与方为例；联邦学习服务器分别与联邦学习各参与方通信连接，联邦学习各参与方之间不存在通行连接，彼此之间数据不共享。
联邦学习服务器，用于生成初始分位数，并将初始分位数下发至各联邦学习参与方，判断联邦学习各参与方反馈的百分比结果是否满足目标百分比结果，以及对初始分位数进行不断迭代更新，直至获取的百分比结果满足目标百分比结果。联邦学习参与方，拥有对应的样本数据集，用于接收联邦学习服务器发送的初始分位数，并根据本地的样本数据集和初始分位数，计算百分比结果，并将百分比结果发送至联邦学习服务器。
图2为本发明一实施例提供的一种分位数的获取方法的流程图，本发明实施例可适用于在联邦学习环境下，实现对分位数的高效获取的情况；该方法可以由计算机设备中的处理器来执行，并一般可集成在服务器中。如图2所示，该方法具体包括如下步骤：
S110、获取联邦学习各参与方的样本数据，并根据所述样本数据，获取初始分位数。
其中，联邦学习参与方的数量，可以根据任务需求进行自适应调整；例如，当对分位数的计算精度要求较高时，可以适当增加联邦学习参与方的数量。需要说明的是，分位数计算所需要的联邦学习参与方有限，而具有样本数据的客户端均可以向服务器发送连接建立请求；故服务器可以根据当前的任务需求，决定是否接受各连接建立请求；例如，服务器可以在发送连接建立请求的客户端中，随机挑选满足任务需求数量的客户端建立通信连接，实现对联邦学习参与方的选择。
需要说明的是，联邦学习各参与方不需要将本地存储的全部数据发送至联邦学习服务器；联邦学习服务器获取联邦学习各参与方的样本数据，可以是获取联邦学习参与方对本地样本数据的分析结果(例如，本地样本数据的平均值)，也可以是获取联邦学习参与方在本地样本数据中筛选的部分数据(例如，本地样本数据的中位数)。
在本实施例中，联邦学习服务器可以向各参与方发送平均值获取请求；各参与方在获取到平均值获取请求之后，计算本地样本数据的平均值，并将获取的平均值作为平均值获取请求的反馈发送至联邦学习服务器；联邦学习服务器在接收到各参与方发送的平均值之后，可以对各平均值进行排序，并在排序后的平均值中，选择各平均值的中位数，并将该中位数作为初始分位数。
在本实施例的一个可选的实施方式中，根据所述样本数据，获取初始分位数，可以包括：获取联邦学习各参与方的样本数据的中位数，并计算各中位数的均值，将所述均值作为初始分位数。
其中，联邦学习服务器在计算初始分位数时，还可以首先向各参与方发送中位数获取请求；各参与方在获取到联邦学习服务器的中位数获取请求之后，对本地样本数据进行排序，并在排序后的本地样本数据中选择中位数，进而将该中位数发送至联邦学习服务器。联邦学习服务器在接收到各参与方发送的中位数之后，可以进一步计算各中位数的平均值，并将该平均值作为初始分位数。
在本实施例中，联邦学习服务器可以通过下述公式，计算各参与方的样本数据的中位数的平均值，以获取初始分位数；
其中，a0表示初始分位数，AVG(·)表示求平均值，mediami表示第i个参与方的中位数，i表示参与方的索引，i∈1,2,...K，K表示联邦学习参与方的数量。
需要说明的，只有在进行第一次的初始分位数的计算时，可以根据各参与方的样本数据，计算初始分位数；后续进行初始分位数的更新时，需要在第一次计算的初始分位数的基础上进行迭代更新，可以提升分位数的收敛速度，进而可以提升获取符合任务需求的分位数的速度。
S120、将所述初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据所述初始分位数确定的百分比结果。
在本实施例中，联邦学习服务器在第一次获取到初始分位数之后，将该初始分位数发送至联邦学习各参与方；各参与方在接收到该初始分位数之后，可以首先对本地样本数据进行排序，并在排序后的本地样本数据中，统计小于初始分位数的数据的数量；进而计算该数量与本地样本数据的总数据量的比值，以将当前比值作为百分比结果。各参与方在计算得到对应的百分比结果之后，将各自对应的百分比结果发送至联邦学习服务器。
可以理解的是，为了保证各参与方与服务器之间的数据安全性，可以对各参与方与服务器之间的传输数据进行加密；例如，当将各参与方本地样本数据中位数的平均值作为初始分位数时，各参与方在对中位数进行发送时，可以在对应中位数上增加一个随机数，只需保证各参与方增加随机数的和为零即可。此时，服务器在接收到各参与方发送的加密数据之后，求取各加密数据的平均值；由于各随机数的和为零，故不会影响最后求取的各中位数的平均值，即不会影响求取的初始分位数；且实现了对传输数据的加密，提升了传输数据的安全性。
S130、根据各百分比结果，获取总百分比结果，并判断所述总百分比结果是否满足预设百分比检测条件；若是，则将初始分位数确定为目标分位数。
在本实施例中，联邦学习服务器在接收到各参与方的百分比结果之后，可以计算各百分比结果的和值，并将该和值作为总百分比结果；也可以对各百分比结果进行加权求和，将最终和值作为总百分比结果。
