纵向联邦学习中的隐私保护超高维特征筛选方法

本发明提供了一种纵向联邦学习中的隐私保护超高维特征筛选方法，该方法在独立性检验方法的基础上，加入了隐私保护机制和抽样方法，对第一数据方的数据进行保护，并对控制样本进行抽样，以减少传输成本，独立性检验的计算成本以及数据加密成本；第二数据方使用独立性检验的方法筛除大量冗余特征，获取低维子特征，并使用传统的纵向联邦学习方法构建机器学习模型。本发明大幅降低了由样本量带来的传输成本，加密成本和计算成本，同时大幅降低了由特征维度过高带来的联邦学习的传输成本和解密成本。