(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211131463.2 (22)申请日 2022.09.15 (71)申请人 北京八分量信息科技有限公司 地址 100020 北京市朝阳区崔各庄乡东 辛 店村268号院1号楼二层204 号 (72)发明人 阮安邦　袁凯　林振民　 (74)专利代理 机构 浙江千克知识产权代理有限 公司 33246 专利代理师 葛天祥 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) H04L 9/08(2006.01) (54)发明名称 基于横向联邦学习的数据主成分获取方法 (57)摘要 本发明涉及信息技术领域， 具体涉及一种基 于横向联邦学习的数据主成分获取方法， 包括： 分别求本地样本数据的特征和向量； 参与方协商 生成随机 数向量； 与特征和向量相加发送给可信 协调方； 可信协调方计算均值； 参与方计算差值 和协方差矩阵； 再次生成随机数向量， 与协方差 矩阵相加发送给可信协调方； 计算全局协方差矩 阵； 求协方差矩阵的m个特征值和特征向量； 从m 个特征值中从大到小选取d个特征值及相应的特 征向量， 发送给各个参与方； 参与方将本地样本 数据投影到 特征值构成的d维空间中， 获得投影， 即为本地样 本数据的主成分。 本发 明的有益技术 效果包括： 在保护数据隐私的同时， 允许能够使 用更多来源的数据， 提高模型分析的准确度。 权利要求书2页 说明书4页 附图2页 CN 115496139 A 2022.12.20 CN 115496139 A 1.基于横向联邦学习的数据主成分获取 方法， 其特 征在于， 包括： 参与方选定可信协调方， 每个参与方Pk分别求本地样本数据X的每个特征值的和， 获得 特征和向量Wk， nk为本地样本数据的样本数量， xk,i表示参与方Pk的第i行数 据， xk,i具有m个特 征值； 参与方协商生成随机数向量Rk， 满足∑Rk＝0； 将随机数向量Rk作为噪音与本地样本数据的特征和向量Wk相加， Tk＝Wk+Rk， 将Tk以及nk 发送给可信协调方； 可信协调方计算每 个特征值的均值， 将均值发送给 各个参与方； 参与方将每个样本数据的每个特征值与均值计算差值， 计算本地样本数据的协方差矩 阵Uk； 参与方协商再次生成随机数向量Rk， 将随机数向量与协方差矩阵Uk相加， Ck＝Uk+Rk， 将 带有噪音的本地协方差矩阵Ck发送给可信协调方； 可信协调方计算全局协方差矩阵C＝∑Ck/N， N为全部样本数据的总数量 N； 使用( λI‑C)*p＝0， 求得协方差矩阵的m个特 征值和特 征向量， 其中I是m*m的单位矩阵； 从m个特征值中从大到小选取 d个特征值λi,i∈[1,d]及相应的特征向量pi,i∈[1,d]， 建立λ＝ ( λ1, λ2,..., λd)， P＝(p1,p2,...,pd)， 其中P是n行d列的正交矩阵， 每一列代表一个正交基， 即特征向量pi， 将 λ和P发送给 各个参与方Pk； 参与方Pk将本地样本 数据X投影到P构成的d维空间中， 获得本地样本 数据X在d维空间的 投影L， L即为本地样本数据的主成分。 2.根据权利要求1所述的基于横向联邦学习的数据主成分获取 方法， 其特 征在于， 参与方协商生成随机数向量Rk的方法包括： 对所有参与方 赋予次序： P1,P2,...,PK， K表示参与方数量； 对于每一对参与方Pk和Pj， 利用密码交换协议获取一个相同的私钥,记为ckj； 根据参与方次序约定私钥的正负属性后， 私钥ckj作为随机数向量Rk的一个元 素； 确定随机数向量Rk需要生成的元素数量， 多次执行前述步骤获得所需要数量个私钥 ckj， 组成随机数向量Rk。 3.根据权利要求2所述的基于横向联邦学习的数据主成分获取 方法， 其特 征在于， 确定随机数向量Rk需要生成的元素数量的方法为： 获取特征和向量Wk的元素数量即为 随机数向量Rk需要生成的元 素数量。 4.根据权利要求2或3所述的基于横向联邦学习的数据主成分获取 方法， 其特 征在于， 所述密码交换协议 为Diffe‑Hellman密钥交换协议。 5.根据权利要求2或3所述的基于横向联邦学习的数据主成分获取 方法， 其特 征在于， 每个参与方Pk与其他参与方配对获得多个私钥ckj， 计算rkj＝PRNG(ckj)， 其中PRNG()为 伪随机生成函数； 而后计算rk＝‑∑j<krkj+∑k<jrkj， rk作为随机数向量Rk的一个元 素； 多次执行前述步骤获得 所需要数量个rk， 组成随机数向量Rk。 6.根据权利要求1至3任一项所述的基于横向联邦学习的数据主成分获取方法， 其特征 在于， 参与方Pk将本地样本数据X投影到P构成的d维 空间中的方法为： 计算L＝Xk*P， L为n行d权　利　要　求　书 1/2 页 2 CN 115496139 A 2列的矩阵。 7.根据权利要求1至3任一项所述的基于横向联邦学习的数据主成分获取方法， 其特征 在于， 设置d的值由大至小， 获得多个本地样本数据X在d维空间的投影Ld， 计算每个投影的 协方差矩阵Ukd的秩， 秩最大的投影Ld对应的值d为推荐的主成分维度。 8.根据权利要求1至3任一项所述的基于横向联邦学习的数据主成分获取方法， 其特征 在于， 参与方将每个样本数据的每个特征值与均值 计算差值， 即令 计算协 方差矩阵 权　利　要　求　书 2/2 页 3 CN 115496139 A 3