进一步的，在获取到总百分比结果之后，可以通过判断总百分比结果是否位于预设百分比范围之间，以判断总百分比结果是否满足预设百分比检测条件。其中，若确定总百分比结果位于预设百分比范围之间，例如，总百分比结果为60％，预设百分比范围为50％-70％，此时，总百分比结果位于预设百分比范围之间；则可以确定当前的初始分位数符合任务需求，将该初始分位数作为目标分位数。而若确定总百分比结果超出预设百分比范围，例如，总百分比结果为40％，预设百分比范围为50％-70％，此时，总百分比结果超出了预设百分比范围；表示当前的初始分位数不符合任务需求，则需要在当前初始分位数的基础上进行迭代更新，以获取更新后的初始分位数。
本发明实施例提供的技术方案，通过获取联邦学习各参与方的样本数据，并根据各样本数据，获取初始分位数；将初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据初始分位数确定的百分比结果；进而根据各百分比结果，获取总百分比结果，并在确定总百分比结果满足预设百分比检测条件时，将初始分位数确定为目标分位数，避免了联邦学习环境中数据隐私对分位数计算的限制，简化了分位数的计算流程，提升了分位数的计算效率。
本发明又一实施例提供了一种分位数的获取方法，本实施例以上述实施例为基础，具体介绍在确定总百分比结果不满足预设百分比检测条件之后，对初始分位数进行迭代更新。
图3为本发明又一实施例提供的分位数的获取方法的流程图，本实施例以上述技术方案为基础，提供了一种分位数的获取方法，该方法包括：
S210、获取联邦学习各参与方的样本数据，并根据所述样本数据，获取初始分位数。
S220、将所述初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据所述初始分位数确定的百分比结果。
在本实施例的一个可选的实施方式中，获取联邦学习各参与方根据所述初始分位数确定的百分比结果，可以包括：获取联邦学习各参与方发送的，经过同态加密后的百分比结果，并对各同态加密后的百分比结果进行同态加密的逆运算，获取联邦学习各参与方的百分比结果。
其中，同态加密，是指直接将原文加密，然后在密文上进行各种运算，最终得到结果的密文，与在原文上先进行相同的运算操作，再进行加密所获取的密文完全相同的信息加密方法。需要说明的是，同态加密方法可以由服务器与参与方双方事先约定。
在本实施例中，通过采用同态加密算法对联邦学习各参与方发送的信息进行加密，服务器在接收到加密信息后，可以直接进行计算操作，以获取对应的计算结果；可以避免服务器在接收到加密信息后需要执行对应的解密操作，在保证了数据安全的同时，降低了需要处理的数据量，提升了总百分比结果的计算效率。
S230、根据各百分比结果，获取总百分比结果，并判断所述总百分比结果是否满足预设百分比检测条件。
在本实施例的一个可选的实施方式中，根据各百分比结果，获取总百分比结果，可以包括：获取联邦学习各参与方的样本数量，并根据各样本数量，获取总样本数量；将各样本数量与总样本数量的比值作为联邦学习各参与方对应百分比结果的权重值，对各百分比结果进行加权求和，获取总百分比结果。
可以理解的是，联邦学习各参与方的样本数量不同；而对于拥有更多数量样本的参与方，其生成的百分比结果对总百分比结果的重要程度将更高；因此，在本实施例中，可以采用各参与方的样本数量与总样本数量的比值，衡量各参与方对应百分比结果的重要程度。
具体的，联邦学习服务器可以通过下述公式，计算总百分比结果FN(at)；
其中，at表示初始分位数，t表示迭代次数，Ni表示第i个联邦学习参与方的样本数量，i表示联邦学习参与方的索引，i∈1,2,...K，K表示联邦学习参与方的数量，N表示总样本数量，表示第i个联邦学习参与方的百分比结果。
在本实施例的一个可选的实施方式中，判断所述总百分比结果是否满足预设百分比检测条件，可以包括：获取目标百分比结果，并计算所述总百分比结果与所述目标百分比结果的百分比差值；判断所述百分比差值是否小于预设百分比阈值，若是，则确定所述百分比结果满足预设百分比检测条件；否则，则确定所述百分比结果不满足预设百分比检测条件。
其中，目标百分比结果，为当前分位数计算任务期望达到的百分比结果。在本实施例中，可以预先设置目标百分比结果，在获取到当前迭代的总百分比结果之后，计算总百分比结果与目标百分比结果的差值的绝对值；当该差值的绝对值小于预先设置的百分比阈值时，则可以确定总百分比结果满足预设百分比检测条件；而当该差值的绝对值大于或者等于预先设置的百分比阈值时，可以确定总百分比结果不满足预设百分比检测条件。
S240、否则，则通过联邦学习各参与方根据对应的百分比结果和预设步长，获取各参与方对应的修正分位数。
其中，预设步长，为预设设置的，用于对各参与方的百分比结果进行修正的百分比数值。
在本实施例中，若根据当前的初始分位数获取的总百分比结果不满足预设百分比检测条件，各参与方可以在当前百分比结果的基础上加上预设步长，以获取修正百分比结果；例如，预设步长为0.1％，百分比结果为50％，则修正百分比结果为50.1％。进一步的，各参与方根据各自修正百分比结果，获取对应的分位数作为修正分位数。其中，修正百分比结果，等于在参与方的本地样本数据中，小于修正分位数的数据的数量与数据总量的比值。
