一种隐私保护的多层级异构纵向联邦学习方法

本发明提供一种隐私保护的多层级异构纵向联邦学习方法，采用两级数据分布：对于数据在地域上分散且各区域内部不同的实体各自拥有本地样本集合的不同特征，本发明允许在这样的环境中进行有效的模型训练。采用模型异构性处理：对于区域之间因标签分布和模型架构不同而导致的数据集异构性，本发明通过特定机制进行协同训练。使得异构区域下拥有不同数据特征的参与方在不分享本地数据的前提下协作训练神经网络模型，进一步采用差分隐私技术进行隐私增强。与传统的纵向联邦学习技术相比，本发明解决了多层级异构客户端难以在隐私保护的前提下进行建模的问题，其准确率和其他纵向联邦学习方法相比有了很大提升。