一种基于MPC的纵向联邦神经网络的训练方法及装置、推理方法

本发明公开了一种基于MPC的纵向联邦神经网络的训练方法及装置。为解决纵向联邦拆分学习容易遭受模型补全攻击的影响，本发明的神经网络前n层采用模型分片技术，不存在完整的bottom模型，因此不能发起模型补全攻击。为解决由于模型分片而带来的效率问题，在n层之后，借鉴已有模型共享专利思想将模型分片和计算结果的分片都进行算术加和，即采用单服务器的训练和推理模式，以加快运行的速度。由于n通常取值为1或2，所以整个系统的训练和推理效率接近明文的效果，同时保持了安全隐私特性。对于多标签提供方的场景，利用模型和模型结果可分拆可合并特性，将模型和结果再次进行分拆，以保护标签的隐私性。且整体结构仍然适用拆分学习的应用场景。