S250、根据各修正分位数、初始分位数、各样本数量、总样本数量、总百分比结果、目标百分比结果和预设步长，获取中间分位数。
需要说明的是，在确定根据当前的初始分位数获取的总百分比结果不满足预设百分比检测条件时，首先根据预设步长对各参与方的百分比结果进行修正，以获取各修正百分比结果，进而根据各修正百分比结果，获取各修正分位数；进一步的，在修正分位数的基础上进行中间分位数的计算，可以增加根据中间分位数获取的总百分比结果的收敛速度，提升目标分位数的获取速度。
在本实施例的一个可选的实施方式中，根据各修正分位数、初始分位数、各样本数量、总样本数量、总百分比结果、目标百分比结果和预设步长，获取中间分位数，包括：
根据公式：计算得到中间分位数at+1；
其中，at表示初始分位数，FN(at)表示总百分比结果，ratio表示目标百分比结果，step表示预设步长，Ni表示第i个联邦学习参与方的样本数量，i表示联邦学习参与方的索引，i∈1,2,...K，K表示联邦学习参与方的数量，N表示总样本数量，表示修正分位数。
需要说明的是，可以根据各参与方的样本数量与总样本数量的比值，衡量该参与方对总样本的重要程度。其中，总样本数量N可以通过下述公式进行计算；
其中，Ni表示第i个联邦学习参与方的样本数量，i表示联邦学习参与方的索引，i∈1,2,...K，K表示联邦学习参与方的数量。
还需要说明的是，预设步长的取值对初始分位数的迭代更新存在较大影响，故可以适当调整预设步长的取值，以加快目标分位数的获取速度；例如，可以根据当前总百分比结果与目标百分比结果的差值，对下次迭代所使用的预设步长进行适应性调整；典型的，当差值较大时，可以适当增加下次迭代所使用的预设步长的取值。
在本实施例的另一个可选的实施方式中，在获取到各参与方的修正分位数之后，可以对各修正分位数进行排序，并根据排序结果，确定最大修正分位数；判断当前的最大修正分位数是否小于或者等于预设目标百分比，若是，则将该最大修正分位数作为中间分位数；否则，可以将当前最大修正分位数与上次迭代的最大修正分位数的均值作为中间分位数。
在本实施例中，还可以将各修正分位数输入至预先训练的机器学习模型(例如，xgboost预测模型)，以获取机器学习模型输出的中间分位数；机器学习模型可以基于分位数计算的历史经验进行训练，可以根据输入的分位数，预测迭代后的中间分位数。
需要说明的是，本实施例可以根据不同场景下的任务需求，选择对应不同的分位数迭代方法，以使分位数的获取方法可以适应更多的应用场景，提升分位数获取方法的通用性。例如，当联邦学习服务器的计算内存较小时，可以采用在获取到各参与方的修正分位数之后，对各修正分位数进行排序，以确定最大修正分位数，并基于最大修正分位数获取迭代更新的中间分位数的方式，可以避免对数据的复杂计算，实现对当前应用场景的适应。
S260、采用所述中间分位数更新初始分位数后，返回执行将所述初始分位数发送至联邦学习各参与方的操作，直至所述百分比结果满足预设百分比检测条件，并将当前更新的初始分位数作为目标分位数。
在本实施例中，联邦学习服务器在获取到中间分位数之后，可采用该中间分位数对初始分位数进行更新；进而可以将更新后的初始分位数发送至各参与方，以通过各参与方根据更新后的初始分位数，重新获取对应的百分比结果，并重新根据各百分比结果，获取总百分比结果；进一步的，对该总百分结果进行预设百分比检测条件的重新验证；若成功通过验证，则可以将更新后的初始分位数作为目标分位数；而若验证失败，则可以返回执行步骤S240，重新进行初始分位数的迭代更新，直至获取的总百分比结果成功通过预设百分比检测条件的验证，将当前更新的初始分位数作为目标分位数。
在本实施例中，在确定根据当前的初始分位数获取的总百分比结果不满足预设百分比检测条件时，对初始分位数进行迭代更新，直至根据更新后的初始分位数生成的总百分比结果可以满足预设百分比检测条件，实现了对满足预设百分比检测条件的分位数的高效获取；同时通过预设步长对每次迭代时，各参与方生成的百分比结果进行修正，可以提升获取的总百分比结果的收敛速度，提升满足预设百分比检测条件的总百分比结果的获取速度，进而提升目标分位数的获取速度，提升目标分位数的获取效率。
本发明实施例提供的技术方案，通过获取联邦学习各参与方的样本数据，并根据各样本数据，获取初始分位数；将初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据初始分位数确定的百分比结果；进而根据各百分比结果，获取总百分比结果；当确定总百分比结果不满足预设百分比检测条件时，通过联邦学习各参与方根据对应的百分比结果和预设步长，获取各参与方对应的修正分位数；并根据各修正分位数、初始分位数、各样本数量、总样本数量、总百分比结果、目标百分比结果和预设步长，获取中间分位数；进而在采用中间分位数更新初始分位数后，返回执行将初始分位数发送至联邦学习各参与方的操作，直至百分比结果满足预设百分比检测条件，并将当前更新的初始分位数作为目标分位数，提升了迭代更新过程中总百分比结果的收敛速度，进而提升了目标分位数的获取速度，提升了目标分位数的获取效率。
