一种基于秘密共享的XGBoost纵向联邦学习方法及系统

本发明提出了一种基于秘密共享的XGBoost纵向联邦学习方法及系统，方法包括：S1.各参与方基于事先的约定对XGBoost模型进行初始化；S2.各参与方根据本地拥有的样本标签值和样本预测值计算每个本地样本的一阶梯度和二阶梯度；S3.基于所述一阶梯度和二阶梯度构造树；S4.对构造的树进行判断；如果当前生成的树不是最后一棵，则使用已生成的树预测并更新样本预测值，返回S2；否则结束。本发明在树构造过程中使用了Shamir秘密共享技术，并在基于秘密共享份额计算特征划分矩阵与梯度向量的乘积，使得本发明与现有技术相比具有更低的计算复杂度，即本发明比现有技术具有更高的效率。