基于特征转换的准确安全纵向联邦学习方法、系统及产品

本发明公开了一种基于特征转换的准确安全纵向联邦学习方法、系统及产品，首先基于自监督任务学习利用对齐未标记样本来增加纵向联邦数据源，以突破对齐标记样本的限制；之后每个被动参与方在本地私有数据集上完成特征转换层和本地模型训练；然后每个被动参与方在前向传播过程中加入差分隐私噪声扰动并上传给主动参与方；之后主动参与方进行全局聚合并完成模型更新，将对应梯度返回给被动参与方；最后被动参与刚完成本地模型更新并开启新一轮本地模型训练。本发明提高了模型的准确性，加速了模型的训练。这为实际场景中基于差分隐私的纵向联邦学习部署提供了一种可能的解决方案。