本发明又一实施例提供了一种分位数的获取方法，本实施例以上述实施例为基础，具体介绍针对总百分比结果是否满足预设百分比检测条件的不同情况，获取对应的目标分位数。
图4A为本发明又一实施例提供的分位数的获取方法的流程图，本实施例以上述技术方案为基础，提供了一种分位数的获取方法，该方法包括：
S310、开始，执行S320。
S320、获取联邦学习各参与方的样本数据，并根据所述样本数据，获取初始分位数，执行S330。
S330、将所述初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据所述初始分位数确定的百分比结果，执行S340。
S340、根据各百分比结果，获取总百分比结果，执行S350。
S350、判断所述总百分比结果是否满足预设百分比检测条件。
其中，若是，执行S360；否则，执行S370。
S360、将初始分位数确定为目标分位数，执行S3100。
S370、通过联邦学习各参与方根据对应的百分比结果和预设步长，获取各参与方对应的修正分位数，执行S380。
S380、根据各修正分位数、初始分位数、各样本数量、总样本数量、总百分比结果、目标百分比结果和预设步长，获取中间分位数，执行S390。
S390、采用所述中间分位数更新初始分位数，返回执行S330。
S3100、结束。
在本实施例的一个具体的实施方式中，如图4B所示，联邦学习服务器接收分位数计算任务发起方的任务信息，并将接收的任务信息(例如，预设步长，目标百分比结果等)发送至各参与方。进而服务器根据各参与方上传的样本数据，决定初始分位数，并将当前初始分位数发送至各参与方。各参与方在接收到初始分位数之后，根据初始分位数计算本地样本数据的百分比结果和样本量，并将百分比结果和样本量发送至服务器。服务器汇总各参与方的百分比结果和样本量，并计算总百分比结果，进而将总百分比结果与目标百分比结果进行比较，以判断当前的总百分比结果是否满足预设百分比检测条件，若确定满足，则可直接将当前初始分位数作为目标分位数；若确定不满足，则决定下一轮的初始分位数，并启动新一轮计算。
在本实施例的另一个具体的实施方式中，如图4C所示，联邦学习各参与方的样本数据集可以是包括居民年收入的居民基本信息数据集，其中，居民基本信息表中共有5个字段，分别如下：索引index(INT32整型)，姓名name(STRING字符串类型，最大长度为20)，年龄age(SHORT16整型)，性别gender(STRING字符串类型，取值为“男”或“女”)，年收入income(INT32整型)。
首先，联邦学习服务器获取联邦学习发起方发送的目标任务信息，确定当前目标任务为计算居民年收入income 60％处的分位数，则目标百分比结果为60％，以及预设步长step＝0.1％。进而，联邦学习服务器将居民年收入分位数计算的学习任务信息，包括目标百分比ratio(60％)和step值(0.1％)等信息经过对称加密后，得到AES(ratio)和AES(step)，并将加密后的学习任务信息发送给联邦学习的各参与方。
其次，联邦学习服务器向联邦学习各参与方发送获取参与方样本总数Ni、样本中位数mediami的请求，其中，i是参与方序号。各参与方在接收到联邦学习服务器的请求信息之后，对本地的样本数据进行排序，并计算中位数mediami和样本总数Ni发送至联邦学习服务器。联邦学习服务器在接收到各参与方发送的中位数和样本总数之后，将所有参与方的中位数的平均值作为第一轮初始分位数，即此时，t＝0。
再次，联邦学习服务器将第一轮初始分位数发送至各参与方；各参与方在接收到初始分位数之后，对本地的样本数据进行排序，并根据初始分位数计算百分比结果和样本量Ni，同时计算出/>对应的修正分位数/>进一步的，各参与方对百分比结果、样本量以及修正分位数进行同态加密得到其中，ε为掩码，/>并将同态加密后的上述信息发送至联邦学习服务器。
最后，联邦学习服务器根据各参与方的样本量计算总样本数量并通过下述公式，根据各百分比结果计算总百分比结果FN(a0)，其中，HE-1表示同态加密的逆运算。
在获取到总百分比结果之后，将总百分比结果与目标百分比ratio(60％)进行比对，若|FN(at)-60％|＜0.05％，则当前的初始分位数为居民年收入60％处的分位数；否则，可以通过下述公式计算下一轮的初始分位数：进一步的，将下一轮的初始分位数发送至各参与方，以使各参与方根据更新后的初始分位数重新进行百分比结果的计算，并重新进行总百分比结果的计算，直至目标任务完成。
本发明实施例提供的技术方案，通过获取联邦学习各参与方的样本数据，并根据各样本数据，获取初始分位数；将初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据初始分位数确定的百分比结果；进而根据各百分比结果，获取总百分比结果，并在确定总百分比结果满足预设百分比检测条件时，将初始分位数确定为目标分位数，避免了联邦学习环境中数据隐私对分位数计算的限制，简化了分位数的计算流程，提升了分位数的计算效率；而当确定总百分比结果不满足预设百分比检测条件时，对初始分位数进行迭代更新，直至百分比结果满足预设百分比检测条件，并将当前更新的初始分位数作为目标分位数，提升了迭代更新过程中总百分比结果的收敛速度，进而提升了目标分位数的获取速度，提升了目标分位数的获取效率。
