一种纵向联邦学习方法、系统、电子设备及可读存储介质

本发明公开了一种纵向联邦学习方法、系统、电子设备及可读存储介质，涉及数据隐私保护技术领域，包括：根据样本数据计算特征相关性，选取最优子集；采用加权分位数略图将样本划分到不同的桶中；基于动态隐私预算分配策略对每个样本的特征进行评估，得到特征重要性，为每个特征分配隐私预算，并对样本进行脱敏；第一参与者接收所有参与者的特征重要性信息，找到特征的最佳分割点并更新预测模型，得到训练好的预测模型；通过训练好的预测模型对新的数据样本进行预测分析。本发明利用提升树的高性能、不均匀分桶策略、特征选择和概率保序算法，实现更高效的数据利用和更好的模型性能，同时在保持精度变化不大的前提下提高运行效率，保护隐私。