基于同态加密的线性回归模型联邦学习训练方法

本发明公开了基于同态加密的线性回归模型联邦学习训练方法，属于隐私数据加密计算技术领域。解决了现有技术中传统的隐私保护机器学习模型训练方法在同态加密阶段通讯量较大的问题；本发明通过在纵向联邦学习场景下，用户方和服务方采用叠加矩阵乘法协议的加性同态加密算法对线性回归模型进行训练即对初始参数和输入编码更新，得到更新后的密文多项式；通过协调方解密更新后的密文多项式，并发送给服务方和用户方根据线性回归模型选用的梯度下降方法更新梯度和损失函数，根据判定条件决定是否结束训练，重复上述步骤直到线性回归模型训练结束。本发明有效提升了多方隐私数据同态加密计算的安全性，缩短了计算时间，可以应用于隐私数据加密计算。