图5为本发明另一实施例提供的一种分位数的获取装置的结构示意图。如图5所示，该装置包括：初始分位数获取模块410、百分比结果获取模块420和目标分位数确定模块430。其中，
初始分位数获取模块410，用于获取联邦学习各参与方的样本数据，并根据所述样本数据，获取初始分位数；
百分比结果获取模块420，用于将所述初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据所述初始分位数确定的百分比结果；
目标分位数确定模块430，用于根据各百分比结果，获取总百分比结果，并判断所述总百分比结果是否满足预设百分比检测条件；若是，则将初始分位数确定为目标分位数。
本发明实施例提供的技术方案，通过获取联邦学习各参与方的样本数据，并根据各样本数据，获取初始分位数；将初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据初始分位数确定的百分比结果；进而根据各百分比结果，获取总百分比结果，并在确定总百分比结果满足预设百分比检测条件时，将初始分位数确定为目标分位数，避免了联邦学习环境中数据隐私对分位数计算的限制，简化了分位数的计算流程，提升了分位数的计算效率。
可选的，在上述技术方案的基础上，目标分位数确定模块430，包括：
总样本数量获取单元，用于获取联邦学习各参与方的样本数量，并根据各样本数量，获取总样本数量；
总百分比结果获取单元，用于将各样本数量与总样本数量的比值作为联邦学习各参与方对应百分比结果的权重值，对各百分比结果进行加权求和，获取总百分比结果。
可选的，在上述技术方案的基础上，目标分位数确定模块430，包括：
百分比差值计算单元，用于获取目标百分比结果，并计算所述总百分比结果与所述目标百分比结果的百分比差值；
百分比检测条件确定单元，用于判断所述百分比差值是否小于预设百分比阈值，若是，则确定所述百分比结果满足预设百分比检测条件；否则，则确定所述百分比结果不满足预设百分比检测条件。
可选的，在上述技术方案的基础上，所述分位数的获取装置，还包括：
修正分位数获取单元，用于否则，则通过联邦学习各参与方根据对应的百分比结果和预设步长，获取各参与方对应的修正分位数；
中间分位数获取单元，用于根据各修正分位数、初始分位数、各样本数量、总样本数量、总百分比结果、目标百分比结果和预设步长，获取中间分位数；
初始分位数更新单元，用于采用所述中间分位数更新初始分位数后，返回执行将所述初始分位数发送至联邦学习各参与方的操作，直至所述百分比结果满足预设百分比检测条件，并将当前更新的初始分位数作为目标分位数。
可选的，在上述技术方案的基础上，中间分位数获取单元，具体用于根据公式：计算得到中间分位数at+1；
其中，at表示初始分位数，FN(at)表示总百分比结果，ratio表示目标百分比结果，step表示预设步长，Ni表示第i个联邦学习参与方的样本数量，i表示联邦学习参与方的索引，i∈1,2,...K，K表示联邦学习参与方的数量，N表示总样本数量，表示修正分位数。
可选的，在上述技术方案的基础上，初始分位数获取模块410，具体用于获取联邦学习各参与方的样本数据的中位数，并计算各中位数的均值，将所述均值作为初始分位数。
可选的，在上述技术方案的基础上，百分比结果获取模块420，具体用于获取联邦学习各参与方发送的，经过同态加密后的百分比结果，并对各同态加密后的百分比结果进行同态加密的逆运算，获取联邦学习各参与方的百分比结果。
上述装置可执行本发明前述所有实施例所提供的分位数的获取方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
图6为本发明另一实施例提供的一种计算机设备的结构示意图，如图6所示，该计算机设备包括处理器510、存储器520、输入装置530和输出装置540；计算机设备中处理器510的数量可以是一个或多个，图6中以一个处理器510为例；计算机设备中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或其他方式连接，图6中以通过总线连接为例。
存储器520作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明任意实施例中的一种分位数的获取方法对应的程序指令/模块(例如，一种分位数的获取装置中的初始分位数获取模块410、百分比结果获取模块420和目标分位数确定模块430)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的一种分位数的获取方法。也即，该程序被处理器执行时实现：
获取联邦学习各参与方的样本数据，并根据所述样本数据，获取初始分位数；
