公开(公告)号：CN117648968A

公开(公告)日：2024-03-05

申请号：CN202311546596.0

申请日：2023-11-17

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 郑龙飞 ,  唐渝洲 ,  王磊 ,  苏建安

IPC: G06N3/098 ,  G06N3/0499 ,  G06N3/045 ,  G06F18/213 ,  G06F18/25 ,  G06F18/241 ,  G06N3/096

Abstract: 本说明书实施例提供一种预测模型的训练方法，应用于多方中的第一方。该方法包括：基于多方中共有样本的第一原始特征和样本标签，与多方中的其他方进行垂直拆分学习，使得多方对应得到训练好的多个特征提取模型，并且，第一方还得到训练好的融合特征处理模型；获取共有样本的目标融合特征，其通过对多个特征提取模型针对共有样本输出的多个提取特征进行融合处理而得到；利用目标模型处理第一原始特征得到目标提取特征；利用训练好的融合特征处理模型处理目标提取特征，得到目标预测结果；基于目标预测结果和对应的样本标签，以及目标提取特征和目标融合特征，训练目标模型，该目标模型用于和融合特征处理模型构建出训练好的预测模型。

公开(公告)号：CN117910540A

公开(公告)日：2024-04-19

申请号：CN202311550868.4

申请日：2023-11-17

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 郑龙飞 ,  唐渝洲 ,  王磊 ,  苏建安

IPC: G06N3/09 ,  G06N3/0464 ,  G06F18/214 ,  G06F18/24

Abstract: 本说明书实施例提供一种保护数据隐私的多方联合训练方法，其中多方各自持有共有样本的不同特征部分，多方之一还持有样本标签。该方法包括：多方各自基于本地样本，采用对比学习确定本地两个嵌入模型各自的第一训练损失；本地样本包括私有样本和共有样本；多方各自计算两个嵌入模型针对各个本地样本的稳定性指标，将其中稳定性更高的嵌入模型针对该本地样本输出的嵌入向量作为标签，确定另一嵌入模型针对该本地样本的第二训练损失；标签方基于两个嵌入模型中的指定模型针对各个共有样本输出的第一嵌入向量，以及其他方各自提供的第一嵌入向量、本地部署的融合模型和样本标签，确定第三训练损失；上述各训练损失用于训练多方各自部署在本地的模型。

公开(公告)号：CN117521772A

公开(公告)日：2024-02-06

申请号：CN202311548821.4

申请日：2023-11-20

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 郑龙飞 ,  唐渝洲 ,  王磊 ,  胡晓龙 ,  苏建安

IPC: G06N3/09 ,  G06N3/0464 ,  G06F18/214 ,  G06F18/24

Abstract: 本说明书实施例提供一种保护数据隐私的多方联合训练方法及装置，其中多方各自持有共有样本的不同特征部分，该方法应用于多方中还持有样本标签的标签方，包括：利用本地第一嵌入模型处理共有样本，得到第一嵌入向量；利用本地第一预测模型处理第一嵌入向量和其他各方针对共有样本提供的嵌入向量之间的融合向量，得到第一预测结果，并结合样本标签确定第一训练损失；利用本地第二嵌入模型和第二预测模型处理共有样本，得到第二预测结果，并结合样本标签确定第二训练损失；将两个训练损失中的较小值所对应嵌入模型输出的嵌入向量作为标签，确定另一嵌入模型针对该共有样本的第三训练损失；其中确定的各项训练损失用于训练多方各自部署在本地的模型。