一种面向多模态大数据的可解释安全纵向联邦表征学习方法及装置

本发明提出了一种面向多模态大数据的可解释安全纵向联邦表征学习方法及装置。该方法针对目标域模态数据稀缺的问题，在目标域模态表征学习过程中使用注意力机制将源域模态的信息补充到目标域模态中，且算法框架是建立在纵向联邦学习的框架下，这样一方面保证了源域和目标域的数据都不出本地，从而提升了数据安全性；另一方面弥补了目标域模态数据不足的问题，提升了下游任务的性能；此外，在构建损失函数的过程中，引入了信息瓶颈理论，通过最小化输入与中间表征之间的冗余信息，同时最大化表征与目标任务之间的相关信息，从而实现高效的信息压缩与特征提取，提升了所提取表征对于下游任务的可解释性。