将所述初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据所述初始分位数确定的百分比结果；
根据各百分比结果，获取总百分比结果，并判断所述总百分比结果是否满足预设百分比检测条件；若是，则将初始分位数确定为目标分位数。
存储器520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器520可进一步包括相对于处理器510远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入，可以包括键盘和鼠标等。输出装置540可包括显示屏等显示设备。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述方法。当然，本发明实施例所提供的一种计算机可读存储介质，其可以执行本发明任意实施例所提供的一种分位数的获取方法中的相关操作。也即，该程序被处理器执行时实现：
获取联邦学习各参与方的样本数据，并根据所述样本数据，获取初始分位数；
将所述初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据所述初始分位数确定的百分比结果；
根据各百分比结果，获取总百分比结果，并判断所述总百分比结果是否满足预设百分比检测条件；若是，则将初始分位数确定为目标分位数。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述一种分位数的获取装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种居民年收入分位数的隐秘获取方法，应用于联邦学习系统的联邦学习服务器，其特征在于，包括：
获取联邦学习发起方发送的目标任务信息，确定当前目标任务为计算居民年收入目标百分比结果处的分位数；
获取联邦学习各参与方的样本数据，并根据所述样本数据，获取初始分位数；所述样本数据，为包括居民年收入的居民基本信息数据，所述居民基本信息数据包括索引、姓名、年龄、性别和年收入；
将所述初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据所述初始分位数确定的百分比结果；其中，联邦学习参与方的数量根据居民年收入分位数的计算精度要求确定；
根据各百分比结果，获取总百分比结果，并判断所述总百分比结果与所述目标百分比结果之间是否满足预设百分比检测条件；若是，则将初始分位数确定为居民年收入目标百分比结果处的目标分位数；
否则，则通过联邦学习各参与方根据对应的百分比结果和预设步长，获取各参与方对应的修正分位数；
根据各修正分位数、初始分位数、各样本数量、总样本数量、总百分比结果、目标百分比结果和预设步长，获取中间分位数；
采用所述中间分位数更新初始分位数后，返回执行将所述初始分位数发送至联邦学习各参与方的操作，直至所述百分比结果满足预设百分比检测条件，并将当前更新的初始分位数作为目标分位数；
其中，根据各修正分位数、初始分位数、各样本数量、总样本数量、总百分比结果、目标百分比结果和预设步长，获取中间分位数，包括：
根据公式：计算得到中间分位数at+1；
其中，at表示初始分位数，FN(at)表示总百分比结果，ratio表示目标百分比结果，step表示预设步长，Ni表示第i个联邦学习参与方的样本数量，i表示联邦学习参与方的索引，i∈1,2,...K，K表示联邦学习参与方的数量，N表示总样本数量，表示修正分位数。
2.根据权利要求1所述的方法，其特征在于，根据各百分比结果，获取总百分比结果，包括：
获取联邦学习各参与方的样本数量，并根据各样本数量，获取总样本数量；
将各样本数量与总样本数量的比值作为联邦学习各参与方对应百分比结果的权重值，对各百分比结果进行加权求和，获取总百分比结果。
3.根据权利要求1所述的方法，其特征在于，判断所述总百分比结果与所述目标百分比结果之间是否满足预设百分比检测条件，包括：
获取目标百分比结果，并计算所述总百分比结果与所述目标百分比结果的百分比差值；
判断所述百分比差值是否小于预设百分比阈值，若是，则确定所述百分比结果满足预设百分比检测条件；否则，则确定所述百分比结果不满足预设百分比检测条件。
4.根据权利要求1所述的方法，其特征在于，根据所述样本数据，获取初始分位数，包括：
获取联邦学习各参与方的样本数据的中位数，并计算各中位数的均值，将所述均值作为初始分位数。
5.根据权利要求1所述的方法，其特征在于，获取联邦学习各参与方根据所述初始分位数确定的百分比结果，包括：
获取联邦学习各参与方发送的，经过同态加密后的百分比结果，并对各同态加密后的百分比结果进行同态加密的逆运算，获取联邦学习各参与方的百分比结果。
6.一种计算机设备，包括处理器和存储器，所述存储器用于存储指令，当所述指令执行时使得所述处理器执行以下操作：
获取联邦学习发起方发送的目标任务信息，确定当前目标任务为计算居民年收入目标百分比结果处的分位数；
获取联邦学习各参与方的样本数据，并根据所述样本数据，获取初始分位数；所述样本数据，为包括居民年收入的居民基本信息数据，所述居民基本信息数据包括索引、姓名、年龄、性别和年收入；
将所述初始分位数发送至联邦学习各参与方，并获取联邦学习各参与方根据所述初始分位数确定的百分比结果；其中，联邦学习参与方的数量根据居民年收入分位数的计算精度要求确定；
根据各百分比结果，获取总百分比结果，并判断所述总百分比结果与所述目标百分比结果之间是否满足预设百分比检测条件；若是，则将初始分位数确定为居民年收入目标百分比结果处的目标分位数；
否则，则通过联邦学习各参与方根据对应的百分比结果和预设步长，获取各参与方对应的修正分位数；
根据各修正分位数、初始分位数、各样本数量、总样本数量、总百分比结果、目标百分比结果和预设步长，获取中间分位数；
采用所述中间分位数更新初始分位数后，返回执行将所述初始分位数发送至联邦学习各参与方的操作，直至所述百分比结果满足预设百分比检测条件，并将当前更新的初始分位数作为目标分位数；
其中，根据各修正分位数、初始分位数、各样本数量、总样本数量、总百分比结果、目标百分比结果和预设步长，获取中间分位数，包括：
根据公式：计算得到中间分位数at+1；
其中，at表示初始分位数，FN(at)表示总百分比结果，ratio表示目标百分比结果，step表示预设步长，Ni表示第i个联邦学习参与方的样本数量，i表示联邦学习参与方的索引，i∈1,2,...K，K表示联邦学习参与方的数量，N表示总样本数量，表示修正分位数。
7.根据权利要求6所述的计算机设备，其特征在于，所述处理器是设置为通过以下方式根据各百分比结果，获取总百分比结果：
获取联邦学习各参与方的样本数量，并根据各样本数量，获取总样本数量；
将各样本数量与总样本数量的比值作为联邦学习各参与方对应百分比结果的权重值，对各百分比结果进行加权求和，获取总百分比结果。
8.根据权利要求6所述的计算机设备，其特征在于，所述处理器是设置为通过以下方式判断所述总百分比结果与所述目标百分比结果之间是否满足预设百分比检测条件：
获取目标百分比结果，并计算所述总百分比结果与所述目标百分比结果的百分比差值；
判断所述百分比差值是否小于预设百分比阈值，若是，则确定所述百分比结果满足预设百分比检测条件；否则，则确定所述百分比结果不满足预设百分比检测条件。
9.根据权利要求6所述的计算机设备，其特征在于，所述处理器是设置为通过以下方式根据所述样本数据，获取初始分位数：
获取联邦学习各参与方的样本数据的中位数，并计算各中位数的均值，将所述均值作为初始分位数。
10.根据权利要求6所述的计算机设备，其特征在于，所述处理器是设置为通过以下方式获取联邦学习各参与方根据所述初始分位数确定的百分比结果：
获取联邦学习各参与方发送的，经过同态加密后的百分比结果，并对各同态加密后的百分比结果进行同态加密的逆运算，获取联邦学习各参与方的百分比结果。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5中任一所述的居民年收入分位数的隐秘获取方法。
CN202111153418.2A 2021-09-29 2021-09-29 一种分位数的获取方法、设备及存储介质 Active CN113806691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111153418.2A CN113806691B (zh) 2021-09-29 2021-09-29 一种分位数的获取方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111153418.2A CN113806691B (zh) 2021-09-29 2021-09-29 一种分位数的获取方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113806691A CN113806691A (zh) 2021-12-17
CN113806691B true CN113806691B (zh) 2024-03-15

Family

ID=78938921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111153418.2A Active CN113806691B (zh) 2021-09-29 2021-09-29 一种分位数的获取方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113806691B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991080A (zh) * 2017-04-12 2017-07-28 北京邮电大学 一种数据的分位数确定方法及装置
CN111756848A (zh) * 2020-06-28 2020-10-09 河海大学 移动边缘环境下基于联邦学习和移动感知的QoS优化方法
CN112308157A (zh) * 2020-11-05 2021-02-02 浙江大学 一种面向决策树的横向联邦学习方法
CN113139603A (zh) * 2021-04-25 2021-07-20 广州大学 一种基于emd距离融合多源异构数据的联邦学习方法
WO2021179720A1 (zh) * 2020-10-12 2021-09-16 平安科技（深圳）有限公司 基于联邦学习的用户数据分类方法、装置、设备及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991080A (zh) * 2017-04-12 2017-07-28 北京邮电大学 一种数据的分位数确定方法及装置
CN111756848A (zh) * 2020-06-28 2020-10-09 河海大学 移动边缘环境下基于联邦学习和移动感知的QoS优化方法
WO2021179720A1 (zh) * 2020-10-12 2021-09-16 平安科技（深圳）有限公司 基于联邦学习的用户数据分类方法、装置、设备及介质
CN112308157A (zh) * 2020-11-05 2021-02-02 浙江大学 一种面向决策树的横向联邦学习方法
CN113139603A (zh) * 2021-04-25 2021-07-20 广州大学 一种基于emd距离融合多源异构数据的联邦学习方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于联邦学习的企业数据共享探讨;何雯;白翰茹;李超;;信息与电脑(理论版)(第08期);全文 *
门限分位数自回归模型的预测方法及应用;康宁;荆科;;数量经济技术经济研究(第03期);全文 *

Also Published As

Publication number Publication date
CN113806691A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN110942154B (zh) 基于联邦学习的数据处理方法、装置、设备及存储介质
WO2021232754A1 (zh) 联邦学习建模方法、设备及计算机可读存储介质
CN112906903B (zh) 网络安全风险预测方法、装置、存储介质及计算机设备
WO2022217914A1 (zh) 一种基于区块链的联邦学习方法及装置
WO2021092980A1 (zh) 纵向联邦学习优化方法、装置、设备及存储介质
CN110807109A (zh) 数据增强策略的生成方法、数据增强方法和装置
CN112039702B (zh) 基于联邦学习和相互学习的模型参数训练方法及装置
CN112799708B (zh) 联合更新业务模型的方法及系统
WO2019019649A1 (zh) 投资组合产品的生成方法、装置、存储介质和计算机设备
CN111767411B (zh) 知识图谱表示学习优化方法、设备及可读存储介质
CN113052329B (zh) 联合更新业务模型的方法及装置
CN114691167A (zh) 机器学习模型更新的方法和装置
US20240119714A1 (en) Image recognition model training method and apparatus
CN113221153A (zh) 图神经网络训练方法、装置、计算设备及存储介质
CN110874638B (zh) 面向行为分析的元知识联邦方法、装置、电子设备及系统
CN116681141A (zh) 隐私保护的联邦学习方法、终端及存储介质
CN110838069A (zh) 数据处理方法、装置以及系统
CN113806691B (zh) 一种分位数的获取方法、设备及存储介质
US20200293911A1 (en) Performing data processing based on decision tree
CN117057445A (zh) 基于联邦学习框架的模型优化方法、系统和装置
CN112804304B (zh) 基于多点输出模型的任务节点分配方法、装置及相关设备
CN114997423A (zh) 一种面向联邦学习的半中心化对抗训练方法
CN113297310A (zh) 一种物联网中区块链分片验证者选取的方法
US20220368723A1 (en) Shuffle system, shuffle method, and program
US11693989B2 (en) Computer-implemented methods and nodes implementing performance estimation of algorithms during evaluation of data sets using multiparty computation based random forest

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant