特許 7584666 連合学習モデルの訓練方法、装置及び電子機器

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-11-07

(45)【発行日】2024-11-15

(54)【発明の名称】連合学習モデルの訓練方法、装置及び電子機器

(51)【国際特許分類】

   G06N 3/098 20230101AFI20241108BHJP

【ＦＩ】

G06N3/098

【請求項の数】 20

(21)【出願番号】P 2023540566

(86)(22)【出願日】2021-12-31

(65)【公表番号】

(43)【公表日】2024-01-12

(86)【国際出願番号】 CN2021143890

(87)【国際公開番号】W WO2022144001

(87)【国際公開日】2022-07-07

【審査請求日】2023-06-30

(31)【優先権主張番号】202011621994.0

(32)【優先日】2020-12-31

(33)【優先権主張国・地域又は機関】CN

(31)【優先権主張番号】202011617342.X

(32)【優先日】2020-12-31

(33)【優先権主張国・地域又は機関】CN

(73)【特許権者】

【識別番号】521507084

【氏名又は名称】京▲東▼科技控股股▲フン▼有限公司

(74)【代理人】

【識別番号】100118913

【弁理士】

【氏名又は名称】上田 邦生

(74)【代理人】

【識別番号】100142789

【弁理士】

【氏名又は名称】柳 順一郎

(74)【代理人】

【識別番号】100201466

【弁理士】

【氏名又は名称】竹内 邦彦

(72)【発明者】

【氏名】ワン， ペイキ

(72)【発明者】

【氏名】ヂャン， ウェンシ

(72)【発明者】

【氏名】グー， ソンギャン

(72)【発明者】

【氏名】ボ， リエフェン

(72)【発明者】

【氏名】サン， メンジェ

【審査官】福西 章人

(56)【参考文献】

【文献】中国特許第１０９１６５６８３（ＣＮ，Ｂ）

【文献】特表２０１９－５２６８５１（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１８／００１８５９０（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／００－９９／００

Ｇ０６Ｆ １８／００－１８／４０

(57)【特許請求の範囲】

【請求項1】

連合学習モデルの訓練方法であって、サーバに適用され、
訓練ノードが予め設定された分割条件を満たす場合、前記訓練ノードに対応するターゲット分割方式を取得するステップであって、前記訓練ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードであるステップと、
前記ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知するステップと、
更新された前記訓練ノードが前記予め設定された分割条件を満たさなくなるまで、前記訓練ノードが分割されて生成された左サブツリーノードを新たに前記訓練ノードとして次のラウンドの訓練を行うステップと、
前記１つのブースティングツリーの他の非葉ノードを新たに前記訓練ノードとして次のラウンドの訓練を行うステップと、
前記複数のブースティングツリーのノードデータセットがいずれも空である場合、訓練を停止し、ターゲット連合学習モデルを生成するステップと、
を含む、連合学習モデルの訓練方法。

【請求項2】

前記訓練ノードに対応するターゲット分割方式を取得するステップが、
第１訓練セットに基づいて、前記クライアントと連携して水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するステップと、
第２訓練セットに基づいて、前記クライアントと連携して垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するステップと、
前記第１分割値と前記第２分割値に基づいて、前記訓練ノードに対応するターゲット分割方式を決定するステップと、
を含む請求項１に記載の連合学習モデルの訓練方法。

【請求項3】

前記第１分割値と前記第２分割値に基づいて、前記訓練ノードに対応するターゲット分割方式を決定するステップが、
前記第１分割値と前記第２分割値のうちの大きい方を前記訓練ノードに対応するターゲット分割値として決定するステップと、
前記ターゲット分割値に基づいて、前記訓練ノードに対応する分割方式を決定するステップと、
を含む請求項２に記載の連合学習モデルの訓練方法。

【請求項4】

前記第１訓練セットに基づいて、前記クライアントと連携して水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するステップが、
前記訓練ノードに利用可能な第１特徴サブセットを前記第１訓練セットから生成して、前記クライアントに送信するステップと、
前記クライアントから送信された前記第１特徴サブセット内の各特徴の特徴値を受信するステップと、
前記第１特徴サブセット内の各特徴の特徴値に基づいて、前記各特徴を分割特徴点とする場合に対応する水平分割値をそれぞれ決定するステップと、
前記各特徴に対応する前記水平分割値に基づいて、前記訓練ノードの前記第１分割値を決定するステップと、
を含む請求項２に記載の連合学習モデルの訓練方法。

【請求項5】

前記第１特徴サブセット内の各特徴の特徴値に基づいて、前記各特徴を分割特徴点とする場合に対応する水平分割値をそれぞれ決定するステップが、
前記第１特徴サブセット内のいずれか１つの特徴に対して、前記いずれか１つの特徴の特徴値に基づいて、前記いずれか１つの特徴の分割閾値を決定するステップと、
前記分割閾値に基づいて、前記いずれか１つの特徴に対応する第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得するステップであって、前記第１データインスタンス識別子セットが、第１左サブツリー空間に属するデータインスタンス識別子を含み、前記第２データインスタンス識別子セットが、第１右サブツリー空間に属するデータインスタンス識別子を含むステップと、
前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとに基づいて、前記いずれか１つの特徴に対応する前記水平分割値を決定するステップと、
を含む請求項４に記載の連合学習モデルの訓練方法。

【請求項6】

前記分割閾値に基づいて、前記いずれか１つの特徴に対応する第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得するステップが、
前記クライアントに前記分割閾値を送信するステップと、
前記クライアントから送信された前記訓練ノードに対応する初期データインスタンス識別子セットを受信するステップであって、前記初期データインスタンス識別子セットが、前記クライアントが前記分割閾値に基づいて前記いずれか１つの特徴に対してノード分割を行うときに生成され、前記初期データインスタンス識別子セットが、前記第１左サブツリー空間に属するデータインスタンス識別子を含むステップと、
前記初期データインスタンス識別子セットとすべてのデータインスタンス識別子とに基づいて、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとを取得するステップと、
を含む請求項５に記載の連合学習モデルの訓練方法。

【請求項7】

前記第２訓練セットに基づいて、前記クライアントと連携して垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するステップが、
前記第２訓練セットに基づいて垂直連合学習を行うように前記クライアントに通知するステップと、
前記クライアントから送信された各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を受信するステップであって、前記第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、前記第２左サブツリー空間は、前記特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる前記第２左サブツリー空間に対応するステップと、
各特徴の前記第１勾配情報と前記訓練ノードの総勾配情報とに基づいて、各特徴の垂直分割値をそれぞれ決定するステップと、
各特徴に対応する垂直分割値に基づいて、前記訓練ノードの前記第２分割値を決定するステップと、
を含む請求項２に記載の連合学習モデルの訓練方法。

【請求項8】

前記各特徴の前記第１勾配情報と前記訓練ノードの総勾配情報とに基づいて、各特徴の垂直分割値をそれぞれ決定するステップが、
いずれか１つの特徴に対して、前記総勾配情報と各第１勾配情報とに基づいて、各第１勾配情報に対応する第２勾配情報をそれぞれ取得するステップと、
各第１勾配情報に対して、前記第１勾配情報、及び前記第１勾配情報に対応する第２勾配情報に基づいて、前記いずれか１つの特徴の候補垂直分割値を取得するステップと、
前記候補垂直分割値のうちの最大値を、前記いずれか１つの特徴の垂直分割値として選択するステップと、
を含む請求項７に記載の連合学習モデルの訓練方法。

【請求項9】

前記訓練ノードが予め設定された分割条件を満たしていない場合、前記訓練ノードが葉ノードであると決定し、前記葉ノードの重み値を取得するステップと、
前記葉ノードの重み値を前記クライアントに送信するステップと、
を含む請求項１に記載の連合学習モデルの訓練方法。

【請求項10】

前記葉ノードの重み値を取得するステップが、
前記葉ノードに属するデータインスタンスを取得するステップと、
前記葉ノードに属する前記データインスタンスの一次勾配情報及び二次勾配情報を取得し、前記一次勾配情報及び前記二次勾配情報に基づいて前記葉ノードの重み値を取得するステップと、
を含む請求項９に記載の連合学習モデルの訓練方法。

【請求項11】

前記ターゲット分割方式に基づいてノード分割を行うように前記クライアントに通知するステップの前に、
分割情報を前記クライアントに送信するステップであって、前記分割情報は、前記ターゲット分割方式、特徴分割点として選択されるターゲット分割特徴、及び前記ターゲット分割値を含むステップを含む請求項３に記載の連合学習モデルの訓練方法。

【請求項12】

前記ターゲット分割方式が垂直分割方式である場合、
前記ターゲット分割方式に基づいてノード分割を行うように前記クライアントに通知するステップの前に、
ラベル付けされたクライアントに前記分割情報を送信するステップと、
前記ラベル付けされたクライアントから送信された左サブツリー空間セットを受信するステップと、
前記左サブツリー空間セットに基づいて、前記第２訓練セットを分割するステップと、
前記訓練ノードを前記ラベル付けされたクライアントの識別子に関連付けるステップと、
を含む請求項１１に記載の連合学習モデルの訓練方法。

【請求項13】

前記ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知するステップの後に、
更新された前記訓練ノードを取得するステップと、
更新された前記訓練ノードが訓練停止条件を満たすと決定された場合、訓練を停止し、ターゲット連合学習モデルを生成するステップと、
検証セットを取得し、検証クライアントと連携して前記ターゲット連合学習モデルを検証するステップであって、前記検証クライアントは連合学習モデルの訓練に参加するクライアントのうちの１つであるステップと、をさらに含む、
ことを特徴とする請求項１に記載の連合学習モデルの訓練方法。

【請求項14】

連合学習モデルの訓練方法であって、クライアントに適用され、
訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信するステップであって、前記訓練ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードであるステップと、
前記ターゲット分割方式に基づいて前記訓練ノードに対してノード分割を行うステップと、
を含む、連合学習モデルの訓練方法。

【請求項15】

前記ターゲット分割方式に基づいて前記訓練ノードに対してノード分割を行うステップの後に、
前記サーバから送信された検証セットを受信し、前記検証セットに基づいて、ターゲット連合学習モデルを検証するステップを含む請求項１４に記載の連合学習モデルの訓練方法。

【請求項16】

前記検証セットに基づいて、ターゲット連合学習モデルを検証するステップが、
前記サーバから送信された前記検証セット内の１つのデータインスタンス識別子、および検証ノードの分割情報を受信するステップであって、前記検証ノードは、複数のブースティングツリーのうちの１つのブースティングツリーのノードであるステップと、
前記データインスタンス識別子と前記分割情報とに基づいて、前記検証ノードのノード進行方向を決定するステップと、
前記サーバが前記ノード進行方向に基づいて次のノードに入って、前記次のノードを更新された前記検証ノードとするように、前記サーバに前記ノード進行方向を送信するステップと、
を含む請求項１５に記載の連合学習モデルの訓練方法。

【請求項17】

前記データインスタンス識別子と前記分割情報とに基づいて、前記検証ノードのノード進行方向を決定するステップが、
前記データインスタンス識別子に基づいて、前記データインスタンス識別子に対応する各特徴の特徴値を決定するステップと、
前記分割情報と前記各特徴の前記特徴値とに基づいて、前記ノード進行方向を決定するステップと、
を含む請求項１６に記載の連合学習モデルの訓練方法。

【請求項18】

前記検証セット内のデータインスタンス識別子がすべて検証された場合、前記サーバから送信された前記データインスタンス識別子によって表されるデータインスタンスのモデル予測値を受信するステップと、
前記モデル予測値に基づいて最終的な検証結果を取得し、前記検証結果を前の検証結果と比較することにより、前記ターゲット連合学習モデルを保留し且つ使用するか否かを指示するための検証指示情報を生成するステップと、
前記サーバに前記検証指示情報を送信するステップと、
を含む請求項１６に記載の連合学習モデルの訓練方法。

【請求項19】

メモリと、プロセッサと、前記メモリに記憶され、前記プロセッサで実行可能なコンピュータプログラムと、を含み、前記プロセッサが前記プログラムを実行する場合、請求項１から１３又は請求項１４から１８のいずれか一項に記載の連合学習モデルの訓練方法が実現される電子機器。

【請求項20】

コンピュータプログラムが記憶されているコンピュータ読み取り可能な記憶媒体であって、
当該プログラムはプロセッサによって実行される場合、請求項１から１３又は請求項１４から１８のいずれか一項に記載の連合学習モデルの訓練方法が実現されるコンピュータ読み取り可能な記憶媒体。

【発明の詳細な説明】

【関連出願の相互引用】

【0001】

本出願は、京東数字科技控股股分有限公司が２０２０年１２月３１日に提出した、発明の名称が「連合学習モデルの訓練方法、装置及び電子機器」で、中国特許出願番号が「２０２０１１６２１９９４．０」である発明の優先権、および京東数字科技控股股分有限公司が２０２０年１２月３１日に提出した、発明の名称が「連合学習モデルの訓練方法、装置及び電子機器」で、中国特許出願番号が「２０２０１１６１７３４２．Ｘ」である発明の優先権を主張する。

【技術分野】

【0002】

本出願は、通信技術の分野に関し、特に連合学習モデルの訓練方法、装置及び電子機器に関する。

【背景技術】

【0003】

連合学習は、ビッグデータ交換時の情報のセキュリティを確保し、端末データと個人データのプライバシーを保護し、コンプライアンスを遵守する前提で、複数の参加者又は複数のコンピューティングノードの間で効率的な機械学習を展開することをその設計の目的とする新興の人工知能基盤技術である。ここで、連合学習に使用できる機械学習アルゴリズムはニューラルネットワークに限らず、ランダムフォレストなどの重要なアルゴリズムも含まれている。連合学習は次世代の人工知能連携アルゴリズムと協動ネットワークの基礎になると期待されている。

【0004】

データの特徴により、連合学習は主に水平連合学習と垂直連合学習に分けられる。ここで、水平連合学習はデータが同型であることを要求し、垂直連合学習はデータが異種であることを要求する。しかしながら、連合学習のために協力する複数のデータは、完全に異種又は同型であることが難しいため、連合学習に基づいてモデル訓練を行う時に、一部の同型または異種のデータを廃棄するしかない。廃棄されるデータが多い場合、連合学習に基づいて訓練して得られたモデルの性能は悪くなる。

【発明の概要】

【0005】

本出願は、関連技術における技術的課題の１つをある程度解決することを目的とする。

【0006】

そのため、本出願の第１の目的は、従来の連合学習モデルの訓練方法のプロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという技術的課題を解決するための連合学習モデルの訓練方法を提供することである。

【0007】

本発明の第２の目的は、もう１つの連合学習モデルの訓練方法を提供することである。

【0008】

本発明の第３の目的は、連合学習モデルの訓練装置を提供することである。

【0009】

本発明の第４の目的は、もう１つの連合学習モデルの訓練装置を提供することである。

【0010】

本発明の第５の目的は、電子機器を提供することである。

【0011】

本発明の第６の目的は、コンピュータ読み取り可能な記憶媒体を提供することである。

【課題を解決するための手段】

【0012】

上記目的を実現するために、本出願の第１態様の実施例は、サーバに適用される連合学習モデルの訓練方法を提供し、前記方法は、訓練ノードが予め設定された分割条件を満たす場合、前記訓練ノードに対応するターゲット分割方式を取得するステップであって、前記訓練ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードであるステップと、前記ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知するステップと、更新された前記訓練ノードが前記予め設定された分割条件を満たさなくなるまで、前記訓練ノードが分割されて生成された左サブツリーノードを新たに前記訓練ノードとして次のラウンドの訓練を行うステップと、前記１つのブースティングツリーの他の非葉ノードを新たに前記訓練ノードとして次のラウンドの訓練を行うステップと、前記複数のブースティングツリーのノードデータセットがいずれも空である場合、訓練を停止し、ターゲット連合学習モデルを生成するステップと、を含む。

【0013】

また、本出願の上記実施例による連合学習モデルの訓練方法はさらに以下のような付加的な技術的特徴を有することができる。

【0014】

本出願の一実施例によると、前記訓練ノードに対応するターゲット分割方式を取得するステップは、第１訓練セットに基づいて、前記クライアントと連携して水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するステップと、第２訓練セットに基づいて、前記クライアントと連携して垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するステップと、前記第１分割値と前記第２分割値に基づいて、前記訓練ノードに対応するターゲット分割方式を決定するステップと、を含む。

【0015】

本出願の一実施例によると、前記第１分割値と前記第２分割値に基づいて、前記訓練ノードに対応するターゲット分割方式を決定するステップは、前記第１分割値と前記第２分割値のうちの大きい方を前記訓練ノードに対応するターゲット分割値として決定するステップと、前記ターゲット分割値に基づいて、前記訓練ノードに対応する分割方式を決定するステップと、を含む。

【0016】

本出願の一実施例によると、前記第１訓練セットに基づいて、前記クライアントと連携して水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するステップは、前記訓練ノードに利用可能な第１特徴サブセットを前記第１訓練セットから生成して、前記クライアントに送信するステップと、前記クライアントから送信された前記第１特徴サブセット内の各特徴の特徴値を受信するステップと、前記第１特徴サブセット内の各特徴の特徴値に基づいて、前記各特徴を分割特徴点とする場合に対応する水平分割値をそれぞれ決定するステップと、前記各特徴に対応する前記水平分割値に基づいて、前記訓練ノードの前記第１分割値を決定するステップと、を含む。

【0017】

本出願の一実施例によると、前記第１特徴サブセット内の各特徴の特徴値に基づいて、前記各特徴を分割特徴点とする場合に対応する水平分割値をそれぞれ決定するステップは、前記第１特徴サブセット内のいずれか１つの特徴に対して、前記いずれか１つの特徴の特徴値に基づいて、前記いずれか１つの特徴の分割閾値を決定するステップと、前記分割閾値に基づいて、前記いずれか１つの特徴に対応する第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得するステップであって、前記第１データインスタンス識別子セットが、第１左サブツリー空間に属するデータインスタンス識別子を含み、前記第２データインスタンス識別子セットが、第１右サブツリー空間に属するデータインスタンス識別子を含むステップと、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとに基づいて、前記いずれか１つの特徴に対応する前記水平分割値を決定するステップと、を含む。

【0018】

本出願の一実施例によると、前記分割閾値に基づいて、前記いずれか１つの特徴に対応する第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得するステップは、前記クライアントに前記分割閾値を送信するステップと、前記クライアントから送信された前記訓練ノードに対応する初期データインスタンス識別子セットを受信するステップであって、前記初期データインスタンス識別子セットは、前記クライアントが前記分割閾値に基づいて前記いずれか１つの特徴に対してノード分割を行うときに生成され、前記初期データインスタンス識別子セットが、前記第１左サブツリー空間に属するデータインスタンス識別子を含むステップと、前記初期データインスタンス識別子セットとすべてのデータインスタンス識別子とに基づいて、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとを取得するステップと、を含む。

【0019】

本出願の一実施例によると、前記初期データインスタンス識別子セットに基づいて、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとを取得するステップは、前記初期データインスタンス識別子セット内の各データインスタンス識別子と、前記クライアントのデータインスタンス識別子とを比較して、異常が存在するデータインスタンス識別子を取得するステップと、前記異常が存在するデータインスタンス識別子を前処理して、前記第１データインスタンス識別子セットを取得するステップと、すべてのデータインスタンス識別子と前記第１データインスタンス識別子セットとに基づいて、前記第２データインスタンス識別子セットを取得するステップと、を含む。

【0020】

本出願の一実施例によると、前記第２訓練セットに基づいて、前記クライアントと連携して垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するステップは、前記第２訓練セットに基づいて垂直連合学習を行うように前記クライアントに通知するステップと、前記クライアントから送信された各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を受信するステップであって、前記第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、前記第２左サブツリー空間は、前記特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる前記第２左サブツリー空間に対応するステップと、各特徴の前記第１勾配情報と前記訓練ノードの総勾配情報とに基づいて、各特徴の垂直分割値をそれぞれ決定するステップと、各特徴に対応する垂直分割値に基づいて、前記訓練ノードの前記第２分割値を決定するステップと、を含む。

【0021】

本出願の一実施例によると、前記各特徴の前記第１勾配情報と前記訓練ノードの総勾配情報とに基づいて、各特徴の垂直分割値をそれぞれ決定するステップは、いずれか１つの特徴に対して、前記総勾配情報と各第１勾配情報とに基づいて、各第１勾配情報に対応する第２勾配情報をそれぞれ取得するステップと、各第１勾配情報に対して、前記第１勾配情報、及び前記第１勾配情報に対応する第２勾配情報に基づいて、前記いずれか１つの特徴の候補垂直分割値を取得するステップと、前記候補垂直分割値のうちの最大値を、前記いずれか１つの特徴の垂直分割値として選択するステップと、を含む。

【0022】

本出願の一実施例によると、前記第１勾配情報は、前記第２左サブツリー空間に属するデータインスタンスに対応する特徴の一次勾配の和、及び前記第２左サブツリー空間に属するデータインスタンスに対応する特徴の二次勾配の和を含み、前記第２勾配情報は、前記第２右サブツリー空間に属するデータインスタンスに対応する特徴の一次勾配の和、及び前記第２右サブツリー空間に属するデータインスタンスに対応する特徴の二次勾配の和を含む。

【0023】

本出願の一実施例によると、前記訓練ノードが予め設定された分割条件を満たしていない場合、前記訓練ノードが葉ノードであると決定し、前記葉ノードの重み値を取得するステップと、前記葉ノードの重み値を前記クライアントに送信するステップと、をさらに含む。

【0024】

本出願の一実施例によると、前記葉ノードの重み値を取得するステップは、前記葉ノードに属するデータインスタンスを取得するステップと、前記葉ノードに属する前記データインスタンスの一次勾配情報及び二次勾配情報を取得し、前記一次勾配情報及び前記二次勾配情報に基づいて前記葉ノードの重み値を取得するステップと、を含む。

【0025】

本出願の一実施例によると、前記ターゲット分割方式に基づいてノード分割を行うように前記クライアントに通知するステップの前は、前記ターゲット分割方式、特徴分割点として選択されるターゲット分割特徴、及び前記ターゲット分割値を含む分割情報を前記クライアントに送信するステップをさらに含む。

【0026】

本出願の一実施例によると、前記ターゲット分割方式が垂直分割方式である場合、前記ターゲット分割方式に基づいてノード分割を行うように前記クライアントに通知するステップの前は、ラベル付けされたクライアントに前記分割情報を送信するステップと、前記ラベル付けされたクライアントから送信された左サブツリー空間セットを受信するステップと、前記左サブツリー空間セットに基づいて、前記第２訓練セットを分割するステップと、前記訓練ノードを前記ラベル付けされたクライアントの識別子に関連付けるステップと、を含む。

【0027】

本出願の一実施例によると、前記訓練ノードが予め設定された分割条件を満たす場合、前記訓練ノードに対応するターゲット分割方式を取得するステップの前に、前記方法は、前記クライアントから送信されたデータインスタンス識別子を受信するステップと、前記データインスタンス識別子に基づいて、クライアント間の共通のデータインスタンス識別子を決定するステップであって、前記共通のデータインスタンス識別子が、前記第１訓練セットと前記第２訓練セットを決定するように前記クライアントに指示するステップと、をさらに含む。

【0028】

本出願の一実施例によると、前記ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知するステップの後は、更新された前記訓練ノードを取得するステップと、更新された前記訓練ノードが訓練停止条件を満たすと決定された場合、訓練を停止し、ターゲット連合学習モデルを生成するステップと、検証セットを取得し、連合学習モデルの訓練に参加するクライアントのうちの１つである検証クライアントと連携して前記ターゲット連合学習モデルを検証するステップと、をさらに含む。

【0029】

本出願の一実施例によると、前記検証セットに基づいて、検証クライアントと連携して前記ターゲットモデルを検証するステップは、前記検証セット内の１つのデータインスタンス識別子、および検証ノードの分割情報を前記検証クライアントに送信するステップであって、前記検証ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードであるステップと、前記検証クライアントから送信された前記検証ノードに対応するノード進行方向を受信するステップであって、前記ノード進行方向は、前記検証クライアントによって前記データインスタンス識別子と分割情報に基づいて決定されるステップと、前記ノード進行方向に基づいて次のノードに入って、前記次のノードを更新された前記検証ノードとするステップと、前記更新された前記検証ノードが前記予め設定されたノード分割条件を満たす場合、前記検証セット内のデータインスタンス識別子がすべて検証されるまで、前記検証クライアントに前記データインスタンス識別子と前記分割情報を送信することに戻るステップと、を含む。

【0030】

本出願の一実施例によると、更新された前記検証ノードが前記予め設定されたノード分割条件を満たしていない場合、更新された前記検証ノードが葉ノードであると決定し、前記データインスタンス識別子によって表されるデータインスタンスのモデル予測値を取得するステップをさらに含む。

【0031】

本出願の一実施例によると、前記検証セット内のデータインスタンス識別子がすべて検証された場合、前記データインスタンスのモデル予測値を前記検証クライアントに送信するステップと、前記検証クライアントから送信された検証指示情報を受信するステップであって、前記検証指示情報は、前記モデル予測値に基づいて取得された、モデルを保留するか否かを指示するための指示情報であるステップと、前記検証指示情報に基づいて、前記ターゲット連合学習モデルを保留し且つ使用するか否かを決定し、決定結果を前記クライアントに送信するステップと、をさらに含む。

【0032】

本出願の一実施例によると、前記訓練ノードに対応するターゲット分割方式を取得するステップは、第１訓練セットに基づいて、前記クライアントと連携して水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するステップと、第２訓練セットに基づいて、前記クライアントと連携して垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するステップと、前記第１分割値と前記第２分割値に基づいて、前記訓練ノードに対応するターゲット分割方式を決定するステップと、を含む。

【0033】

本出願の一実施例によると、前記第１分割値と前記第２分割値に基づいて、前記訓練ノードに対応するターゲット分割方式を決定するステップは、前記第１分割値と前記第２分割値のうちの大きい方を前記訓練ノードに対応するターゲット分割値として決定するステップと、前記ターゲット分割値に基づいて、前記訓練ノードに対応する分割方式を決定するステップと、を含む。

【0034】

本出願の一実施例によると、前記第１訓練セットに基づいて、前記クライアントと連携して水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するステップは、前記訓練ノードに利用可能な第１特徴サブセットを前記第１訓練セットから生成して、前記クライアントに送信するステップと、前記クライアントから送信された前記第１特徴サブセット内の各特徴の特徴値を受信するステップと、前記第１特徴サブセット内の各特徴の特徴値に基づいて、前記各特徴を分割特徴点とする場合に対応する水平分割値をそれぞれ決定するステップと、前記各特徴に対応する前記水平分割値に基づいて、前記訓練ノードの前記第１分割値を決定するステップと、を含む。

【0035】

本出願の一実施例によると、前記第１特徴サブセット内の各特徴の特徴値に基づいて、前記各特徴を分割特徴点とする場合に対応する水平分割値をそれぞれ決定するステップは、前記第１特徴サブセット内のいずれか１つの特徴に対して、前記いずれか１つの特徴の特徴値に基づいて、前記いずれか１つの特徴の分割閾値を決定するステップと、前記分割閾値に基づいて、前記いずれか１つの特徴に対応する第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得するステップであって、前記第１データインスタンス識別子セットが、第１左サブツリー空間に属するデータインスタンス識別子を含み、前記第２データインスタンス識別子セットが、第１右サブツリー空間に属するデータインスタンス識別子を含むステップと、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとに基づいて、前記いずれか１つの特徴に対応する前記水平分割値を決定するステップと、を含む。

【0036】

本出願の一実施例によると、前記分割閾値に基づいて、前記いずれか１つの特徴に対応する第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得するステップは、前記クライアントに前記分割閾値を送信するステップと、前記クライアントから送信された前記訓練ノードに対応する初期データインスタンス識別子セットを受信するステップであって、前記初期データインスタンス識別子セットは、前記クライアントが前記分割閾値に基づいて前記いずれか１つの特徴に対してノード分割を行うときに生成され、前記初期データインスタンス識別子セットが、前記第１左サブツリー空間に属するデータインスタンス識別子を含むステップと、前記初期データインスタンス識別子セットとすべてのデータインスタンス識別子とに基づいて、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとを取得するステップと、を含む。

【0037】

本出願の一実施例によると、前記第２訓練セットに基づいて、前記クライアントと連携して垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するステップは、前記第２訓練セットに基づいて垂直連合学習を行うように前記クライアントに通知するステップと、前記クライアントから送信された各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を受信するステップであって、前記第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、前記第２左サブツリー空間は、前記特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる前記第２左サブツリー空間に対応するステップと、各特徴の前記第１勾配情報と前記訓練ノードの総勾配情報とに基づいて、各特徴の垂直分割値をそれぞれ決定するステップと、各特徴に対応する垂直分割値に基づいて、前記訓練ノードの前記第２分割値を決定するステップと、を含む。

【0038】

本出願の一実施例によると、前記各特徴の前記第１勾配情報と前記訓練ノードの総勾配情報とに基づいて、各特徴の垂直分割値をそれぞれ決定するステップは、いずれか１つの特徴に対して、前記総勾配情報と各第１勾配情報とに基づいて、各第１勾配情報に対応する第２勾配情報をそれぞれ取得するステップと、各第１勾配情報に対して、前記第１勾配情報、及び前記第１勾配情報に対応する第２勾配情報に基づいて、前記いずれか１つの特徴の候補垂直分割値を取得するステップと、前記候補垂直分割値のうちの最大値を、前記いずれか１つの特徴の垂直分割値として選択するステップと、を含む。

【0039】

本出願の一実施例によると、前記検証セットは前記第１訓練セット及び前記第２訓練セットとそれぞれ相互に排他的である。

【0040】

本出願の第１態様の実施例は連合学習モデルの訓練方法を提供し、サーバは水平分割方式と垂直分割方式を混合することにより、マッチングする学習方式の傾向性を自動的に選択し、データ分布方式を気にすることなく、従来の連合学習モデルの訓練プロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという問題を解決するとともに、連合学習モデルの損失を減らし、連合学習モデルの性能を向上させる。

【0041】

上記目的を実現するために、本出願の第２の態様の実施例は、クライアントに適用される連合学習モデルの訓練方法を提供し、前記方法は、訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信するステップであって、前記訓練ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードであるステップと、前記ターゲット分割方式に基づいて前記訓練ノードに対してノード分割を行うステップと、を含む。

【0042】

本出願の一実施例によると、前記ターゲット分割方式に基づいて前記訓練ノードに対してノード分割を行うステップの前は、第１訓練セットに基づいて水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するステップと、第２訓練セットに基づいて垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するステップと、前記第１分割値と前記第２分割値を前記サーバに送信するステップと、をさらに含む。

【0043】

本出願の一実施例によると、前記第１訓練セットに基づいて水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するステップは、前記サーバによって前記第１訓練セットから生成された、前記訓練ノードに利用可能な第１特徴サブセットを受信するステップと、前記サーバに前記第１特徴サブセット内の各特徴の特徴値を送信するステップと、前記サーバから送信された前記各特徴の分割閾値を受信するステップと、前記各特徴の分割閾値に基づいて、前記訓練ノードに対応する初期データインスタンス識別子セットを取得して、前記初期データインスタンス識別子セットを前記サーバに送信するステップであって、ここで、前記初期データインスタンス識別子セットは、第１データインスタンス識別子セットと第２データインスタンス識別子セットとを生成するようにサーバに指示し、前記第１データインスタンス識別子セットと前記初期データインスタンス識別子セットはいずれも第１左サブツリー空間に属するデータインスタンス識別子を含み、前記第２データインスタンス識別子セットは第１右サブツリー空間に属するデータインスタンス識別子を含むステップと、を含む。

【0044】

本出願の一実施例によると、前記各特徴の分割閾値に基づいて、前記訓練ノードに対応する初期データインスタンス識別子セットを取得するステップは、いずれか１つの特徴に対して、前記いずれか１つの特徴の分割閾値を前記いずれか１つの特徴の特徴値とそれぞれ比較して、前記特徴値が前記分割閾値より小さいデータインスタンス識別子を取得して、前記初期データインスタンス識別子セットを生成するステップを含む。

【0045】

本出願の一実施例によると、前記第２訓練セットに基づいて垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するステップの前は、前記サーバから送信された勾配情報要求を受信するステップと、前記勾配情報要求に基づいて、第２訓練セットから第２特徴サブセットを生成するステップと、前記第２特徴サブセット内の各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を取得するステップであって、前記第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、前記第２左サブツリー空間は、前記特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる前記第２左サブツリー空間に対応するステップと、前記第３データインスタンス識別子セットの第１勾配情報を前記サーバに送信するステップと、をさらに含む。

【0046】

本出願の一実施例によると、前記第２特徴サブセット内の各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を取得するステップは、いずれか１つの特徴に対して、前記いずれか１つの特徴のすべての特徴値を取得し、前記特徴値に基づいて前記いずれか１つの特徴をパケット化するステップと、前記いずれか１つの特徴の各パケットの前記第３データインスタンス識別子セットの第１勾配情報を取得するステップと、を含む。

【0047】

本出願の一実施例によると、前記ターゲット分割方式に基づいて前記訓練ノードに対してノード分割を行うステップは、前記サーバから送信された分割情報を受信するステップであって、前記分割情報は、前記ターゲット分割方式、特徴分割点として選択されるターゲット分割特徴、および前記ターゲット分割値を含むステップと、前記分割情報に基づいて前記訓練ノードに対してノード分割を行うステップと、を含む。

【0048】

本出願の一実施例によると、前記訓練ノードに対してノード分割を行うステップの後は、分割して生成された左サブツリー空間を前記サーバに送信するステップをさらに含む。

【0049】

本出願の一実施例によると、前記訓練ノードが葉ノードである場合、前記サーバから送信された前記葉ノードの重み値を受信するステップと、前記葉ノードの重み値に基づいて、前記葉ノードに含まれる各データの残差を決定するステップと、前記残差を次のブースティングツリーの残差入力とするステップと、を含む。

【0050】

本出願の一実施例によると、前記ターゲット分割方式に基づいて前記訓練ノードに対してノード分割を行うステップの後は、前記サーバから送信された検証セットを受信し、前記検証セットに基づいて、前記ターゲット連合学習モデルを検証するステップをさらに含む。

【0051】

本出願の一実施例によると、前記検証セットに基づいて、検証クライアントと連携して前記ターゲットモデルを検証するステップは、前記サーバから送信された前記検証セット内の１つのデータインスタンス識別子、および検証ノードの分割情報を受信するステップであって、前記検証ノードは、複数のブースティングツリーのうちの１つのブースティングツリーのノードであるステップと、前記データインスタンス識別子と前記分割情報とに基づいて、前記検証ノードのノード進行方向を決定するステップと、前記サーバが前記ノード進行方向に基づいて次のノードに入って、前記次のノードを更新された前記検証ノードとするように、前記サーバに前記ノード進行方向を送信するステップと、を含む。

【0052】

本出願の一実施例によると、前記データインスタンス識別子と前記分割情報とに基づいて、前記検証ノードのノード進行方向を決定するステップは、前記データインスタンス識別子に基づいて、前記データインスタンス識別子に対応する各特徴の特徴値を決定するステップと、前記分割情報と前記各特徴の前記特徴値とに基づいて、前記ノード進行方向を決定するステップと、を含む。

【0053】

本出願の一実施例によると、前記検証セット内のデータインスタンス識別子がすべて検証された場合、前記サーバから送信された前記データインスタンス識別子によって表されるデータインスタンスのモデル予測値を受信するステップと、前記モデル予測値に基づいて最終的な検証結果を取得し、前記検証結果を前の検証結果と比較することにより、前記ターゲット連合学習モデルを保留し且つ使用するか否かを指示するための検証指示情報を生成するステップと、前記サーバに前記検証指示情報を送信するステップと、をさらに含む。

【0054】

本出願の一実施例によると、前記ターゲット分割方式に基づいて前記訓練ノードに対してノード分割を行うステップの前は、第１訓練セットに基づいて水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するステップと、第２訓練セットに基づいて垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するステップと、前記第１分割値と前記第２分割値を前記サーバに送信するステップと、をさらに含む。

【0055】

本出願の一実施例によると、前記第１訓練セットに基づいて水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するステップは、前記サーバによって前記第１訓練セットから生成された、前記訓練ノードに利用可能な第１特徴サブセットを受信するステップと、前記サーバに前記第１特徴サブセット内の各特徴の特徴値を送信するステップと、前記サーバから送信された前記各特徴の分割閾値を受信するステップと、前記各特徴の分割閾値に基づいて、前記訓練ノードに対応する初期データインスタンス識別子セットを取得して、前記初期データインスタンス識別子セットを前記サーバに送信するステップであって、前記初期データインスタンス識別子セットは、第１データインスタンス識別子セットと第２データインスタンス識別子セットとを生成するようにサーバに指示し、前記第１データインスタンス識別子セットと前記初期データインスタンス識別子セットはいずれも第１左サブツリー空間に属するデータインスタンス識別子を含み、前記第２データインスタンス識別子セットは第１右サブツリー空間に属するデータインスタンス識別子を含むステップと、をさらに含む。

【0056】

本出願の一実施例によると、前記各特徴の分割閾値に基づいて、前記訓練ノードに対応する初期データインスタンス識別子セットを取得するステップは、いずれか１つの特徴に対して、前記いずれか１つの特徴の分割閾値を前記いずれか１つの特徴の特徴値とそれぞれ比較して、前記特徴値が前記分割閾値より小さいデータインスタンス識別子を取得して、前記初期データインスタンス識別子セットを生成するステップを含む。

【0057】

本出願の一実施例によると、前記第２訓練セットに基づいて垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するステップの前は、前記サーバから送信された勾配情報要求を受信するステップと、前記勾配情報要求に基づいて、第２訓練セットから第２特徴サブセットを生成するステップと、前記第２特徴サブセット内の各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を取得するステップであって、前記第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、前記第２左サブツリー空間は、前記特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる前記第２左サブツリー空間に対応するステップと、前記第３データインスタンス識別子セットの第１勾配情報を前記サーバに送信するステップと、をさらに含む。

【0058】

本出願の一実施例によると、前記第２特徴サブセット内の各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を取得するステップは、いずれか１つの特徴に対して、前記いずれか１つの特徴のすべての特徴値を取得し、前記特徴値に基づいて前記いずれか１つの特徴をパケット化するステップと、前記いずれか１つの特徴の各パケットの前記第３データインスタンス識別子セットの第１勾配情報を取得するステップと、を含む。

【0059】

本出願の第２の態様の実施例は連合学習モデルの訓練方法を提供し、クライアントは、複数のブースティングツリーのうちの１つのブースティングツリーのノードである訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信し、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行うことにより、水平分割方式と垂直分割方式を混合することで、マッチングする学習方式の傾向性を自動的に選択することができ、データ分布方式を気にすることなく、従来の連合学習モデルの訓練プロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという問題を解決するとともに、連合学習モデルの損失を減らし、連合学習モデルの性能を向上させる。

【0060】

上記目的を実現するために、本出願の第３の態様の実施例は、サーバに適用される連合学習モデルの訓練装置を提供し、前記連合学習モデルの訓練装置は、訓練ノードが予め設定された分割条件を満たす場合、前記訓練ノードに対応するターゲット分割方式を取得するための取得モジュールであって、前記訓練ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードである取得モジュールと、前記ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知するための通知モジュールと、更新された前記訓練ノードが前記予め設定された分割条件を満たさなくなるまで、前記訓練ノードが分割されて生成された左サブツリーノードを新たに前記訓練ノードとして次のラウンドの訓練を行うための第１訓練モジュールと、前記１つのブースティングツリーの他の非葉ノードを新たに前記訓練ノードとして次のラウンドの訓練を行うための第２訓練モジュールと、前記複数のブースティングツリーのノードデータセットがいずれも空である場合、訓練を停止し、ターゲット連合学習モデルを生成するための生成モジュールと、を備える。

【0061】

本出願の一実施例によると、前記取得モジュールは、第１訓練セットに基づいて、前記クライアントと連携して水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するための第１学習サブモジュールと、第２訓練セットに基づいて、前記クライアントと連携して垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するための第２学習サブモジュールと、前記第１分割値と前記第２分割値に基づいて、前記訓練ノードに対応するターゲット分割方式を決定するための決定サブモジュールと、を備える。

【0062】

本出願の一実施例によると、前記決定サブモジュールは、前記第１分割値と前記第２分割値のうちの大きい方を前記訓練ノードに対応するターゲット分割値として決定するための第１決定ユニットと、前記ターゲット分割値に基づいて、前記訓練ノードに対応する分割方式を決定するための第２決定ユニットと、を備える。

【0063】

本出願の一実施例によると、前記第１学習サブモジュールは、前記訓練ノードに利用可能な第１特徴サブセットを前記第１訓練セットから生成して、前記クライアントに送信するための生成ユニットと、前記クライアントから送信された前記第１特徴サブセット内の各特徴の特徴値を受信するための第１受信ユニットと、前記第１特徴サブセット内の各特徴の特徴値に基づいて、前記各特徴を分割特徴点とする場合に対応する水平分割値をそれぞれ決定するための第３決定ユニットと、前記各特徴に対応する前記水平分割値に基づいて、前記訓練ノードの前記第１分割値を決定するための第４決定ユニットと、を備える。

【0064】

本出願の一実施例によると、前記第３決定ユニットは、前記第１特徴サブセット内のいずれか１つの特徴に対して、前記いずれか１つの特徴の特徴値に基づいて、前記いずれか１つの特徴の分割閾値を決定するための第１決定サブユニットと、前記分割閾値に基づいて、前記いずれか１つの特徴に対応する第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得するための第１取得サブユニットであって、前記第１データインスタンス識別子セットが、第１左サブツリー空間に属するデータインスタンス識別子を含み、前記第２データインスタンス識別子セットが、第１右サブツリー空間に属するデータインスタンス識別子を含む第１取得サブユニットと、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとに基づいて、前記いずれか１つの特徴に対応する前記水平分割値を決定するための第２決定サブユニットと、を含む。

【0065】

本出願の一実施例によると、前記第１取得サブユニットはさらに、前記クライアントに前記分割閾値を送信し、前記クライアントから送信された前記訓練ノードに対応する初期データインスタンス識別子セットを受信し、前記初期データインスタンス識別子セットは、前記クライアントが前記分割閾値に基づいて前記いずれか１つの特徴に対してノード分割を行うときに生成され、前記初期データインスタンス識別子セットが、前記第１左サブツリー空間に属するデータインスタンス識別子を含み、前記初期データインスタンス識別子セットとすべてのデータインスタンス識別子とに基づいて、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとを取得する。

【0066】

本出願の一実施例によると、前記取得サブユニットはさらに、前記初期データインスタンス識別子セット内の各データインスタンス識別子と、前記クライアントのデータインスタンス識別子とを比較して、異常が存在するデータインスタンス識別子を取得し、前記異常が存在するデータインスタンス識別子を前処理して、前記第１データインスタンス識別子セットを取得し、すべてのデータインスタンス識別子と前記第１データインスタンス識別子セットとに基づいて、前記第２データインスタンス識別子セットを取得する。

【0067】

本出願の一実施例によると、前記第２学習サブモジュールは、前記第２訓練セットに基づいて垂直連合学習を行うように前記クライアントに通知するための通知ユニットと、前記クライアントから送信された各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を受信するための受信ユニットであって、前記第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、前記第２左サブツリー空間は、前記特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる前記第２左サブツリー空間に対応する受信ユニットと、各特徴の前記第１勾配情報と前記訓練ノードの総勾配情報とに基づいて、各特徴の垂直分割値をそれぞれ決定するための第５決定ユニットと、各特徴に対応する垂直分割値に基づいて、前記訓練ノードの前記第２分割値を決定するための第６決定ユニットと、を備える。

【0068】

本出願の一実施例によると、前記第５決定ユニットは、いずれか１つの特徴に対して、前記総勾配情報と各第１勾配情報とに基づいて、各第１勾配情報に対応する第２勾配情報をそれぞれ取得するための第２取得サブユニットと、各第１勾配情報に対して、前記第１勾配情報、及び前記第１勾配情報に対応する第２勾配情報に基づいて、前記いずれか１つの特徴の候補垂直分割値を取得するための第３取得サブユニットと、前記候補垂直分割値のうちの最大値を、前記いずれか１つの特徴の垂直分割値として選択するための選択サブユニットと、を備える。

【0069】

本出願の一実施例によると、前記第１勾配情報は、前記第２左サブツリー空間に属するデータインスタンスに対応する特徴の一次勾配の和、及び前記第２左サブツリー空間に属するデータインスタンスに対応する特徴の二次勾配の和を含み、前記第２勾配情報は、前記第２右サブツリー空間に属するデータインスタンスに対応する特徴の一次勾配の和、及び前記第２右サブツリー空間に属するデータインスタンスに対応する特徴の二次勾配の和を含む。

【0070】

本出願の一実施例によると、前記訓練ノードが予め設定された分割条件を満たしていない場合、前記訓練ノードが葉ノードであると決定し、前記葉ノードの重み値を取得するための決定モジュールと、前記葉ノードの重み値を前記クライアントに送信するための送信モジュールと、をさらに備える。

【0071】

本出願の一実施例によると、前記決定モジュールは、前記葉ノードに属するデータインスタンスを取得するための第１取得ユニットと、前記葉ノードに属する前記データインスタンスの一次勾配情報及び二次勾配情報を取得し、前記一次勾配情報及び前記二次勾配情報に基づいて前記葉ノードの重み値を取得するための第２取得ユニットと、を備える。

【0072】

本出願の一実施例によると、前記決定サブモジュールは、前記ターゲット分割方式、特徴分割点として選択されるターゲット分割特徴、及び前記ターゲット分割値を含む分割情報を前記クライアントに送信するための送信ユニットをさらに備える。

【0073】

本出願の一実施例によると、前記送信ユニットはさらに、ラベル付けされたクライアントに前記分割情報を送信し、前記ラベル付けされたクライアントから送信された左サブツリー空間セットを受信し、前記左サブツリー空間セットに基づいて、前記第２訓練セットを分割し、前記訓練ノードを前記ラベル付けされたクライアントの識別子に関連付ける。

【0074】

本出願の一実施例によると、前記取得モジュールはさらに、前記クライアントから送信されたデータインスタンス識別子を受信し、前記データインスタンス識別子に基づいて、クライアント間の共通のデータインスタンス識別子を決定し、前記共通のデータインスタンス識別子が、前記第１訓練セットと前記第２訓練セットを決定するように前記クライアントに指示する。

【0075】

本出願の一実施例によると、前記通知モジュールはさらに、更新された前記訓練ノードを取得し、前記生成モジュールはさらに、更新された前記訓練ノードが訓練停止条件を満たすと決定された場合、訓練を停止し、ターゲット連合学習モデルを生成し、前記装置は、検証セットを取得し、連合学習モデルの訓練に参加するクライアントのうちの１つである検証クライアントと連携して前記ターゲット連合学習モデルを検証するための検証モジュールをさらに備える。

【0076】

本出願の一実施例によると、前記検証モジュールは、前記検証セット内の１つのデータインスタンス識別子、および検証ノードの分割情報を前記検証クライアントに送信するための第１送信サブモジュールであって、前記検証ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードである第１送信サブモジュールと、前記検証クライアントから送信された前記検証ノードに対応するノード進行方向を受信するための第１受信サブモジュールであって、前記ノード進行方向は、前記検証クライアントによって前記データインスタンス識別子と分割情報に基づいて決定される第１受信サブモジュールと、前記ノード進行方向に基づいて次のノードに入って、前記次のノードを更新された前記検証ノードとするためのノード更新サブモジュールと、前記更新された前記検証ノードが前記予め設定されたノード分割条件を満たす場合、前記検証セット内のデータインスタンス識別子がすべて検証されるまで、前記検証クライアントに前記データインスタンス識別子と前記分割情報を送信することに戻るための第２送信サブモジュールと、を備える。

【0077】

本出願の一実施例によると、前記検証モジュールは、更新された前記検証ノードが前記予め設定されたノード分割条件を満たしていない場合、更新された前記検証ノードが葉ノードであると決定し、前記データインスタンス識別子によって表されるデータインスタンスのモデル予測値を取得するための取得サブモジュールをさらに備える。

【0078】

本出願の一実施例によると、前記検証モジュールは、前記検証セット内のデータインスタンス識別子がすべて検証された場合、前記データインスタンスのモデル予測値を前記検証クライアントに送信するための第３送信サブモジュールと、前記検証クライアントから送信された検証指示情報を受信するための第２受信サブモジュールであって、前記検証指示情報は、前記モデル予測値に基づいて取得された、モデルを保留するか否かを指示するための指示情報である第２受信サブモジュールと、前記検証指示情報に基づいて、前記ターゲット連合学習モデルを保留し且つ使用するか否かを決定し、決定結果を前記クライアントに送信するための決定サブモジュールと、をさらに備える。

【0079】

本出願の一実施例によると、前記取得モジュールは、第１訓練セットに基づいて、前記クライアントと連携して水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するための第１学習サブモジュールと、第２訓練セットに基づいて、前記クライアントと連携して垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するための第２学習サブモジュールと、前記第１分割値と前記第２分割値に基づいて、前記訓練ノードに対応するターゲット分割方式を決定するための決定サブモジュールと、を備える。

【0080】

本出願の一実施例によると、前記決定サブモジュールは、前記第１分割値と前記第２分割値のうちの大きい方を前記訓練ノードに対応するターゲット分割値として決定するための第１決定ユニットと、前記ターゲット分割値に基づいて、前記訓練ノードに対応する分割方式を決定するための第２決定ユニットと、を備える。

【0081】

本出願の一実施例によると、前記第１学習サブモジュールは、前記訓練ノードに利用可能な第１特徴サブセットを前記第１訓練セットから生成して、前記クライアントに送信するための送信ユニットと、前記クライアントから送信された前記第１特徴サブセット内の各特徴の特徴値を受信するための第１受信ユニットと、前記第１特徴サブセット内の各特徴の特徴値に基づいて、前記各特徴を分割特徴点とする場合に対応する水平分割値をそれぞれ決定するための第３決定ユニットと、前記各特徴に対応する前記水平分割値に基づいて、前記訓練ノードの前記第１分割値を決定するための第４決定ユニットと、を備える。

【0082】

本出願の一実施例によると、前記第３決定ユニットは、前記第１特徴サブセット内のいずれか１つの特徴に対して、前記いずれか１つの特徴の特徴値に基づいて、前記いずれか１つの特徴の分割閾値を決定するための第１決定サブユニットと、前記分割閾値に基づいて、前記いずれか１つの特徴に対応する第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得するための第１取得サブユニットであって、前記第１データインスタンス識別子セットが、第１左サブツリー空間に属するデータインスタンス識別子を含み、前記第２データインスタンス識別子セットが、第１右サブツリー空間に属するデータインスタンス識別子を含む第１取得サブユニットと、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとに基づいて、前記いずれか１つの特徴に対応する前記水平分割値を決定するための第２決定サブユニットと、を備える。

【0083】

本出願の一実施例によると、前記第１取得サブユニットはさらに、前記クライアントに前記分割閾値を送信し、前記クライアントから送信された前記訓練ノードに対応する初期データインスタンス識別子セットを受信し、前記初期データインスタンス識別子セットは、前記クライアントが前記分割閾値に基づいて前記いずれか１つの特徴に対してノード分割を行うときに生成され、前記初期データインスタンス識別子セットが、前記第１左サブツリー空間に属するデータインスタンス識別子を含み、前記初期データインスタンス識別子セットとすべてのデータインスタンス識別子とに基づいて、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとを取得する。

【0084】

本出願の一実施例によると、前記第２学習サブモジュールは、前記第２訓練セットに基づいて垂直連合学習を行うように前記クライアントに通知するための通知ユニットと、前記クライアントから送信された各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を受信するための第２受信ユニットであって、前記第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、前記第２左サブツリー空間は、前記特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる前記第２左サブツリー空間に対応する第２受信ユニットと、各特徴の前記第１勾配情報と前記訓練ノードの総勾配情報とに基づいて、各特徴の垂直分割値をそれぞれ決定するための第５決定ユニットと、各特徴に対応する垂直分割値に基づいて、前記訓練ノードの前記第２分割値を決定するための第６決定ユニットと、を備える。

【0085】

本出願の一実施例によると、前記第５決定ユニットは、いずれか１つの特徴に対して、前記総勾配情報と各第１勾配情報とに基づいて、各第１勾配情報に対応する第２勾配情報をそれぞれ取得するための第２取得サブユニットと、各第１勾配情報に対して、前記第１勾配情報、及び前記第１勾配情報に対応する第２勾配情報に基づいて、前記いずれか１つの特徴の候補垂直分割値を取得するための第３取得サブユニットと、前記候補垂直分割値のうちの最大値を、前記いずれか１つの特徴の垂直分割値として選択するための選択サブユニットと、を備える。

【0086】

本出願の一実施例によると、前記検証セットは前記第１訓練セット及び前記第２訓練セットとそれぞれ相互に排他的である。

【0087】

本出願の第３の態様の実施例は連合学習モデルの訓練装置を提供し、サーバは水平分割方式と垂直分割方式を混合することにより、マッチングする学習方式の傾向性を自動的に選択し、データ分布方式を気にすることなく、従来の連合学習モデルの訓練プロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという問題を解決するとともに、連合学習モデルの損失を減らし、連合学習モデルの性能を向上させる。

【0088】

上記目的を実現するために、本出願の第４の態様の実施例は、クライアントに適用される連合学習モデルの訓練装置を提供し、訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信するための第１受信モジュールであって、前記訓練ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードである第１受信モジュールと、前記ターゲット分割方式に基づいて前記訓練ノードに対してノード分割を行うための分割モジュールと、を備える。

【0089】

本出願の一実施例によると、前記分割モジュールは、第１訓練セットに基づいて水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するための第１学習サブモジュールと、第２訓練セットに基づいて垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するための第２学習サブモジュールと、前記第１分割値と前記第２分割値を前記サーバに送信するための送信サブモジュールと、を備える。

【0090】

本出願の一実施例によると、前記第１学習サブモジュールは、前記サーバによって前記第１訓練セットから生成された、前記訓練ノードに利用可能な第１特徴サブセットを受信するための第１受信ユニットと、前記サーバに前記第１特徴サブセット内の各特徴の特徴値を送信するための第１送信ユニットと、前記サーバから送信された前記各特徴の分割閾値を受信するための第２受信ユニットと、前記各特徴の分割閾値に基づいて、前記訓練ノードに対応する初期データインスタンス識別子セットを取得して、前記初期データインスタンス識別子セットを前記サーバに送信するための第１取得ユニットであって、ここで、前記初期データインスタンス識別子セットは、第１データインスタンス識別子セットと第２データインスタンス識別子セットとを生成するようにサーバに指示し、前記第１データインスタンス識別子セットと前記初期データインスタンス識別子セットはいずれも第１左サブツリー空間に属するデータインスタンス識別子を含み、前記第２データインスタンス識別子セットは第１右サブツリー空間に属するデータインスタンス識別子を含む第１取得ユニットと、を備える。

【0091】

本出願の一実施例によると、前記第１取得ユニットはさらに、いずれか１つの特徴に対して、前記いずれか１つの特徴の分割閾値を前記いずれか１つの特徴の特徴値とそれぞれ比較して、前記特徴値が前記分割閾値より小さいデータインスタンス識別子を取得して、前記初期データインスタンス識別子セットを生成する。

【0092】

本出願の一実施例によると、前記第２学習サブモジュールは、前記サーバから送信された勾配情報要求を受信するための第３受信ユニットと、前記勾配情報要求に基づいて、第２訓練セットから第２特徴サブセットを生成するための生成ユニットと、前記第２特徴サブセット内の各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を取得するための第２取得ユニットであって、前記第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、前記第２左サブツリー空間は、前記特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる前記第２左サブツリー空間に対応する第２取得ユニットと、前記第３データインスタンス識別子セットの第１勾配情報を前記サーバに送信するための第２送信ユニットと、を備える。

【0093】

本出願の一実施例によると、前記第２取得ユニットは、いずれか１つの特徴に対して、前記いずれか１つの特徴のすべての特徴値を取得し、前記特徴値に基づいて前記いずれか１つの特徴をパケット化するためのパケット化サブユニットと、前記いずれか１つの特徴の各パケットの前記第３データインスタンス識別子セットの第１勾配情報を取得するための第１取得サブユニットと、を備える。

【0094】

本出願の一実施例によると、前記分割モジュールは、前記サーバから送信された分割情報を受信するための受信サブモジュールであって、前記分割情報は、前記ターゲット分割方式、特徴分割点として選択されるターゲット分割特徴、および前記ターゲット分割値を含む受信サブモジュールと、前記分割情報に基づいて前記訓練ノードに対してノード分割を行うための分割サブモジュールと、を備える。

【0095】

本出願の一実施例によると、前記分割サブモジュールはさらに、分割して生成された左サブツリー空間を前記サーバに送信する。

【0096】

本出願の一実施例によると、前記訓練ノードが葉ノードである場合、前記サーバから送信された前記葉ノードの重み値を受信するための第２受信モジュールと、前記葉ノードの重み値に基づいて、前記葉ノードに含まれる各データの残差を決定するための決定モジュールと、前記残差を次のブースティングツリーの残差入力とするための入力モジュールと、をさらに備える。

【0097】

本出願の一実施例によると、前記装置は、前記サーバから送信された検証セットを受信し、前記検証セットに基づいて、前記ターゲット連合学習モデルを検証するための検証モジュールをさらに備える。

【0098】

本出願の一実施例によると、前記検証モジュールは、前記サーバから送信された前記検証セット内の１つのデータインスタンス識別子、および検証ノードの分割情報を受信するための第１受信サブモジュールであって、前記検証ノードは、複数のブースティングツリーのうちの１つのブースティングツリーのノードである第１受信サブモジュールと、前記データインスタンス識別子と前記分割情報とに基づいて、前記検証ノードのノード進行方向を決定するための第１決定サブモジュールと、前記サーバが前記ノード進行方向に基づいて次のノードに入って、前記次のノードを更新された前記検証ノードとするように、前記サーバに前記ノード進行方向を送信するための第１送信サブモジュールと、を備える。

【0099】

本出願の一実施例によると、前記第１決定サブモジュールは、前記データインスタンス識別子に基づいて、前記データインスタンス識別子に対応する各特徴の特徴値を決定するための第１決定ユニットと、前記分割情報と前記各特徴の前記特徴値とに基づいて、前記ノード進行方向を決定するための第２決定ユニットと、を備える。

【0100】

本出願の一実施例によると、前記検証モジュールは、前記検証セット内のデータインスタンス識別子がすべて検証された場合、前記サーバから送信された前記データインスタンス識別子によって表されるデータインスタンスのモデル予測値を受信するための第２受信サブモジュールと、前記モデル予測値に基づいて最終的な検証結果を取得し、前記検証結果を前の検証結果と比較することにより、前記ターゲット連合学習モデルを保留し且つ使用するか否かを指示するための検証指示情報を生成するための生成サブモジュールと、前記サーバに前記検証指示情報を送信するための第２送信サブモジュールと、をさらに備える。

【0101】

本出願の一実施例によると、前記分割モジュールは、第１訓練セットに基づいて水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するための第１学習サブモジュールと、第２訓練セットに基づいて垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するための第２学習サブモジュールと、前記第１分割値と前記第２分割値を前記サーバに送信するための第３送信サブモジュールと、を含む。

【0102】

本出願の一実施例によると、前記第１学習サブモジュールは、前記サーバによって前記第１訓練セットから生成された、前記訓練ノードに利用可能な第１特徴サブセットを受信するための第１受信ユニットと、前記サーバに前記第１特徴サブセット内の各特徴の特徴値を送信するための第１送信ユニットと、前記サーバから送信された前記各特徴の分割閾値を受信するための第２受信ユニットと、前記各特徴の分割閾値に基づいて、前記訓練ノードに対応する初期データインスタンス識別子セットを取得して、前記初期データインスタンス識別子セットを前記サーバに送信するための第１取得ユニットであって、ここで、前記初期データインスタンス識別子セットは、第１データインスタンス識別子セットと第２データインスタンス識別子セットとを生成するようにサーバに指示し、前記第１データインスタンス識別子セットと前記初期データインスタンス識別子セットはいずれも第１左サブツリー空間に属するデータインスタンス識別子を含み、前記第２データインスタンス識別子セットは第１右サブツリー空間に属するデータインスタンス識別子を含む第１取得ユニットと、を備える。

【0103】

本出願の一実施例によると、前記第１取得ユニットはさらに、いずれか１つの特徴に対して、前記いずれか１つの特徴の分割閾値を前記いずれか１つの特徴の特徴値とそれぞれ比較して、前記特徴値が前記分割閾値より小さいデータインスタンス識別子を取得して、前記初期データインスタンス識別子セットを生成する。

【0104】

本出願の一実施例によると、前記第２学習サブモジュールは、前記サーバから送信された勾配情報要求を受信するための第３受信ユニットと、前記勾配情報要求に基づいて、第２訓練セットから第２特徴サブセットを生成するための生成ユニットと、前記第２特徴サブセット内の各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を取得するための第２取得ユニットであって、前記第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、前記第２左サブツリー空間は、前記特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる前記第２左サブツリー空間に対応する第２取得ユニットと、前記第３データインスタンス識別子セットの第１勾配情報を前記サーバに送信するための第２送信ユニットと、を備える。

【0105】

本出願の一実施例によると、前記第２取得ユニットは、いずれか１つの特徴に対して、前記いずれか１つの特徴のすべての特徴値を取得し、前記特徴値に基づいて前記いずれか１つの特徴をパケット化するためのパケット化サブユニットと、前記いずれか１つの特徴の各パケットの前記第３データインスタンス識別子セットの第１勾配情報を取得するための第２取得サブユニットと、を備える。

【0106】

本出願の第４の態様の実施例は連合学習モデルの訓練装置を提供し、クライアントは、複数のブースティングツリーのうちの１つのブースティングツリーのノードである訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信し、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行うことにより、水平分割方式と垂直分割方式を混合することで、マッチングする学習方式の傾向性を自動的に選択することができ、データ分布方式を気にすることなく、従来の連合学習モデルの訓練プロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという問題を解決するとともに、連合学習モデルの損失を減らし、連合学習モデルの性能を向上させる。

【0107】

上記目的を実現するために、本出願の第５の態様の実施例は、メモリと、プロセッサと、前記メモリに記憶され、前記プロセッサにおいて実行可能なコンピュータプログラムとを含む電子機器を提供し、前記プロセッサは、前記プログラムを実行する場合、本出願の第１の態様の実施例、又は本出願の第３の態様の実施例のいずれか一項に記載の連合学習モデルの訓練方法を実現する。

【0108】

上記目的を実現するために、本出願の第６の態様の実施例は、コンピュータ読み取り可能な記憶媒体を提供し、当該プログラムはプロセッサによって実行される場合、本出願の第１の態様の実施例、又は本出願の第３の態様の実施例のいずれか一項に記載の連合学習モデルの訓練方法が実現される。

【図面の簡単な説明】

【0109】

【図1】本出願の一実施例によって提供される連合学習の適用シナリオの概略図である。

【図2】本出願の一実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図3】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図4】本出願の一実施例によって開示されるデータ分布の概略図である。

【図5】本出願の一実施例によって開示されるノード分割の概略図である。

【図6】本出願の一実施例によって開示されるデータ分布の概略図である。

【図7】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図8】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図9】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図10】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図11】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図12】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図13】本出願の一実施例によって開示される、バケットマッピングルールによるパケット化の概略図である。

【図14】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図15】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図16】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図17】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図18】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図19】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図20】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図21】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図22】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図23】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図24】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図25】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図26】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図27】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図28】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図29】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図30】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図31】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図32】本出願のもう１つの実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【図33】本出願の一実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図34】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図35】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図36】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図37】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図38】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図39】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図40】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図41】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図42】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図43】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図44】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図45】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図46】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図47】本出願のもう１つの実施例によって開示される連合学習モデルの訓練装置の概略構造図である。

【図48】本出願の実施例によって提供される電子機器の概略構造図である。

【発明を実施するための形態】

【0110】

上記技術案をよりよく理解するために、以下は図面を参照して本開示の例示的な実施例をより詳しく説明する。図面において本開示の例示的な実施例が開示されているが、様々な形式で本開示を実現でき、ここで説明される実施例に限定されるべきではないことを理解されたい。むしろ、これらの実施例は、本開示をより完全に理解し且つ本開示の範囲を完全に当業者に伝えるために提供される。

【0111】

なお、本出願の実施例に係る「及び／又は」は、関連対象の関連関係を説明し、三種類の関係が存在し得ることを表すことを理解されたい。例えば、Ａ及び／又はＢは、Ａが単独で存在すること、ＡとＢが同時に存在すること、Ｂが単独で存在することを表すことができ、ここで、Ａ、Ｂは単数又は複数であってもよい。「／」という文字は、一般に、前後関連対象が「又は」という関係であることを示す。

【0112】

まず、本出願の実施例に係る一部の用語を説明する。

【0113】

同型データ：異なるデータ提供側によって所有されるデータ記録は同じ特徴属性を有する。

【0114】

異種データ：異なるデータ提供側によって所有されるデータ記録は、データインスタンス識別子（ＩＤ）のみが同じで、他の特徴属性がいずれも異なる。

【0115】

ＸＧＢｏｏｓｔ：略称はＸＧＢで、ブースティングツリーが拡張可能な機械学習システムである。

【0116】

本出願の技術案を説明する前に、まず、本出願の１つの具体的な適用シナリオに合わせて従来技術に存在する問題及び本出願の技術的構想の過程を引き出す。

【0117】

実際の適用では、協力して連合学習を行う複数のデータのすべてが異種又は同型であることを完全に確保することが難しいため、ブースティングツリー（ｂｏｏｓｔｉｎｇ ｔｒｅｅ）を用いて連合学習訓練を行う場合、一部の同型又は異種のデータを破棄してから、水平連合学習又は垂直連合学習を採用するしかいない。しかしながら、破棄されたデータが多いため、連合学習訓練に基づいて得られたモデルの性能は悪くなる。そして、水平連合学習又は垂直連合学習を用いても、データのラベルが特定の一方に存在し、ランダムに多方に存在できない必要があり、これは現実的にはほとんど不可能であり、よって、従来技術も連合学習の実際の適用を制限することになる。

【0118】

上記問題に対し、発明者は、水平連合学習と垂直連合学習を混合する連合学習という設計を利用することで、従来の連合学習ではデータ分布方式に気を配る必要があるという課題を解決でき、すべてのデータを十分に利用して学習することができないという問題も解決でき、これとともに、データ利用の不十分であるため訓練して得られたモデルの効果が悪いという問題も解決できることを研究により見出した。

【0119】

当該解決案の設計により、異種データが多い場合、解決案は垂直連合学習（即ち垂直ブースティングツリー（ｂｏｏｓｔｉｎｇ ｔｒｅｅ））の方式を用いる傾向があり、これにより、訓練して得られたモデルはロスレスという特徴を備えるとともに、同型データを利用することもできる。同型データが多い場合、解決案は水平連合学習（即ち水平ブースティングツリー（ｂｏｏｓｔｉｎｇ ｔｒｅｅ））の方式を用いる傾向があるとともに、異種データを用いてモデル訓練を行い、これにより、訓練して得られたモデルは垂直方式のロスレスの能力を備えるようになり、モデル性能を向上させる。

【0120】

例示的に、図１は本出願によって提供される連合学習に基づくモデル訓練方法の適用シナリオの概略図である。図１に示すように、当該適用シナリオは、少なくとも１つのクライアント（図１にはクライアント１１１、クライアント１１２、及びクライアント１１３という３つのクライアントが示される）、ネットワーク１２、及びサーバ１３を含むことができる。ここで、各クライアントとサーバ１３はいずれもネットワーク１２を介して通信することができる。

【0121】

なお、図１は本出願の実施例によって提供される適用シナリオの概略図に過ぎず、本出願の実施例は図１に含まれるデバイスを限定せず、図１のデバイス間の位置関係も限定しない。例えば、図１に示す適用シナリオでは、データ記憶装置をさらに備えてもよく、当該データ記憶装置はサーバ１３に対して外部メモリであってもよく、サーバ１３内に集積した内部メモリであってもよい。

【0122】

本出願は、連合学習に基づくモデル訓練方法、装置及び記憶媒体を提供し、水平連合学習と垂直連合学習を混合する設計により、訓練して得られたモデルの性能を向上させる。以下、具体的な実施例によって本出願の技術案を詳しく説明する。なお、以下のいくつかの実施例は互いに組み合わせることができ、同じ又は類似の概念又はプロセスについて一部の実施例において省略する可能性がある。

【0123】

以下、図面を参照しながら、本出願の実施例によって提供される連合学習モデルの訓練方法、装置及び電子機器を説明する。

【0124】

図２は、本出願の一実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【0125】

図２に示すように、サーバを実行主体として、本出願の実施例で提起された連合学習モデルの訓練方法を説明し、具体的には、以下のステップＳ２０１～Ｓ２０５を含む。

【0126】

Ｓ２０１、訓練ノードが予め設定された分割条件を満たす場合、訓練ノードに対応するターゲット分割方式を取得し、前記訓練ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードである。

【0127】

本出願の実施例では、訓練ノードが予め設定された分割条件を満たす場合は、現在の訓練ノードを引き続き分割する必要があること示し、このような場合では、訓練ノードに対応するターゲット分割方式を取得することができる。

【0128】

ここで、予め設定された分割条件は実際の状況に応じて設定することができ、例えば、予め設定された分割条件を、現在処理されている訓練ノードの所在するレベルが最大のツリー深度要件を満たしていないこと、損失関数が約束条件を満たしていないこと等に設定することができる。

【0129】

ここで、ターゲット分割方式は水平分割方式と垂直分割方式を含む。

【0130】

ここで、ブースティングツリー（Ｂｏｏｓｔｉｎｇ Ｔｒｅｅ）とは、加算モデル及び前向き分布アルゴリズムを用いて、決定木（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）を基底関数とするブースティング方法を指すものである。

【0131】

Ｓ２０２、ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知する。

【0132】

本出願の実施例では、訓練ノードに対応するターゲット分割方式が取得された後、サーバは、取得されたターゲット分割方式をクライアントに送信し、ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知することができる。これに対応して、クライアントは、サーバのターゲット分割方式を受信し、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行うことができる。

【0133】

Ｓ２０３、更新された訓練ノードが予め設定された分割条件を満たさなくなるまで、訓練ノードが分割されて生成された左サブツリーノードを新たに訓練ノードとして次のラウンドの訓練を行う。

【0134】

本出願の実施例では、サーバは、訓練ノードが分割されて生成された左サブツリーノードを新たに訓練ノードとして次のラウンドの訓練を行うことができ、そして更新された訓練ノードのレベルが予め設定された分割条件を満たすか否かを判断し、更新された訓練ノードを引き続き分割する必要があると判断した時、即ち予め設定された分割条件を満たす時、更新された訓練ノードが予め設定された分割条件を満たさなくなるまで、更新された訓練ノードに対応するターゲット分割方式を引き続き取得し且つターゲット分割方式に基づいてノード分割を引き続き行うようにクライアントに通知する。ここで、予め設定された分割条件はツリー深度閾値、分割後のサンプルの数の閾値又は連合学習モデルの誤差閾値などを含むことができる。

【0135】

Ｓ２０４、１つのブースティングツリーの他の非葉ノードを新たに訓練ノードとして次のラウンドの訓練を行う。

【0136】

本出願の実施例では、サーバは現在のブースティングツリーの他の非葉ノードに遡って、新たに現在の訓練ノードとして次のラウンドの訓練を行うことができる。

【0137】

Ｓ２０５、複数のブースティングツリーのノードデータセットがいずれも空である場合、訓練を停止し、ターゲット連合学習モデルを生成する。

【0138】

本出願の実施例では、複数のブースティングツリーのノードデータセットがいずれも空である場合、訓練を停止し、ターゲット連合学習モデルを生成することができる。さらに、生成されたターゲット連合学習モデルを検証し、予め設定された訓練回数になると、情報をクリーンアップしてモデルを保留することができる。

【0139】

これにより、本出願によって提供される連合学習モデルの訓練方法では、サーバは水平分割方式と垂直分割方式を混合することにより、マッチングする学習方式の傾向性を自動的に選択することができ、データ分布方式を気にすることなく、従来の連合学習モデルの訓練プロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという問題を解決するとともに、連合学習モデルの損失を減らし、連合学習モデルの性能を向上させる。

【0140】

なお、本出願では、訓練ノードに対応するターゲット分割方式を取得しようとする場合、クライアントと連携して連合学習を行うことで、対応する分割値を取得し、そして分割値に基づいて、訓練ノードに対応するターゲット分割方式を決定することができる。

【0141】

１つの可能な実現形態として、図３に示すように、上記実施例を基に、上記ステップでは、訓練ノードに対応するターゲット分割方式を取得するプロセスは、具体的に以下のステップＳ３０１～Ｓ３０３を含む。

【0142】

Ｓ３０１、第１訓練セットに基づいて、クライアントと連携して水平連合学習を行って、訓練ノードに対応する第１分割値を取得する。

【0143】

なお、訓練ノードを引き続き分割する必要がある時、分割方式を決定する必要があり、即ち水平分割か垂直分割かを決定する必要がある。ここで、ほとんどのノードは、一回の水平、一回の垂直、合計２回の候補分割が行われ、その後、２種類の候補分割のうち分割ゲイン（ｇａｉｎ）の大きい分割方式を当該ノードの最終分割方式として選択する。

【0144】

事前判断をしようとする場合、以下の条件を満たすノードは、垂直分割と水平分割のうちのいずれか一方だけを行い、直接最終分割結果とする。
（１）ツリーが深いほど、ノード上で分割する必要があるサンプルの総数が少なくなる。ノード上のサンプルにおける共通サンプルの割合を判断し、予め設定された値より小さい場合、例えば１０％である場合、共通サンプルが極めて少ないことが示され、当該ノード上のデータ分布状況を水平分布処理として、水平分割のみを行うことができる。
（２）ノード上のサンプルにおける共通サンプルの比例は予め設定された値を上回る場合、例えば９８％である場合、垂直分割のみを行うことができる。

【0145】

なお、上記２つの事前判断条件の設定は訓練時間を節約するためのものであり、２つの比例は訓練パラメータで設定可能である。

【0146】

以下、水平分割と垂直分割という２種類の分割方式に係るデータを説明する。

【0147】

例えば、図４に示すように、訓練されるサンプルは合計１００００個であり、分割があるノードに到達した時点で１００個のサンプルがある。この時、データ分布は以下のとおりである。１００個のサンプルのうち７０個は２つのプラットフォームの共通サンプルである。プラットフォームＡは９０個のサンプル（２０個のプライベートサンプルと７０個の共有サンプルを含む）があり、プラットフォームＢは８０個のサンプル（１０個のプライベートサンプルと７０個の共有サンプルを含む）がある。プラットフォームＡは１８個の特徴（１０個のプライベート特徴と８個の共有特徴を含む）を有し、プラットフォームＢは１８個の特徴（１０個のプライベート特徴と８個の共有特徴を含む）を有する。

【0148】

水平分割に対して、当該ノードのすべてのサンプルは分割に参加し、複数の候補特徴と特徴閾値がサーバによって選択される。

【0149】

共通特徴ｆ及びとりうる値ｖに対して、プラットフォームＡがローカルの９０個のサンプルを左右サブツリーに割り当て、プラットフォームＢがローカルの８０個のサンプルを左右サブツリーに割り当て、それぞれサンプル分流の状況をサーバに知らせ、サーバはこの１００個のサンプルの左右分流に基づいて分割ゲインを計算して特徴ｆのゲインとする。

【0150】

プラットフォームＡのプライベート特徴ｆ及びとりうる値ｖに対して、プラットフォームＡがローカルの９０個のサンプルを左右サブツリーに割り当て、プラットフォームＢがローカルの７０個の共通サンプルを左右サブツリーに割り当て、特徴ｆのとりうる値のない１０個のサンプルをすべて左サブツリー又は右サブツリーに割り当てて、２種類の分流とし、それぞれサンプル分流の状況をサーバに知らせ、サーバはこの１００個のサンプルの２種類の分流に基づいて分割ゲインを計算し、大きい方を特徴ｆのゲインとする。

【0151】

プラットフォームＢのプライベート特徴ｆととりうる値ｖに対して、上記と同様である。

【0152】

サーバはすべての特徴のうちの最大のゲインの値をｇａｉｎ１と記載する。

【0153】

垂直分割に対して、当該ノードの共通の７０個のサンプルのみが分割に参加する。通常の垂直連合学習と同様に、７０個のサンプルにおいて最大の特徴分割ゲインｇａｉｎ２を計算する。

【0154】

水平分割の最大ゲインｇａｉｎ１と垂直分割の最大ゲインｇａｉｎ２のという２つのゲインのうちの大きい方を取り、当該ノードは対応する分割方式を用いて分割される。次のノードに入る。

【0155】

なお、水平分割方式にせよ垂直分割方式にせよ、ノードサンプルセットはいずれも以下のルールに従って分割する。最大ゲインはプラットフォームＡのローカル特徴ｆ１からのものであり、最大ゲインは共通特徴ｆ２からのものであり、最大ゲインはプラットフォームＢのローカル特徴ｆ３からのものである。

【0156】

例えば、図５（ａ）に示すように、ノードはｆ１に従って分割する場合、Ａの９０個のサンプルを、特徴のとりうる値が閾値以下であるサンプルを左に、閾値より大きいサンプルを右に分け、Ｂの１０個のサンプルは特徴値がなく、最大ゲインに対応する方式に従い、欠損値サンプルが右サブツリーに属する場合、この１０個のサンプルを右に、欠損値サンプルが左サブツリーに属する場合、この１０個のサンプルを左に分ける。

【0157】

図５（ｂ）に示すように、ノードはｆ２に従って分割する場合、すべてのサンプルは特徴値があり、閾値以下のサンプルを左に、閾値より大きいサンプルを右に分ける。

【0158】

図５（ｃ）に示すように、ノードはｆ３に従って分割する場合、具体的なプロセスは、ノードがｆ１に従って分割するプロセスと類似するので、詳しい説明を省略する。

【0159】

本出願の実施例では、クライアントは第１訓練セットに基づいて水平連合学習を行って、訓練ノードに対応する第１分割値を取得し、サーバに送信することができる。これに対応して、サーバは訓練ノードに対応する第１分割値を受信することで、訓練ノードに対応する第１分割値を取得することができる。

【0160】

Ｓ３０２、第２訓練セットに基づいて、クライアントと連携して垂直連合学習を行って、訓練ノードに対応する第２分割値を取得する。

【0161】

本出願の実施例では、クライアントは第２訓練セットに基づいて水平連合学習を行って、訓練ノードに対応する第２分割値を取得し、サーバに送信することができる。これに対応して、サーバは訓練ノードに対応する第２分割値を受信することで、訓練ノードに対応する第２分割値を取得することができる。

【0162】

Ｓ３０３、第１分割値と第２分割値に基づいて、訓練ノードに対応するターゲット分割方式を決定する。

【0163】

なお、従来の連合学習は、主に水平連合学習と垂直連合学習を含む。ここで、水平連合学習に対して、特徴が完全に同じであるマルチプラットフォームデータ、即ち水平データ、例えば図６に示すデータ（１．２）＋（３）＋（５．１）を使用し、垂直連合学習に対して、サンプルＩＤ（Ｉｄｅｎｔｉｔｙ Ｄｏｃｕｍｅｎｔ、身分識別子）が完全に同じであるマルチプラットフォームデータ、即ち垂直データ、例えば、図６に示すデータ（２）＋（３）＋（４）を使用する。以上から分かるように、従来技術では、完全に水平又は完全に垂直であるデータのみをモデル化でき、つまり、上記の図６の一部のデータしか使用できない。

【0164】

本出願の実施例では、水平連合学習に参加するデータである第１訓練セットは、複数のクライアントのすべてのデータサンプルであり、例えば、図６に示すデータ（１）＋（２）＋（３）＋（４）＋（５）であり、垂直連合学習に参加するデータである第２訓練セットは、複数のクライアントの共通データサンプルであり、これらのサンプルのすべての特徴は訓練に参加し、例えば図６に示す（２）＋（３）＋（４）である。以上から分かるように、本出願によって提供される連合学習モデルの訓練方法は、水平垂直に交差するデータに適用することができ、つまり、図６に示すすべてのデータを用いることになる。

【0165】

これにより、本出願の実施例では、第１訓練セットと第２訓練セットに基づいて、クライアントと連携して水平連合学習と垂直連合学習を行って、訓練ノードに対応する第１分割値と第２分割値を取得することができる。

【0166】

なお、本出願では、第１分割値と第２分割値に基づいて、訓練ノードに対応するターゲット分割方式を決定しようとする場合、第１分割値と第２分割値を比較することでターゲット分割値を決定し、そしてターゲット分割値に基づいて、対応するターゲット分割方式を決定することができる。

【0167】

１つの可能な実現形態として、図７に示すように、上記実施例を基に、上記ステップＳ３０３では、第１分割値と第２分割値に基づいて、訓練ノードに対応するターゲット分割方式を決定するプロセスは、具体的に以下のステップＳ５０１～Ｓ５０２を含む。

【0168】

Ｓ５０１、第１分割値と第２分割値のうちの大きい方を訓練ノードに対応するターゲット分割値として決定する。

【0169】

本出願の実施例では、サーバは、訓練ノードに対応する第１分割値と第２分割値を取得した後に、第１分割値と第２分割値を比較し、そのうちの大きい方を訓練ノードに対応するターゲット分割値とすることができる。

【0170】

例えば、取得された第１分割値はＧａｉｎ１であり、第２分割値はＧａｉｎ２であり、Ｇａｉｎ１＞Ｇａｉｎ２、この場合、Ｇａｉｎ１を訓練ノードに対応するターゲット分割値とすることができる。

【0171】

Ｓ５０２、ターゲット分割値に基づいて、訓練ノードに対応する分割方式を決定する。

【0172】

本出願の実施例では、第１分割値と第２分割値のうちの大きい方を訓練ノードに対応するターゲット分割値とした後に、サーバはターゲット分割値に基づいて、訓練ノードに対応する分割方式を決定することができる。

【0173】

これにより、本出願によって提供される連合学習モデルの訓練方法は、クライアントと連携して水平連合学習と垂直連合学習を行って、それぞれ第１分割値と第２分割値を取得し、そしてとりうる値の大きい方を訓練ノードに対応するターゲット分割値とし、さらに、ターゲット分割値に基づいて、訓練ノードに対応する分割方式を決定することにより、ターゲット分割値に基づいて、マッチングする学習方式の傾向性を自動的に選択することができ、データ分布方式を気にすることない。

【0174】

なお、本出願では、第１訓練セットに基づいて、クライアントと連携して水平連合学習を行って、訓練ノードに対応する第１分割値を取得するとする場合、各特徴に対応する水平分割値を取得し、そして水平分割値に基づいて、訓練ノードの第１分割値を決定することができる。

【0175】

１つの可能な実現形態として、図８に示すように、上記実施例を基に、上記ステップＳ３０１では、第１訓練セットに基づいて、クライアントと連携して水平連合学習を行って、訓練ノードに対応する第１分割値を取得するプロセスは、具体的に以下のステップＳ６０１～Ｓ６０４を含む。

【0176】

Ｓ６０１、訓練ノードに利用可能な第１特徴サブセットを第１訓練セットから生成して、クライアントに送信する。

【0177】

選択可能に、サーバは、現在の訓練ノードに利用可能な第１特徴サブセットを第１訓練セットからランダムに生成することができ、例えば、現在の第１訓練セットのすべての特徴の半分をランダムに生成して、１つの新しい特徴セットを構成して第１特徴サブセットとし、生成された第１特徴サブセットを各クライアントに送信することができる。これに対応して、各クライアントは第１特徴サブセットを受信し、得られた第１特徴サブセットに基づいてトラバースしてセット内の各特徴の特徴値を取得し、さらに、ローカルデータ、即ちローカルに記憶されている特徴の特徴値に基づいてサーバに送信することができる。

【0178】

Ｓ６０２、クライアントから送信された第１特徴サブセット内の各特徴の特徴値を受信する。

【0179】

本出願の実施例では、クライアントは第１特徴サブセット内の各特徴の特徴値をサーバに送信することができる。これに対応して、サーバは、クライアントから送信された第１特徴サブセット内の各特徴の特徴値を受信することができる。

【0180】

Ｓ６０３、第１特徴サブセット内の各特徴の特徴値に基づいて、各特徴を分割特徴点とする場合に対応する水平分割値をそれぞれ決定する。

【0181】

１つの可能な実現形態として、図９に示すように、上記実施例を基に、上記ステップＳ６０３では、第１特徴サブセット内の各特徴の特徴値に基づいて、各特徴を分割特徴点とする場合に対応する水平分割値をそれぞれ決定するプロセスは、具体的に以下のステップＳ７０１～Ｓ７０２を含む。

【0182】

Ｓ７０１、第１特徴サブセット内のいずれか１つの特徴に対して、いずれか１つの特徴の特徴値に基づいて、いずれか１つの特徴の分割閾値を決定する。

【0183】

本出願の実施例では、サーバは、クライアントから送信された第１特徴サブセット内の各特徴の特徴値を受信した後、特徴値に基づいて特徴値リストを生成することができる。さらに、第１特徴サブセット内のいずれか１つの特徴に対して、特徴値リストから１つの特徴値をランダムに選択して現在特徴のグローバル最適分割閾値とすることができる。

【0184】

Ｓ７０２、分割閾値に基づいて、いずれか１つの特徴に対応する第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得し、ここで、第１データインスタンス識別子セットが、第１左サブツリー空間に属するデータインスタンス識別子を含み、第２データインスタンス識別子セットが、第１右サブツリー空間に属するデータインスタンス識別子を含む。

【0185】

１つの可能な実現形態として、図１０に示すように、上記実施例を基に、上記ステップＳ７０２では、分割閾値に基づいて、いずれか１つの特徴に対応する第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得するプロセスは、具体的に以下のステップＳ８０１～Ｓ８０３を含む。

【0186】

Ｓ８０１、クライアントに分割閾値を送信する。

【0187】

本出願の実施例では、いずれか１つの特徴の分割閾値が決定された後に、この分割閾値をクライアントにブロードキャストすることができる。これに対応して、クライアントは当該分割閾値を受信し、各特徴の分割閾値に基づいて、訓練ノードに対応する初期データインスタンス識別子セットを取得して、初期データインスタンス識別子セットをサーバに送信することができる。

【0188】

Ｓ８０２、クライアントから送信された訓練ノードに対応する初期データインスタンス識別子セットを受信し、ここで、初期データインスタンス識別子セットは、クライアントが分割閾値に基づいていずれか１つの特徴に対してノード分割を行うときに生成され、初期データインスタンス識別子セットが、第１左サブツリー空間に属するデータインスタンス識別子を含む。

【0189】

本出願の実施例では、サーバは、クライアントから送信されたＩＬ、即ち第１左サブツリー空間に属するデータインスタンス識別子を含む初期データインスタンス識別子セットＩＬを受信することができる。

【0190】

Ｓ８０３、初期データインスタンス識別子セットとすべてのデータインスタンス識別子とに基づいて、第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得する。

【0191】

１つの可能な実現形態として、図１１に示すように、上記実施例を基に、上記ステップＳ８０３では、初期データインスタンス識別子セットに基づいて、第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得するプロセスは、具体的に以下のステップＳ９０１～Ｓ９０３を含む。

【0192】

Ｓ９０１、初期データインスタンス識別子セット内の各データインスタンス識別子と、クライアントのデータインスタンス識別子とを比較して、異常が存在するデータインスタンス識別子を取得する。

【0193】

ここで、異常が存在するデータインスタンス識別子は、重複するデータインスタンス識別子や矛盾するデータインスタンス識別子などであってもよい。

【0194】

Ｓ９０２、異常が存在するデータインスタンス識別子を前処理して、第１データインスタンス識別子セットを取得する。

【0195】

本出願の実施例では、サーバはＩＬを受信した後に、各ＩＬセットから重複するインスタンスＩＤを除外し、矛盾するＩＤ情報を処理することで最終的なＩＬを決定することができる。

【0196】

例えば、クライアントＡに対して、インスタンスＩＤをＩＬに追加するのに対し、クライアントＢに対して、ＩＤが存在するが、インスタンスを追加しなかった場合、このＩＤがＩＬに存在すべきであると見なすことができる。

【0197】

Ｓ９０３、すべてのデータインスタンス識別子と第１データインスタンス識別子セットに基づいて、第２データインスタンス識別子セットを取得する。

【0198】

本出願の実施例では、第１データインスタンス識別子セットが取得された後、すべてのデータインスタンス識別子から第１データインスタンス識別子セットＩＬを除外すれば、第２データインスタンス識別子セットＩＲを取得することができる。

【0199】

なお、本出願では、第２訓練セットに基づいて、前記クライアントと連携して垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得しようとする時、各特徴に対応する垂直分割値に基づいて、訓練ノードの第２分割値を決定することができる。

【0200】

１つの可能な実現形態として、図１２に示すように、上記実施例を基に、上記ステップでは、訓練ノードに対応するターゲット分割方式を取得するプロセスは、具体的に以下のステップＳ１００１～Ｓ１００４を含む。

【0201】

Ｓ１００１、第２訓練セットに基づいて垂直連合学習を行うようにクライアントに通知する。

【0202】

本出願の実施例では、サーバは、第２訓練セットに基づいて垂直連合学習を行うようにクライアントに通知した後、クライアントに勾配情報要求を送信してＧｋｖとＨｋｖ情報を取得することができる。これに対応して、クライアントは、共通ＩＤの部分のデータに基づいて、現在のノードの処理されていないデータを取得し、特徴セットをランダムに取得し、セット内の各特徴ｋおよび対応する特徴のすべてのとりうる値のそれぞれの値ｖに基づいて、各サンプルに対してパケット化マッピングを行って、左サブツリー空間のＧｋｖとＨｋｖを計算して第１勾配情報とし、準同型暗号化処理を行った後にサーバに送信することができる。

【数1】

ここで、ｘｉ，ｋはデータインスタンスｘｉの特徴ｋの値を表す。

【0203】

例えば、元々とりうる値が１～１００歳であるグループを２０歳以下、２０～５０歳、５０歳以上という３つのパケットにマッピングする。１つのパケット内のサンプルは、すべて左側に分けるか、あるいはすべて右側に分ける。理論上では、サーバに送信されるＧとＨは累積和であり、上記の例の場合、送信されたＧは、１～２０歳のＧの合計、１～５０歳のＧの合計、および１～１００歳のＧの合計（それぞれ左サブツリーのＧに対応する）という３つであるべきである。準同型暗号化の暗号文の演算が遅く、暗号文が長くなって通信量を増やすこともあるため、実際には、クライアントによって送信されるのは、この３つのパケットのそれぞれのＧ、即ち１～２０歳のＧの合計、２０～５０歳のＧの合計、及び５０以上のＧの合計である。Ｌａｂｅｌ付きのプラットフォームは、この３つのパケットのＧを受信した後、まず平文に複号化してから、累積した１～２０歳／１～５０歳／１～１００歳のＧを計算する。上記２つの式はこのプロセスを示し、各パケットのｇの合計の計算するものである。ｓｋ，ｖは現在のパケットの最大とりうる値（５０歳）であり、ｓｋ，ｖ－１は１つ前のパケットの最大の特徴とりうる値（２０歳）であり、このように、２０～５０歳のｘを除外する。特徴をパケット化する方式により、計算量を削減することができる。

【0204】

Ｓ１００２、クライアントから送信された各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を受信し、ここで、第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、第２左サブツリー空間は、特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる第２左サブツリー空間に対応する。

【0205】

本出願の実施例では、クライアントは、いずれか１つの特徴に対して、いずれか１つの特徴のすべての特徴値を取得し、特徴値に基づいていずれか１つの特徴をパケット化し、いずれか１つの特徴の各パケットの第３データインスタンス識別子セットの第１勾配情報を取得することができる。これに対応して、サーバはクライアントから送信された各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を受信することができる。

【0206】

Ｓ１００３、各特徴の第１勾配情報と訓練ノードの総勾配情報に基づいて、各特徴の垂直分割値をそれぞれ決定する。

【0207】

Ｓ１００４、各特徴に対応する垂直分割値に基づいて、訓練ノードの第２分割値を決定する。

【0208】

以下、例の形式で勾配情報を説明する。

【0209】

例えば、図１３に示すように、クライアントＡにおける番号がｋである特徴を例とすると、現在のノードにおけるすべてのサンプルを並べ替え、特徴ｋにおける特徴とりうる値を小さい順に並べ替えることができる。さらに、バケットマッピングルールに従って、これらのサンプルを順に複数のデータパケット（小から大への複数の特徴閾値に対応）に分割することができる。さらに、第ｖ個のパケットに含まれるサンプルの一次勾配ｇの合計Ｇ、および二次勾配ｈの合計Ｈ、即ち第ｖ個の特徴閾値ｖに対応するＧｋｖとＨｋｖを計算することができる。

【0210】

ここで、Ｇｋｖは、番号がｋである特徴のとりうる値に基づいてノードサンプルを並べ替えて、順次複数のデータパケットに分割し、並べ替え後の第ｖ個のパケット内のすべてのサンプルの一次勾配ｇの合計を表す。

【0211】

ここで、Ｈｋｖはこれらのサンプルの二次勾配ｈの合計である。

【0212】

なお、前述したバケットマッピングルールは複数の種類があり、本出願はバケットマッピングルールの具体的な方式について限定せず、図１１のとりうる値が１である２つのサンプルのような特徴値が同じであるサンプルが同じデータパケットに分けらればよい。

【0213】

例えば、同じとりうる値のサンプルを１つのパケットとすることができ、即ち、ｎ個のサンプルは、１つの特徴においてｍ種類のとりうる値がある場合、ｍ個のパケットに分割し、対応する特徴閾値はこのｍ種類のとりうる値である。

【0214】

また例えば、パケットの個数を限定することができ、例えばできるだけｍ個のパケットを分割するように制限し、この場合、特徴ｋのとりうる値がｍ個より小さい場合、１つ前の方式に従って分けることができ、ｍ個より多い場合、近似的等分の方法に従って、ｍ個のパケットに分ける。

【0215】

なお、各特徴の垂直分割値を決定しようとする時、候補垂直分割値のうちの最大値を、いずれか１つの特徴の垂直分割値として選択することができる。

【0216】

１つの可能な実現形態として、図１４に示すように、上記実施例を基に、上記ステップＳ１００３では、各特徴の第１勾配情報と訓練ノードの総勾配情報に基づいて、各特徴の垂直分割値をそれぞれ決定するプロセスは、具体的に以下のステップＳ１２０１～Ｓ１２０３を含む。

【0217】

Ｓ１２０１、いずれか１つの特徴に対して、総勾配情報と各第１勾配情報とに基づいて、各第１勾配情報に対応する第２勾配情報をそれぞれ取得する。

【0218】

Ｓ１２０２、各第１勾配情報に対して、第１勾配情報、及び第１勾配情報に対応する第２勾配情報に基づいて、いずれか１つの特徴の候補垂直分割値を取得する。

【0219】

Ｓ１２０３、候補垂直分割値のうちの最大値を、いずれか１つの特徴の垂直分割値として選択する。

【0220】

ここで、第１勾配情報は、第２左サブツリー空間に属するデータインスタンスに対応する特徴の一次勾配の和、及び第２左サブツリー空間に属するデータインスタンスに対応する特徴の二次勾配の和を含み、第２勾配情報は、第２右サブツリー空間に属するデータインスタンスに対応する特徴の一次勾配の和、及び第２右サブツリー空間に属するデータインスタンスに対応する特徴の二次勾配の和を含む。

【0221】

１つの可能な実現形態として、本出願の実施例では、サーバは、ＧｋｖとＨｋｖ情報を取得することを各クライアントに要求する。これに対応して、クライアントは共通ＩＤの部分のデータに基づいて、現在のノードの処理されていないデータを取得し、特徴セットをランダムに取得し、セット内の各特徴ｋ、および対応する特徴のすべてのとりうる値の各値ｖに基づいて、各サンプルに対してパケットマッピングを行って、左サブツリー空間のＧｋｖとＨｋｖを算出し、準同型暗号化処理を行った後にサーバに送信する。また、クライアントは共通データ識別子とローカルデータに基づいて、損失関数のいくつかの中間結果、例えば損失関数の一次導関数ｇｉと二次導関数ｈｉを計算してサーバに送信することができる。

【0222】

さらに、サーバはクライアントから送信されたＧｋｖとＨｋｖを復号化し、現在のノードの共通ＩＤに対応するデータ、および得られたすべてのｇｉとｈｉに基づいて、現在のノードの左サブツリー空間のすべてのｇｉの和ＧＬ、右サブツリー空間のすべてのｇｉの和ＧＲ、左サブツリー空間のすべてのｈｉの和ＨＬ、および右サブツリー空間のすべてのｈｉの和ＨＲを計算することができる。

【0223】

ＸＧＢを例とすると、ターゲット関数は以下の式に示すとおりである。

【数2】

【0224】

ＸＧＢでは、二次テイラー展開式を用いて上記式を近似的に表すことを提案する。テイラー展開式の二次形式は以下のとおりである。

【数3】

【0225】

ここで、ｇｉとｈｉの計算式は以下のとおりである。

【数4】

【0226】

上記テイラー展開式から分かるように、ｇｉは一次導関数、ｈｉは二次導関数である。ここで、ＧＬ、ＨＬはそれぞれ以下の式で計算することができる。

【数5】

【0227】

ここで、ｎは、左サブツリー空間のインスタンスの個数を表し、つまり、この場合では、左サブツリー空間は合計ｎ個のインスタンスがある。

【0228】

さらに、サーバは前述した結果に基づいて、各特徴の最適分割点を算出することができ、そしてこれらの分割点情報に基づいて、グローバル最適分割点（ｋ，ｖ，Ｇａｉｎ）を決定する。ここで、幾つかのクライアントが同じ特徴を有する場合、サーバは、受信されたＧｋｖから１つをランダムに選択して現在特徴のＧｋｖとし、同様に、Ｈｋｖもこのように処理する。

【0229】

さらに、サーバは（ｋ，ｖ，Ｇａｉｎ）に基づいて、対応するクライアントにＩＬ情報を要求することができる。これに対応して、クライアントは分割点情報（ｋ，ｖ，Ｇａｉｎ）を受信し、検索して分割点閾値ｖａｌｕｅを取得し、当該分割点（ｋ，ｖａｌｕｅ）情報を記録する。ローカルデータセットを当該分割点に基づいて分割して、ＩＬセットを取得し、（ｒｅｃｏｒｄ，ＩＬ，ｖａｌｕｅ）をサーバに送信する。ここで、ｒｅｃｏｒｄは、クライアントにおける当該記録のインデックスを表す。

【0230】

さらに、サーバは、クライアントから送信された（ｒｅｃｏｒｄ，ＩＬ，ｖａｌｕｅ）情報を受信し、所在するノード空間のすべての共通ＩＤのインスタンスを分割し、（ｃｌｉｅｎｔ ｉｄ，ｒｅｃｏｒｄ）を介して現在のノードとクライアントとを関連付ける。 （ｃｌｉｅｎｔ ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ） という情報を記録して、垂直分割の情報、即いずれか１つの特徴の垂直分割値とする。

【0231】

なお、ノード分割は、最適分割点に対応する特徴ととりうる値を選択し、この場合、現在のノードのサンプルを、この特徴のとりうる値に従って、左サブツリー及び右サブツリーノードに分けることができる。

【0232】

Ｓ６０４、各特徴に対応する水平分割値に基づいて、訓練ノードの第１分割値を決定する。

【0233】

本出願の実施例では、選択可能に、先に水平分割を行って、その後に垂直分割を行ってもよい。選択可能に、先に垂直分割を行って、その後に水平分割を行ってもよい。

【0234】

さらに、水平分割方式がすべてのデータを使用するのに対し、垂直分割方式が、ＩＤが同じである部分のデータのみを使用することから分かるように、水平分割方式に対し、利用されるデータがより多くて、よりよい効果を取得する確率がより高く、垂直分割方式に対し、クライアントとサーバとのデータ交換量がより少なく、速度がより早い。したがって、訓練中断時に、できるだけより深層の訓練仮結果を取得するために、先に水平分割を行ってから垂直分割を行うことができる。

【0235】

なお、本出願の実施例では、訓練ノードが予め設定された分割条件を満たす場合は、現在位置する訓練ノードを引き続き分割する必要があることになり、この場合、訓練ノードに対応するターゲット分割方式を取得することができ、訓練ノードが予め設定された分割条件を満たしていない場合、現在位置する訓練ノードを引き続き分割する必要がないことになり、この場合、葉ノードを決定し、葉ノードの重み値をクライアントに送信することができる。

【0236】

１つの可能な実現形態として、図１５に示すように、上記実施例を基に、具体的に以下のステップＳ１３０１～Ｓ１３０２を含む。

【0237】

Ｓ１３０１、訓練ノードが予め設定された分割条件を満たしていない場合、訓練ノードが葉ノードであると決定し、葉ノードの重み値を取得する。

【0238】

本出願の実施例では、訓練ノードが予め設定された分割条件を満たしていない場合、サーバは、所在するノードを葉ノードとして、当該葉ノードの重み値ｗｊを計算し、当該ｗｊの値を記憶して、垂直の葉ノードの重み値とする。

【0239】

ここで、葉ノードの重み値Ｗｊは、サンプル予測分数の計算に用いられ、以下の式で計算することができる。

【数6】

ここで、Ｇｊはノードｊのすべてのインスタンスに対応するｇｉの和を示し、Ｈｊはノードｊのすべてのインスタンスに対応するｈｉの和を示す。

【0240】

Ｓ１３０２、葉ノードの重み値をクライアントに送信する。

【0241】

本出願の実施例では、クライアントは、葉ノードの重み値を取得した後、葉ノードの重み値をクライアントに送信し、垂直方式の葉ノード分割を行わないように、つまり、ノード分割の操作を完了するように各クライアントに通知することができる。

【0242】

なお、本出願の実施例では、ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知しようとする前に、ターゲット分割方式、特徴分割点として選択されるターゲット分割特徴、及びターゲット分割値を含む分割情報をクライアントに送信することができる。

【0243】

図１６に示すように、上記実施例を基に、ターゲット分割方式が垂直分割方式である場合、ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知する前は、具体的に以下のステップＳ１４０１～Ｓ１４０４を含むことができる。

【0244】

Ｓ１４０１、ラベル付けされたクライアントに分割情報を送信する。

【0245】

本出願の実施例では、サーバはラベル付けされたクライアントに分割情報を送信することができる。これに対応して、ラベル付けされたクライアントは分割情報を受信し、分割情報に基づいて訓練ノードに対してノード分割を行うことができる。

【0246】

垂直分割方式に対し、選択可能に、サーバは、記録された、（ｃｌｉｅｎｔ＿ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）を含む垂直分割情報に基づいて、真のノード分割操作を行うように各クライアントに通知する。ここで、ｃｌｉｅｎｔ＿ｉｄに対応するクライアントはすべての情報を知っており、即ち（ｃｌｉｅｎｔ＿ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）を知っているので、他のクライアントはＩＬ情報のみを知ることができればよい。さらに、サーバは現在分割後の左サブツリーノードを現在の処理ノードとする。

【0247】

これに対応して、クライアントは、サーバから送信されたＩＬ又はすべての情報、即ち（ｃｌｉｅｎｔ＿ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）を受信して、垂直方式のノード分割操作を行い、（ｃｌｉｅｎｔ＿ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）情報が存在する場合、分割時に、クライアントはこれらの情報を記録し且つ記憶する必要がある。さらに、分割完成後に、クライアントは分割後の左サブツリーノードを現在の処理ノードとすることができる。

【0248】

水平分割方式に対して、選択可能に、サーバは水平方式を用いて当該ノード分割を行うことができ、即ち、水平方式で得られた（ｋ，ｖａｌｕｅ）情報に基づいて、現在のノードに対して分割操作を行って、ＩＬ情報を取得することができ、ＩＬを各クライアントにブロードキャストする。

【0249】

これに対応して、クライアントはサーバの（ｋ，ｖａｌｕｅ）情報を受信することができ、共通ＩＤのデータに対してノード分割を行い、分割方式は、共通ＩＤデータの特徴ｋに対して、値がｖａｌｕｅより小さい場合、当該データのＩＤをＩＬセット内に投入し、そうでなければＩＲセット内に投入することである。データに特徴ｋが存在しない場合、右サブツリー空間に投入する。

【0250】

Ｓ１４０２、ラベル付けされたクライアントから送信された左サブツリー空間セットを受信する。

【0251】

本出願の実施例では、ラベル付けされたクライアントは訓練ノードに対してノード分割を行った後、分割して生成された左サブツリー空間をサーバに送信することができる。これに対応して、サーバは、ラベル付けされたクライアントから送信された左サブツリー空間セットを受信することができる。

【0252】

Ｓ１４０３、左サブツリー空間セットに基づいて、第２訓練セットを分割する。

【0253】

Ｓ１４０４、訓練ノードをラベル付けされたクライアントの識別子に関連付ける。

【0254】

なお、本出願では、現在訓練ノードが予め設定された分割条件を満たすことに応答する前に、初期化を行うことができる。

【0255】

１つの可能な実現形態として、図１７に示すように、上記実施例を基に、具体的に以下のステップＳ１５０１～Ｓ１５０２を含む。

【0256】

Ｓ１５０１、クライアントから送信されたデータインスタンス識別子を受信する。

【0257】

本出願の実施例では、クライアントは、自身の各データの一意の識別子ＩＤをサーバに送信することができる。これに対応して、クライアントは、各データの一意の識別子ＩＤ、即ちデータインスタンス識別子を受信することができる。

【0258】

Ｓ１５０２、データインスタンス識別子に基づいて、クライアント間の共通のデータインスタンス識別子を決定し、ここで、共通のデータインスタンス識別子が、第１訓練セットと第２訓練セットを決定するようにクライアントに指示する。

【0259】

本出願の実施例では、サーバは各クライアントのすべてのインスタンスＩＤを収集して、クライアント間の共通ＩＤを取得し、各クライアントに通知することができる。さらに、サーバは、１つのクライアントを検証クライアントとして選択することができ、当該クライアントから、ラベル付けされたデータの一部を検証データセットとして選択し、この部分のデータセットが共通ＩＤのデータセットに存在せず、そして当該クライアントに対応する訓練データセットリストを修正して、検証データセットの情報を初期化する。その後、検証ＩＤリスト、共通ＩＤリストの情報を各クライアントに通知する。これに対応して、クライアントは、サーバから送信された共通ＩＤリストと検証ＩＤリスト（存在する場合）を受信して、グローバルのローカルデータ情報を初期化することができる。

【0260】

さらに、サーバは現在ＸＧＢフォレストリストと訓練ラウンドに対して、各ラウンドの訓練の情報初期化を行い、現在のツリーノードと現在のＸＧＢフォレストリストに対して、各ツリーの情報初期化を行い、そして各ラウンドの訓練の情報初期化又は各ツリーの訓練の初期化を行うようにクライアントに通知することができる。

【0261】

さらに、ターゲット連合学習モデルが取得された後に、生成されたターゲット連合学習モデルを検証することができる。

【0262】

選択可能に、サーバは検証セットに基づいて、検証クライアントと連携してターゲット連合学習モデルを検証することができ、検証クライアントは、連合学習モデルの訓練に参加するクライアントのうちの１つであり、検証セットは第１訓練セット及び第２訓練セットとそれぞれ相互に排他的である。

【0263】

１つの可能な実現形態として、サーバは、検証初期化操作を行うようにクライアントに通知することができる。これに対応して、クライアントは検証初期化を行う。

【0264】

さらに、サーバは１つのＩＤを選択して検証を開始し、ＸＧＢツリーを初期化し、検証を開始するようにクライアントに通知することができる。これに対応して、クライアントは検証情報を初期化する。

【0265】

さらに、サーバは現在のツリーに基づいて、分割ノード情報と、検証されるデータＩＤとを検証クライアントに送信することができる。これに対応して、クライアントはデータＩＤに基づいて、対応するデータを取得し、そして、サーバから送信された分割ノード情報に基づいて、左サブツリーに分けるか右サブツリーに分けるかを判断し、判断結果をサーバに返すことができる。

【0266】

さらに、サーバはクライアントから返された方向に基づいて、次のノードに入ることができる。その後、葉ノードに到達しているか否かを判断し、葉ノードに到達していない場合、１つのＩＤを選択して新たに検証を開始し、ＸＧＢツリーを初期化し、検証を新たに開始するようにクライアントに通知する。葉ノードに到達した場合、葉ノードの重みを記録し、予測値を計算して記憶することができる。現在予測されているＩＤがすべての予測ＩＤの最後の１つではない場合、１つのＩＤを選択して新たに検証を開始し、ＸＧＢツリーを初期化し、検証を新たに開始するようにクライアントに通知することができる。現在予測されているＩＤがすべての予測ＩＤの最後の１つである場合、すべての予測結果をクライアントに送信することができる。これに対応して、クライアントはすべての予測結果を受信し、最終的な検証結果を計算し、前回の検証結果と比較して、現在のモデルを保留し且つ使用する必要があるか否かを判断し、判断結果をサーバに通知することができる。

【0267】

さらに、サーバは、クライアントから返された検証結果に基づいて、現在のモデルを保留し且つ使用するか否かを判断し、判断結果をすべてのクライアントにブロードキャストすることができる。これに対応して、各クライアントはサーバのブロードキャスト情報を受信して処理する。

【0268】

さらに、サーバは、最終的な予測ラウンドに到達しているか否かを判断することができ、最終的な予測ラウンドに到達していない場合、現在のＸＧＢフォレストリスト熱交換訓練ラウンドに対して、各ラウンドの訓練の情報初期化を新たに行うことができ、最終的な予測ラウンドに到達した場合、すべての訓練を終了し、情報を整理し、モデルを保留することができる。これに対応して、クライアントはすべての訓練を終了し、情報を整理し、モデルを保留する。

【0269】

これにより、本出願によって提案される連合学習モデルの訓練方法は、水平分割方式と垂直分割方式を混合することにより、マッチングする学習方式の傾向性を自動的に選択することができ、データ分布方式を気にすることなく、従来の連合学習モデルの訓練プロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという問題を解決するとともに、連合学習モデルの損失を減らし、連合学習モデルの性能を向上させる。

【0270】

図１８は本出願の一実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【0271】

図１８に示すように、クライアントを実行主体として、本出願の実施例によって提供される連合学習モデルの訓練方法を説明し、具体的に以下のステップＳ１６０１～Ｓ１６０２を含む。

【0272】

Ｓ１６０１、訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信し、前記訓練ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードである。

【0273】

本出願の実施例では、訓練ノードが予め設定された分割条件を満たす場合は、現在位置する訓練ノードを引き継分割する必要があることを表し、この場合、サーバは訓練ノードに対応するターゲット分割方式を取得し、ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知することができる。これに対応して、クライアントは、訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信することができる。

【0274】

Ｓ１６０２、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行う。

【0275】

本出願の実施例では、サーバは第１分割値と第２分割値に基づいて、訓練ノードに対応するターゲット分割方式を決定することができる。これに対応して、クライアントは、サーバから送信されたＩＬ又は（ｃｌｉｅｎｔ＿ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）情報を受信し、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行うことができる。ここで、（ｃｌｉｅｎｔ＿ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）情報が存在する場合、訓練ノードに対してノード分割を行うとき、クライアントはこれらの情報を記録し且つ記憶する必要がある。

【0276】

さらに、分割完成後、クライアントは、分割後の左サブツリーノードを現在の処理ノードとすることができる。

【0277】

これにより、本出願によって提供される連合学習モデルの訓練方法では、クライアントは、複数のブースティングツリーのうちの１つのブースティングツリーのノードである訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信し、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行うことにより、水平分割方式と垂直分割方式を混合することで、マッチングする学習方式の傾向性を自動的に選択することができ、データ分布方式を気にすることなく、従来の連合学習モデルの訓練プロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという問題を解決するとともに、連合学習モデルの損失を減らし、連合学習モデルの性能を向上させる。

【0278】

なお、本出願では、クライアントは、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行う前に、サーバと連携して連合学習を行って、対応する分割値を取得することができる。

【0279】

１つの可能な実現形態として、図１９に示すように、上記実施例を基に、具体的にステップＳ１７０１～Ｓ１７０３を含む。

【0280】

Ｓ１７０１、第１訓練セットに基づいて水平連合学習を行って、訓練ノードに対応する第１分割値を取得する。

【0281】

なお、本出願では、第１訓練セットに基づいて水平連合学習を行って、訓練ノードに対応する第１分割値を取得しようとする時、訓練ノードに対応する初期データインスタンス識別子セットを取得し、初期データインスタンス識別子セットをサーバに送信することができる。

【0282】

１つの可能な実現形態として、図２０に示すように、上記実施例を基に、具体的に以下のステップＳ１８０１～Ｓ１８０４を含む。

【0283】

Ｓ１８０１、サーバによって第１訓練セットから生成された、訓練ノードに利用可能な第１特徴サブセットを受信する。

【0284】

本出願の実施例では、サーバは、第１訓練セットから、現在の訓練ノードに利用可能な第１特徴サブセットをランダムに生成することができ、例えば、現在の第１訓練セットのすべての特徴の半分をランダムに生成して、１つの新しい特徴セットを構成して第１特徴サブセットとし、生成された第１特徴サブセットを各クライアントに送信することができる。これに対応して、各クライアントは第１特徴サブセットを受信することができる。

【0285】

Ｓ１８０２、サーバに第１特徴サブセット内の各特徴の特徴値を送信する。

【0286】

本出願の実施例では、クライアントは、得られた第１特徴サブセットに基づいてトラバースしてセット内の各特徴の特徴値を取得し、そしてローカルデータ、即ちローカルに記憶されている特徴の特徴値に基づいて、当該特徴のすべてのとりうる値のうちの１つをランダムに選択してサーバに送信することができる。これに対応して、サーバは各クライアントから送信された特徴とりうる値情報を受信して、１つのとりうる値リストを構成し、リストから１つをランダムに選択して、現在の特徴のグローバル最適分割閾値とし、この分割閾値を各クライアントにブロードキャストする。

【0287】

Ｓ１８０３、サーバから送信された各特徴の分割閾値を受信する。

【0288】

本出願の実施例では、サーバは、受信された第１特徴サブセット内の各特徴の特徴値に基づいて、各特徴の分割閾値を決定してクライアントに送信することができる。これに対応して、クライアントはサーバから送信された各特徴の分割閾値を受信することができる。

【0289】

Ｓ１８０４、各特徴の分割閾値に基づいて、訓練ノードに対応する初期データインスタンス識別子セットを取得し、初期データインスタンス識別子セットをサーバに送信し、ここで、初期データインスタンス識別子セットは、第１データインスタンス識別子セットと第２データインスタンス識別子セットとを生成するようにサーバに指示し、第１データインスタンス識別子セットと初期データインスタンス識別子セットはいずれも第１左サブツリー空間に属するデータインスタンス識別子を含み、第２データインスタンス識別子セットは第１右サブツリー空間に属するデータインスタンス識別子を含む。

【0290】

本出願の実施例では、各特徴の分割閾値に基づいて、訓練ノードに対応する初期データインスタンス識別子セットを取得しようとする時、いずれか１つの特徴に対して、いずれか１つの特徴の分割閾値をいずれか１つの特徴の特徴値とそれぞれ比較して、特徴値が分割閾値より小さいデータインスタンス識別子を取得して、初期データインスタンス識別子セットを生成することができる。ここで、分割閾値は実際の状況に応じて、訓練を開始する前に設定することができる。

【0291】

１つの可能な実現形態として、クライアントは、受信された特徴分割閾値情報に基づいて、現在特徴に対してノード分割を行って、ＩＬを取得し、サーバに通知することができ、クライアントには対応する特徴が存在しない場合、空のＩＬを返す。

【0292】

ここで、ＩＬは左サブツリー空間内のインスタンスＩＤセットであり、計算方法は以下のとおりである。サーバから送信された特徴ｋの閾値ｖａｌｕｅを受信し、ローカルデータではインスタンスＩＤ１に対応する特徴ｋのとりうる値がｖａｌｕｅより小さい場合、ＩＤ１をＩＬセットに追加し、以下の式で表す。

【数7】

ここで、ＩＤｋはインスタンスＩＤの特徴Ａのとりうる値を表し、ＳＩＬはセットＩＬを表す。

【0293】

Ｓ１７０２、第２訓練セットに基づいて垂直連合学習を行って、訓練ノードに対応する第２分割値を取得する。

【0294】

なお、本出願では、第２訓練セットに基づいて垂直連合学習を行って、訓練ノードに対応する第２分割値を取得しようとする前に、少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を取得し、第３データインスタンス識別子セットの第１勾配情報をサーバに送信することができる。

【0295】

１つの可能な実現形態として、図２１に示すように、上記実施例を基に、具体的に以下のステップを含むことができる。

【0296】

Ｓ１９０１、サーバから送信された勾配情報要求を受信する。

【0297】

本出願の実施例では、サーバは、ＧｋｖとＨｋｖ情報の取得を要求するようにクライアントに勾配情報要求を送信することができる。これに対応して、クライアントはサーバから送信された勾配情報要求を受信することができる。

【0298】

Ｓ１９０２、勾配情報要求に基づいて、第２訓練セットから第２特徴サブセットを生成する。

【0299】

Ｓ１９０３、第２特徴サブセット内の各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を取得し、ここで、第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、第２左サブツリー空間は、特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる第２左サブツリー空間に対応する。

【0300】

１つの可能な実現形態として、図２２に示すように、上記実施例を基に、具体的に以下のステップＳ２００１～Ｓ２００２を含むことができる。

【0301】

Ｓ２００１、いずれか１つの特徴に対して、いずれか１つの特徴のすべての特徴値を取得し、特徴値に基づいていずれか１つの特徴をパケット化する。

【0302】

本出願の実施例では、セット内の各特徴ｋ、及び対応する特徴のすべてのとりうる値の各値ｖに基づいて、各サンプルに対してパケットマッピングを行うことができる。

【0303】

なお、前述したバケットマッピングルールは複数があり、本出願はバケットマッピングルールの具体的な方式を限定せず、特徴値が同じであるサンプル、例えば図１１のとりうる値が１である２つのサンプルが、同じデータパケットに分けられることを確保すればよい。

【0304】

例えば、とりうる値が同じであるサンプルを１つのパケットとすることができ、即ちｎ個サンプルは、１つの特徴においてｍ種類のとりうる値がある場合、ｍ個のパケットに分割し、対応する特徴閾値はこのｍ種類のとりうる値である。

【0305】

また、例えば、パケットの数を限定してもよく、例えば、できるだけｍ個のパケットを分けるように限定し、この場合、特徴ｋのとりうる値がｍ個より少ない場合、前の方式に従って分けることができ、ｍ個より多い場合、近似的等分の方法に従って、ｍ個のパケットに分けることができる。

【0306】

Ｓ２００２、いずれか１つの特徴の各パケットの第３データインスタンス識別子セットの第１勾配情報を取得する。

【0307】

本出願の実施例では、クライアントはいずれか１つの特徴の各パケットの第３データインスタンス識別子セットの第１勾配情報を取得することができる。これに対応して、サーバはクライアントから送信された各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を受信することができる。

【0308】

Ｓ１９０４、第３データインスタンス識別子セットの第１勾配情報をサーバに送信する。

【0309】

本出願の実施例では、クライアントは共通ＩＤの部分のデータに基づいて、現在のノードの処理されていないデータを取得し、特徴セットをランダムに取得し、セット内の各特徴ｋ、及び対応する特徴のすべてのとりうる値の各値ｖに基づいて、各サンプルに対してパケットマッピングを行って、左サブツリー空間のＧｋｖとＨｋｖを算出し、準同型暗号化処理を行った後にサーバに送信することができる。

【0310】

Ｓ１７０３、第１分割値と第２分割値をサーバに送信する。

【0311】

本出願の実施例では、クライアントは、第１訓練セットと第２訓練セットに基づいて水平連合学習と垂直連合学習を行って、訓練ノードに対応する第２分割値后を取得した後に、第１分割値と第２分割値をサーバに送信することができる。これに対応して、サーバは第１分割値と第２分割値を受信することができる。

【0312】

なお、本出願では、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行う時、サーバから送信された分割情報に基づいてノード分割を行うことができる。

【0313】

１つの可能な実現形態として、図２３に示すように、上記実施例を基に、具体的に以下のステップＳ２１０１～Ｓ２１０２を含む。

【0314】

Ｓ２１０１、サーバから送信された分割情報を受信し、分割情報は、ターゲット分割方式、特徴分割点として選択されるターゲット分割特徴、およびターゲット分割値を含む。

【0315】

本出願の実施例では、ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知しようとする前に、サーバはターゲット分割方式、特徴分割点として選択されるターゲット分割特徴、及びターゲット分割値を含む分割情報をクライアントに送信することができる。これに対応して、クライアントはサーバから送信された分割情報を受信することができる。

【0316】

１つの可能な実現形態として、サーバは水平方式を用いて当該ノード分割を行うことができ、即ち、水平方式で得られた（ｋ，ｖａｌｕｅ）情報に基づいて、現在のノードに対して分割操作を行うことができ、そしてＩＬ情報を取得し、ＩＬを各クライアントにブロードキャストすることができる。

【0317】

Ｓ２１０２、分割情報に基づいて訓練ノードに対してノード分割を行う。

【0318】

１つの可能な実現形態として、クライアントは、受信されたサーバの（ｋ，ｖａｌｕｅ）情報に基づいて、共通ＩＤのデータに対してノード分割を行うことができ、分割方式は、共通ＩＤデータの特徴ｋに対して、値がｖａｌｕｅより小さい場合、当該データのＩＤをＩＬセット内に投入すべきであり、そうでなければＩＲセット内に投入することである。データに特徴ｋが存在しない場合、右サブツリー空間内に投入する。

【0319】

さらに、訓練ノードに対してノード分割を行った後に、クライアントは、分割して生成された左サブツリー空間をサーバに送信することができる。これに対応して、サーバは、分割して生成された左サブツリー空間を受信することができる。

【0320】

なお、本出願の実施例では、訓練ノードが予め設定された分割条件を満たす場合は、現在位置する訓練ノードを引き続き分割する必要があることを表し、訓練ノードが予め設定された分割条件を満たしていない場合は、現在位置する訓練ノードを引き続き分割する必要がないことを表し、この場合、クライアントは残差を次のブースティングツリーの残差入力とするとともに、ノードバックトラックを行うことができる。

【0321】

１つの可能な実現形態として、図２４に示すように、上記実施例を基に、具体的に以下のステップＳ２２０１～Ｓ２２０３を含む。

【0322】

Ｓ２２０１、訓練ノードが葉ノードである場合、サーバから送信された葉ノードの重み値を受信する。

【0323】

本出願の実施例では、訓練ノードが予め設定された分割条件を満たしていない場合、サーバは、所在するノードを葉ノードとして、当該葉ノードの重み値ｗｊを計算し、当該ｗｊの値を記憶して、垂直の葉ノード重み値とすることができる。これに対応して、クライアントは、サーバから送信された葉ノードの重み値ｗｊを受信することができる。

【0324】

Ｓ２２０２、葉ノードの重み値に基づいて、葉ノードに含まれる各データの残差を決定する。

【0325】

Ｓ２２０３、残差を次のブースティングツリーの残差入力とする。

【0326】

本出願の実施例では、クライアントは［Ｉｊ（ｍ），ｗｊ］に基づいて、新しいｙ’（ｔ－１）（ｉ）を計算し、現在のツリーの他の非葉ノードに遡って、現在のノードとすることができる。ここで、ｙ’（ｔ－１）（ｉ）は第ｉ個のインスタンスに対応するＬａｂｅｌ（ラベル）残差を表し、ｔは、現在が第ｔ個のツリーであることを表し、ｔ－１は１つ前のツリーを表す。

【0327】

これにより、本出願によって提供される連合学習モデルの訓練方法では、クライアントは、複数のブースティングツリーのうちの１つのブースティングツリーのノードである訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信し、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行うことにより、水平分割方式と垂直分割方式を混合することで、マッチングする学習方式の傾向性を自動的に選択することができ、データ分布方式を気にすることなく、従来の連合学習モデルの訓練プロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという問題を解決するとともに、連合学習モデルの損失を減らし、連合学習モデルの性能を向上させる。

【0328】

なお、本出願の実施例では、連合学習モデルの訓練プロセスは主に、ノード分割、モデル生成及びモデル検証などのいくつかの段階を含む。以下、サーバを実行主体とする場合及び検証クライアントを実行主体とする場合に、連合学習モデルの訓練のノード分割、モデル生成及びモデル検証の段階それぞれを行うことを例として、本出願の実施例に対して提案した連合学習モデルの訓練方法を説明する。

【0329】

サーバを実行主体とする場合、図２５に示すように、本出願の実施例によって提供される連合学習モデルの訓練方法は、具体的に以下のステップＳ２３０１～Ｓ２３０４を含む。

【0330】

Ｓ２３０１、訓練ノードが予め設定された分割条件を満たす場合、訓練ノードに対応するターゲット分割方式を取得し、前記訓練ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードである。

【0331】

Ｓ２３０２、ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知し、更新された訓練ノードを取得する。

【0332】

Ｓ２３０３、更新された訓練ノードが訓練停止条件を満たすと決定された場合、訓練を停止し、ターゲット連合学習モデルを生成する。

【0333】

なお、ステップＳ２３０１～Ｓ２３０３に関連する内容は上記実施例を参照でき、ここで詳しい説明を省略する。

【0334】

Ｓ２３０４、検証セットを取得し、連合学習モデルの訓練に参加するクライアントのうちの１つである検証クライアントと連携して前記ターゲット連合学習モデルを検証する。

【0335】

ここで、検証セットは、通常、訓練セット内の一部のサンプルである。選択可能に、所定の比率に従って、訓練セットからランダムにサンプリングして検証セットとすることができる。本出願の実施例では、検証セットはデータインスタンス識別子を含み、且つ検証セットは第１訓練セット及び第２訓練セットとそれぞれ相互に排他的である。

【0336】

これにより、本出願によって提供される連合学習モデルの訓練方法では、連合学習モデルを生成した後、サーバは検証セットを取得し、検証クライアントと連携してターゲット連合学習モデルを検証することにより、ユーザデータ同型が多い場合、訓練と検証を組み合わせる方法で、連合学習モデルの検証損失を減らし、連合学習モデルの推理効果を向上させ、連合学習モデルの訓練プロセスにおける有効性と信頼性をさらに向上させることができる。

【0337】

なお、本出願の実施例では、更新された訓練ノードは、訓練ノードが分割されて生成された左サブツリーノードと、１つのブースティングツリーの他の非葉ノードとを含む。ここで、更新された訓練が訓練停止条件を満たすことは、更新された訓練ノードがそれ以上予め設定された分割条件を満たさなくなること、又は、更新された訓練ノードが複数のブースティングツリーの最後のノードであることを含む。

【0338】

なお、本出願の実施例では、検証セットを取得して、検証クライアントと連携してターゲット連合学習モデルを検証しようとする時、検証セット内のデータインスタンス識別子がすべて検証されるまで、検証セット内のデータインスタンス識別子を逐一検証することができる。

【0339】

１つの可能な実現形態として、図２６に示すように、上記実施例を基に、上記ステップＳ２３０４において検証セットを取得し、検証クライアントと連携してターゲット連合学習モデルを検証するプロセスは、具体的に以下のステップＳ２４０１～Ｓ２４０５を含む。

【0340】

Ｓ２４０１、検証セット内の１つのデータインスタンス識別子、および検証ノードの分割情報を検証クライアントに送信し、検証ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードである。

【0341】

本出願の実施例では、サーバはいずれか１つのデータインスタンス識別子を検証クライアントに送信するとともに、検証ノードの分割情報を送信することができる。これに対応して、検証クライアントは当該データインスタンス識別子と検証ノードの分割情報を受信し、データインスタンス識別子に基づいて、対応するデータを取得し、分割情報に基づいて、検証ノードに対応するノード進行方向を判断し、即ちノード進行方向が左サブツリーへのものか、右サブツリーへのものかを判断することができる。

【0342】

ここで、分割情報は、分割用の特徴及び分割閾値を含む。

【0343】

Ｓ２４０２、検証クライアントから送信された検証ノードに対応するノード進行方向を受信し、ここで、ノード進行方向は、検証クライアントによってデータインスタンス識別子と分割情報に基づいて決定される。

【0344】

本出願の実施例では、検証クライアントは、検証ノードに対応するノード進行方向を決定した後、ノード進行方向をサーバに送信することができる。これに対応して、サーバは、検証クライアントから送信された検証ノードに対応するノード進行方向を受信することができる。

【0345】

Ｓ２４０３、ノード進行方向に基づいて次のノードに入って、次のノードを更新された検証ノードとする。

【0346】

本出願の実施例では、サーバは、検証クライアントから返されたノード進行方向に基づいて、次のノードに入って、次のノードを更新された検証ノードとすることができる。さらに、サーバは、更新された検証ノードが予め設定されたノード分割条件を満たすか否かを判断することができ、更新された検証ノードが予め設定されたノード分割条件を満たす場合は、葉ノードに到達していないことを表すので、ステップＳ２４０４を実行することができ、更新された検証ノードが予め設定されたノード分割条件を満たしていない場合、葉ノードに到達したことを表すので、ステップＳ２４０５を実行することができる。

【0347】

Ｓ２４０４、更新された検証ノードが予め設定されたノード分割条件を満たす場合、検証セット内のデータインスタンス識別子がすべて検証されるまで、検証クライアントにデータインスタンス識別子と分割情報を送信することに戻る。

【0348】

Ｓ２４０５、更新された検証ノードが予め設定されたノード分割条件を満たしていない場合、更新された検証ノードが葉ノードであると決定し、データインスタンス識別子によって表されるデータインスタンスのモデル予測値を取得する。

【0349】

本出願の実施例では、サーバは、更新された検証ノードが葉ノードであると決定した後、葉ノードの重み値を記録し、データインスタンス識別子によって表されるデータインスタンスのモデル予測値を計算して記憶することができる。

【0350】

ここで、データインスタンス識別子によって表されるデータインスタンスのモデル予測値は、各サンプルの予測値を指す。検証を行う時、各サンプルは各ツリーにおいてあるリーフノードに到達した際に、当該リーフのＬｅａｆ Ｓｃｏｒｅ（葉ノード得点）は、即ちこのツリーにおけるサンプルの得点であり、そして、１つのサンプルのすべてのツリーにおける得点の和は予測値である。

【0351】

さらに、上記ステップＳ２４０４を完成させた後に、ターゲット連合学習モデルを保留し且つ使用するか否かを決定することができる。

【0352】

１つの可能な実現形態として、図２７に示すように、上記実施例を基に、上記ステップＳ２４０４の後は、具体的に以下のステップＳ２５０１～Ｓ２５０３を含む。

【0353】

Ｓ２５０１、検証セット内のデータインスタンス識別子がすべて検証された場合、データインスタンスのモデル予測値を検証クライアントに送信する。

【0354】

本出願の実施例では、検証セット内のデータインスタンス識別子がすべて検証された場合、即ち、現在予測されているデータインスタンス識別子がすべての予測データインスタンス識別子のうちの最後の１つである場合、データインスタンスのモデル予測値を検証クライアントに送信することができる。これに対応して、検証クライアントはすべての予測結果を受信して、最終的な検証結果を計算し、そして前回の検証結果と比較して、現在のターゲット連合学習モデルを保留し且つ使用する必要があるか否かを判断し、判断結果に基づいて検証指示情報を生成することができる。

【0355】

なお、クライアントは検証指示情報を生成しようとする時、検証セット内のすべてのサンプルに対して、計算して予測値を取得することができる。検証クライアントには真のＬａｂｅｌ値があるため、この場合、クライアントは予測値とＬａｂｌｅ値に基づいて、両者の間の関連差異指標を計算し、例えばＡａｃｃｕｒａｃｙ（正確さ、精度とも呼ばれる）、ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ、二乗平均平方根誤差）などの指標を計算し、前述した指標により現在のＥｐｏｃｈ内のモデルの性能を決定することができる。

【0356】

ここで、現在のＥｐｏｃｈは、現在の世代の訓練とも呼ばれ、すべての訓練サンプルがニューラルネットワークにおいて一回の順方向伝播と一回の逆方向伝播を行ったプロセスを指し、つまり、１つのＥｐｏｃｈは、すべての訓練サンプルを一回訓練するプロセスである。これにより、取得された関連差異指標が１つ前のＥｐｏｃｈの指標より優れる場合、現在得られたモデルを保留することができ、取得された関連差異指標が１つ前のＥｐｏｃｈの指標より劣る場合、現在得られたモデルを破棄することができる。

【0357】

Ｓ２５０２、検証クライアントから送信された検証指示情報を受信し、ここで、検証指示情報は、モデル予測値に基づいて取得された、モデルを保留するか否かを指示するための指示情報である。

【0358】

本出願の実施例では、検証クライアントは、検証指示情報をサーバに送信することができる。これに対応して、サーバは、検証クライアントから送信された検証指示情報を受信することができる。

【0359】

Ｓ２５０３、検証指示情報に基づいて、ターゲット連合学習モデルを保留し且つ使用するか否かを決定し、決定結果をクライアントに送信する。

【0360】

本出願の実施例では、サーバは検証指示情報に基づいて、ターゲット連合学習モデルを保留し且つ使用するか否かを決定し、決定結果をすべてのクライアントに送信することができる。

【0361】

検証クライアントを実行主体とする場合、図２８に示すように、本出願の実施例によって提供される連合学習モデルの訓練方法は、具体的に以下のステップＳ２６０１～Ｓ２６０３を含む。

【0362】

Ｓ２６０１、訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信し、前記訓練ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードである。

【0363】

Ｓ２６０２、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行う。

【0364】

なお、ステップＳ２６０１～Ｓ２６０２に関連する内容は上記実施例を参照でき、ここで詳しい説明を省略する。

【0365】

Ｓ２６０３、サーバから送信された検証セットを受信し、検証セットに基づいて、ターゲット連合学習モデルを検証する。

【0366】

本出願の実施例では、サーバは検証セットを取得して検証クライアントに送信することができる。これに対応して、検証クライアントは、サーバから送信されたれた検証セットを受信し、検証セットに基づいてターゲット連合学習モデルを検証することができる。

【0367】

ここで、サーバから送信された検証セットを受信し、検証セットに基づいて、ターゲット連合学習モデルを検証する。

【0368】

これにより、本出願によって提供される連合学習モデルの訓練方法は、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行った後に、検証クライアントは、サーバから送信された検証セットを受信して、検証セットに基づいて、ターゲット連合学習モデルを検証することにより、ユーザデータ同型が多い場合、訓練と検証を組み合わせる方式を用いることで、連合学習モデルの検証損失を減らし、連合学習モデルの推理効果を向上させ、連合学習モデルの訓練プロセスにおける有効性と信頼性をさらに向上させる。

【0369】

なお、本出願の実施例では、検証クライアントが検証セットに基づいてターゲット連合学習モデルを検証しようとする時、検証セット内のデータインスタンス識別子がすべて検証されるまで、検証セット内のデータインスタンス識別子を逐一検証することができる。

【0370】

１つの可能な実現形態として、図２９に示すように、上記実施例を基に、上記ステップＳ２６０３において検証セットに基づいてターゲット連合学習モデルを検証するプロセスは、具体的に以下のステップＳ２７０１～Ｓ２７０３を含むことができる。

【0371】

Ｓ２７０１、サーバから送信された検証セット内の１つのデータインスタンス識別子、および検証ノードの分割情報を受信し、ここで、検証ノードは複数のブースティングツリーのうちの１つのブースティングツリーのノードである。

【0372】

本出願の実施例では、サーバはいずれか１つのデータインスタンス識別子を検証クライアントに送信するとともに、検証ノードの分割情報を送信することができる。これに対応して、検証クライアントは当該データインスタンス識別子と検証ノードの分割情報を受信することができる。

【0373】

ここで、分割情報は、分割用の特徴及び分割閾値を含む。

【0374】

Ｓ２７０２、データインスタンス識別子と分割情報に基づいて、検証ノードのノード進行方向を決定する。

【0375】

本出願の実施例では、検証クライアントはデータインスタンス識別子に基づいて、対応するデータを取得し、分割情報に基づいて、検証ノードに対応するノード進行方向を判断し、即ちノード進行方向が左サブツリーへのものか右サブツリーへのものかを判断する。

【0376】

１つの可能な実現形態として、図３０に示すように、上記ステップＳ２７０２においてデータインスタンス識別子と分割情報に基づいて、検証ノードのノード進行方向を決定するプロセスは、具体的に以下のステップＳ２８０１～Ｓ２８０２を含む。

【0377】

Ｓ２８０１、データインスタンス識別子に基づいて、データインスタンス識別子に対応する各特徴の特徴値を決定する。

【0378】

なお、ステップＳ２８０１に関連する内容は上記実施例を参照でき、ここで詳しい説明を省略する。

【0379】

Ｓ２８０２、分割情報と各特徴の特徴値に基づいて、ノード進行方向を決定する。

【0380】

本出願の実施例では、検証クライアントは、分割情報に基づいて分割用の特徴を決定し、当該特徴の特徴値と分割閾値に基づいてノード進行方向を決定することができる。

【0381】

Ｓ２７０３、サーバがノード進行方向に基づいて次のノードに入って、次のノードを更新された検証ノードとするように、サーバにノード進行方向を送信する。

【0382】

本出願の実施例では、検証クライアントは、検証ノードに対応するノード進行方向を決定した後、ノード進行方向をサーバに送信することができる。これに対応して、サーバは検証クライアントから送信された検証ノードに対応するノード進行方向を受信することができる。

【0383】

さらに、上記ステップＳ２７０３を完成させた後、ターゲット連合学習モデルを保留し且つ使用するか否かを決定することができる。

【0384】

１つの可能な実現形態として、図２７に示すように、上記実施例を基に、上記ステップＳ２７０３の後は、具体的に以下のステップＳ２９０１～Ｓ２９０３を含む。

【0385】

Ｓ２９０１、検証セット内のデータインスタンス識別子がすべて検証された場合、サーバから送信されたデータインスタンス識別子によって表されるデータインスタンスのモデル予測値を受信する。

【0386】

本出願の実施例では、検証セット内のデータインスタンス識別子がすべて検証された場合、つまり、現在予測されているデータインスタンス識別子がすべての予測データインスタンス識別子のうちの最後の１つである場合、データインスタンスのモデル予測値を検証クライアントに送信することができる。これに対応して、検証クライアントはすべての予測結果を受信し、最終的な検証結果を計算し、そして前回の検証結果と比較して、現在のターゲット連合学習モデルを保留し且つ使用する必要があるか否かを判断し、判断結果に基づいて検証指示情報を生成することができる。

【0387】

なお、検証クライアントは検証指示情報を生成しようとする時、検証セット内のすべてのサンプルに対して、計算して予測値を取得することができる。検証クライアントには真のＬａｂｅｌ値があるため、この場合、クライアントは予測値とＬａｂｌｅ値に基づいて、両者の間の関連差異指標を計算し、例えばＡａｃｃｕｒａｃｙ（正確さ、精度とも呼ばれる）、ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ、二乗平均平方根誤差）などの指標を計算し、前述した指標により現在のＥｐｏｃｈ内のモデルの性能を決定することができる。

【0388】

ここで、現在のＥｐｏｃｈは、現在の世代の訓練とも呼ばれ、すべての訓練サンプルがニューラルネットワークにおいて一回の順方向伝播と一回の逆方向伝播を行ったプロセスを指し、つまり、１つのＥｐｏｃｈは、すべての訓練サンプルを一回訓練するプロセスである。これにより、取得された関連差異指標が１つ前のＥｐｏｃｈの指標より優れる場合、現在得られたモデルを保留することができ、取得された関連差異指標が１つ前のＥｐｏｃｈの指標より劣る場合、現在得られたモデルを破棄することができる。

【0389】

Ｓ２９０２、モデル予測値に基づいて最終的な検証結果を取得し、検証結果と前の検証結果とを比較して、ターゲット連合学習モデルを保留し且つ使用するか否かを指示するための検証指示情報を生成する。

【0390】

本出願の実施例では、検証クライアントは検証指示情報をサーバに送信することができる。これに対応して、サーバは、検証クライアントから送信された検証指示情報を受信することができる。

【0391】

Ｓ２９０３、サーバに検証指示情報を送信する。

【0392】

本出願の実施例では、サーバは検証クライアントから送信された検証指示情報に基づいて、ターゲット連合学習モデルを保留し且つ使用するか否かを決定し、決定結果をすべてのクライアントに送信することができる。

【0393】

図３２は本出願の一実施例によって開示される連合学習モデルの訓練方法の概略フローチャートである。

【0394】

図３２に示すように、ＸＧＢを例とすると、サーバとクライアント（検証クライアントを含む）が連合学習モデルの訓練を行う全プロセスを例として、本出願の実施例によって提供される連合学習モデルの訓練方法を説明し、具体的に以下のステップＳ３００１～Ｓ３００６を含む。

【0395】

Ｓ３００１、サーバとクライアントがそれぞれ初期化処理を行う。

【0396】

選択可能に、クライアントはデータ識別子をサーバに送信する。具体的に、クライアントは自身の各データのデータ識別子をサーバに送信する。ここで、データ識別子は各データを一意的に区別するものである。これに対応して、サーバは各クライアントから送信されたデータ識別子を受信する。

【0397】

さらに、サーバは、それが受信したデータ識別子に基づいて、クライアント間の共通データ識別子を決定する。共通データ識別子は、サーバが各クライアントによってレポートされたデータ識別子に基づいて決定した、異なるクライアントが有する同じデータ識別子である。

【0398】

さらに、サーバは共通データ識別子をクライアントに送信する。

【0399】

さらに、クライアントは共通データ識別子とローカルデータに基づいて、損失公式の導関数を取得して、準同型暗号化処理を行う。具体的に、クライアントは共通データ識別子とローカルデータに基づいて、損失関数のいくつかの中間結果を計算し、例えば損失関数の一次導関数ｇｉと二次導関数ｈｉを計算する。ここで、ｇｉとｈｉの計算式は以下のとおりである。

【数8】

【0400】

ここで、ｙｉはサンプルｉの予測結果であり、各符号の意味は関連技術を参照する。

【0401】

損失関数の計算式は以下のとおりである。

【数9】

【0402】

ＸＧＢで提供された、二次テイラー展開式を用いて上記式を近似的に表すことを提案する。テイラー展開式の二次形式は以下のとおりである。

【数10】

【0403】

さらに、クライアントは暗号化後の導関数をサーバに送信する。これに対応して、サーバはクライアントから送信された、暗号化後の導関数を受信する。

【0404】

さらに、サーバは、受信された暗号化後の導関数に対して復号処理を行い、復号後の導関数に対して平均値を求める処理を行って、平均値を取得する。同じ共通データ識別子に対して、各クライアントに対応する導関数に基づいて累積して平均値を求める。例えば、計算方式は上記のように、共通データ識別子に対応する一次導関数ｇｉと二次導関数ｈｉをそれぞれ累積してから平均値を求める。具体的に以下のとおりである。

【数11】

【0405】

ここで、ｎは、有する共通データＩＤの数を表し、ｇｉ（ｊ）はデータｊの一次導関数ｇｉを表し、ｈｉ（ｊ）はデータｊの二次導関数ｈｉを表す。

【0406】

さらに、サーバは平均値をクライアントに送信する。例示的に、サーバはリストの形で、平均値をクライアントに送信する。１つの実現では、一次導関数ｇｉと二次導関数ｈｉは共通で１つのリストに存在することができ、もう１つの実現では、一次導関数ｇｉと二次導関数ｈｉはそれぞれ異なるリストに存在し、例えば、一次導関数ｇｉはリストＡに存在し、二次導関数ｈｉはリストＢに存在する。これに対応して、クライアントはサーバから送信された平均値を受信する。

【0407】

さらに、クライアントはローカルに記憶されている平均値を更新する。

【0408】

Ｓ３００２、サーバとクライアントが水平ＸＧＢ処理を開始する。

【0409】

選択可能に、サーバは現在位置するツリーノードを引き続き分割する必要があるか否かを判断する。例えば、サーバは、現在位置するツリーノードの所在するレベルが最大のツリー深度に到達しているか否かに基づいて、ツリーノードを引き続き分割する必要があるか否かを判断し、ツリーノードを引き続き分割する必要がなければ、サーバは、所在するノードを葉ノードとして、当該葉ノードの重み値ｗｊを計算し、当該ｗｊ値を記憶して、水平ＸＧＢの葉ノードの重み値とし、ツリーノードを引き続き分割する必要がある場合、サーバはすべての特徴のセットから、現在のノードに利用可能な特徴セットをランダムに生成し、この特徴セットを各クライアントに送信する。

【0410】

さらに、サーバはすべての特徴のセットから、現在のノードに利用可能な特徴セットをランダムに生成し、この特徴セットを各クライアントに送信する。

【0411】

さらに、クライアントは、得られた特徴セットに基づいて、特徴セット内の各特徴をトラバースし、ローカルデータに基づいて、当該特徴のすべてのとりうる値のうちの１つをランダムに選択してサーバに送信する。

【0412】

さらに、サーバは、各クライアントから送信された特徴とりうる値情報を受信して、１つのとりうる値リストを構成し、とりうる値リストから１つをランダムに選択して、現在の特徴のグローバル最適分割閾値とし、このグローバル最適分割閾値を各クライアントにブロードキャストする。

【0413】

さらに、クライアントは、受信されたグローバル最適分割閾値に基づいて、現在の特徴に対してノード分割を行って、ＩＬを取得してサーバに通知し、対応する特徴がクライアントに存在しなければ、空のＩＬを返す。

【0414】

ここで、ＩＬは左サブツリー空間内のインスタンスＩＤセットであり、計算式は以下のとおりである。クライアントはサーバから送信された特徴ｋのグローバル最適分割閾値ｖａｌｕｅを受信し、ローカルデータでは、インスタンスＩＤ１に対応する特徴ｋのとりうる値がグローバル最適分割閾値ｖａｌｕｅより小さい場合、ＩＤ１をＩＬセットに追加する。以下の式で表す。

【数12】

【0415】

ここで、ＩＤｋはインスタンスＩＤの特徴ｋのとりうる値を表し、ＳＩＬはセットＩＬを表す。

【0416】

さらに、サーバは現在の特徴に対して、各クライアントから送信されたＩＬを受信し、各ＩＬから重複するインスタンスＩＤをフィルタリングし、矛盾するＩＤ情報を処理する。一部のクライアントに対して、インスタンスＩＤをＩＬに追加するが、一部のクライアントにＩＤが存在していても追加しておらず、この時、このＩＤがＩＬに存在すべきであると見なし、最終的なＩＬとＩＲを決定する。あるクライアントのデータに現在の特徴が存在しなければ、このクライアントのデータインスタンスＩＤをＩＲに投入する。その後、ＧＬ、ＧＲとＨＬ、ＨＲを計算し、そして現在の特徴の分割値Ｇａｉｎを計算して取得する。

【数13】

【0417】

ここで、ＧＬは左サブツリー空間内のすべての一次導関数ｇｉの和であり、ＧＲは右サブツリー空間内のすべての一次導関数ｇｉの和であり、ＨＬは左サブツリー空間のすべての二次導関数ｈｉの和であり、ＨＲは右サブツリー空間のすべての二次導関数ｈｉの和である。計算式は以下のとおりである。

【数14】

【0418】

ここで、ｎ１は左サブツリー空間内のインスタンスの数を表し、ｎ２は右サブツリー空間内のインスタンスの数を表す。

【0419】

サーバはクライアントと連携して、ランダムに選択された特徴セット内の各特徴をトラバース処理し、各特徴を、分割ノードによって計算された分割値とし、分割値が最も大きい特徴を、現在のノードの最適効果特徴とすることができる。これとともに、サーバも分割ノードに対応する閾値情報を知っており、分割閾値、分割値Ｇａｉｎ、及び選択された特徴などの情報を水平ＸＧＢの現在のノードの最適分割の情報とする。

【0420】

さらに、サーバは水平方式のノード分割後の整理操作を行い、サーバは、水平方式のノード分割操作をそれ以上行わないように、即ち水平方式のノード分割操作を完成するように各クライアントに通知する。

【0421】

さらに、サーバは、所在するノードを葉ノードとして、当該葉ノードの重み値ｗｊを計算し、当該ｗｊの値を記憶して水平ＸＧＢの葉ノードの重み値とする。

【0422】

ここで、

【数15】

であり、Ｇｍはノードｍのすべてのインスタンスに対応するｇｉの和を表し、Ｈｍはノードｍのすべてのインスタンスに対応するｈｉの和を表す。

【0423】

さらに、サーバは、水平方式のノード分割操作をそれ以上行わないように、即ち水平方式のノード分割操作を完成するように各クライアントに通知する。

【0424】

さらに、クライアントは、水平ノード分割を完成した後の処理を行う。

【0425】

Ｓ３００３、サーバとクライアントが垂直ＸＧＢ処理を開始する。

【0426】

選択可能に、サーバは、垂直ＸＧＢの処理を行うようにクライアントに通知する。

【0427】

さらに、サーバは、ＧｋｖとＨｋｖ情報の取得を各クライアントに要求する。

【0428】

さらに、クライアントは、共通データ識別子の部分のデータに基づいて、現在のノードの処理されていないデータを取得し、特徴セットをランダムに取得し、セット内の各特徴ｋ、及び対応する特徴のすべてのとりうる値ｖに基づいて、各サンプルに対してパケットマッピングを行って、左サブツリー空間のＧｋｖとＨｋｖを計算し、準同型暗号化処理を行った後にサーバに送信する。選択可能に、データセット内の特徴ｋのとりうる値を並べ替えた後に、パケットに投入する操作を行うことができ、｛ｓｋ，１，ｓｋ，２，ｓｋ，３，…，ｓｋ，ｖ－１｝というパケットに分けられ、ＧｋｖとＨｋｖの計算式は以下のとおりである。

【数16】

【0429】

ここで、ｘｉ，ｋはデータｘｉの特徴ｋの値を表す。

【0430】

さらに、サーバは各クライアントから送信された［［Ｇｋｖ］］と［［Ｈｋｖ］］を復号化し、現在のノードの共通データ識別子の部分のデータ、及びその前に得られたすべてのｇｉとｈｉに基づいて、現在のノードのＧとＨを計算することができる。選択可能に、一部のクライアントが同じ特徴を有する場合、サーバは、受信されたＧｋｖから１つをランダムに選択して現在特徴のＧｋｖとし、Ｈｋｖについても同様に処理する。さらに、Ｇ、ＨとＧｋｖ、Ｈｋｖに基づいて各特徴の最適分割点を計算し、前述分割点情報に基づいて、グローバル最適分割点（ｋ，ｖ，Ｇａｉｎ）を決定することができる。

【0431】

本出願の実施例では、受信された情報と予め設定された閾値とを比較することができ、Ｇａｉｎが閾値以下である場合、垂直方式のノード分割を行わず、ステップＳ３０２７を実行することができ、Ｇａｉｎが閾値より大きい場合、ステップＳ３０２３を実行することができる。

【0432】

さらに、サーバは（ｋ，ｖ，Ｇａｉｎ）に基づいて、対応するクライアントにＩＬを要求する。

【0433】

さらに、クライアントＣは分割点情報（ｋ，ｖ，Ｇａｉｎ）を受信し、検索して分割点閾値ｖａｌｕｅを取得し、当該分割点（ｋ，ｖａｌｕｅ）情報を記録する。ローカルデータセットは当該分割点に基づいて分割して、ＩＬを取得し、（ｒｅｃｏｒｄ，ＩＬ，ｖａｌｕｅ）をサーバに送信する。ここで、ｒｅｃｏｒｄはクライアントにおける当該記録のインデックスを表し、ＩＬの計算方式は前述したとおりである。

【0434】

さらに、サーバは、クライアントＣから送信された（ｒｅｃｏｒｄ，ＩＬ，ｖａｌｕｅ）情報を受信し、所在するノード空間のすべての共通ＩＤのインスタンスを分割し、（ｃｌｉｅｎｔ ｉｄ，ｒｅｃｏｒｄ）により現在のノードとクライアントＣに関連付ける。本出願の実施例では、サーバは（ｃｌｉｅｎｔ ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）を垂直分割の情報として記録し、ステップＳ３０２７を実行することができる。

【0435】

さらに、サーバは所在するノードを葉ノードとして、当該葉ノードの重み値ｗｊを計算し、当該ｗｊを記憶して垂直の葉ノードの重み値とする。

【0436】

さらに、サーバは、垂直方式の葉ノード分割をそれ以上行わないように、即ちノード分割の操作を完成するように各クライアントに通知する。

【0437】

さらに、各クライアントは、垂直ノード分割を完成した後の処理を行う。

【0438】

Ｓ３００４、サーバとクライアントが水平ＸＧＢと垂直ＸＧＢの混合処理を開始する。

【0439】

選択可能に、サーバは、現在のノードを分割する必要があるか否かを判断する。本出願の実施例では、現在のノードを分割する必要がない場合、サーバは所在するノードを葉ノードとして、当該葉ノードの重み値ｗｊを計算し、情報［Ｉｊ（ｍ），ｗｊ］をすべてのクライアントに送信し、現在のノードを分割する必要がある場合、サーバは、水平ＸＧＢで得られたＧａｉｎ、及び垂直ＸＧＢで得られたＧａｉｎに基づいて、Ｇａｉｎに基づいてターゲットＧａｉｎを決定し、これによってノード分割方式を決定してノード分割を行う。

【0440】

さらに、サーバは、水平ＸＧＢで得られたＧａｉｎ、及び垂直ＸＧＢで得られたＧａｉｎに基づいて、Ｇａｉｎに基づいてターゲットＧａｉｎを決定し、これによってノード分割方式を決定してノード分割を行う。本出願の実施例では、水平ＸＧＢ方式である場合、サーバは水平方式を用いて当該ノード分割を行い、即ち、上記水平方式で得られた（ｋ，ｖａｌｕｅ）情報に基づいて、現在のノードに対して分割操作を行って、ＩＬ情報を取得し、ＩＬを各クライアントにブロードキャストすることができ、垂直ＸＧＢ方式である場合、クライアントはサーバによって記録された垂直分割の（ｃｌｉｅｎｔ＿ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）に基づいて、真のノード分割操作を行うように各クライアントに通知する。

【0441】

さらに、クライアントは、サーバによって記録された垂直分割の（ｃｌｉｅｎｔ＿ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）に基づいて、真のノード分割操作を行うように各クライアントに通知する。ここで、ｃｌｉｅｎｔ＿ｉｄに対応するクライアントは（ｃｌｉｅｎｔ＿ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）のすべての情報を知らなければならず、他のクライアントはＩＬ情報だけを知れればよい。

【0442】

サーバは現在の分割後の左サブツリーノードを現在の処理ノードとする。

【0443】

さらに、クライアントは、サーバから送信されたＩＬ又は（ｃｌｉｅｎｔ＿ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）を受信し、垂直方式のノード分割操作を行う。（ｃｌｉｅｎｔ＿ｉｄ，ｒｅｃｏｒｄ＿ｉｄ，ＩＬ，ｆｅａｔｕｒｅ＿ｎａｍｅ，ｆｅａｔｕｒｅ＿ｖａｌｕｅ）情報が存在する場合、分割時に、クライアントはこれらの情報を記録し且つ記憶する必要がある。本出願の実施例では、分割完了後に、分割後の左サブツリーノードを現在の処理ノードとする。

【0444】

さらに、サーバはステップＳ３００２に戻って後続の処理を行い、且つクライアントはステップＳ３００２に戻ってサーバからのメッセージを待つ。なお、この際に現在のノードの分割が完成しているので、次の層の左サブツリー、右サブツリーノードの分割を行う必要がある。そのため、ステップＳ３００２に戻って、次のノードのノード分割を行う。

【0445】

さらに、サーバは水平方式を用いて当該ノード分割を行い、即ち上記水平方式で得られた（ｋ，ｖａｌｕｅ）情報に基づいて、現在のノードに対して分割操作を行い、ＩＬ情報を取得し、ＩＬを各クライアントにブロードキャストする。ここで、ＩＬは以下の式で表すことができる。

【数17】

【0446】

ここで、ＩＤｋはインスタンスＩＤの特徴ｋのとりうる値を表し、ＳＩＬはセットＩＬを表す。

【0447】

さらに、クライアントは、サーバによってブロードキャストされたＩＬを受信し、ＩＬに基づいてローカル非共通ＩＤのデータと組み合わせて、現在のノードのＩＬとＩＲを決定してから、ノード分割操作を行うことができる。なお、ＩＬとＩＲを決定することは、ローカル非共通ＩＤデータのＩＤを決定することに相当し、サーバから送信されたＩＬセットに存在しなければ、ＩＲセットに存在することになる。

【0448】

さらに、サーバは、水平方式を用いてノード分割を行う場合、選択された特徴ｋと閾値ｖａｌｕｅに基づいて、（ｋ，ｖａｌｕｅ）をクライアントにブロードキャストする。

【0449】

さらに、各クライアントはサーバの（ｋ，ｖａｌｕｅ）情報を受信し、共通ＩＤのデータに対してノード分割を行い、分割方式は共通ＩＤデータの特徴ｋに対するものである。ここで、値がｖａｌｕｅより小さい場合、当該データのＩＤをＩＬセット内に投入すべきであり、そうでなければＩＲセット内に投入する。データに特徴ｋが存在しない場合、右サブツリー空間内に投入する。

【0450】

さらに、サーバはステップＳ３００２に戻って次のノードの分割操作を行い、且つクライアントはステップＳ３００２に戻って、サーバからのメッセージを待つ。

【0451】

さらに、サーバは、所在するノードを葉ノードとして、当該葉ノードの重み値ｗｊを計算し、情報［Ｉｊ（ｍ），ｗｊ］をすべてのクライアントに送信する。ここで、Ｉｊ（ｍ）は現在のノード空間のインスタンスＩＤセットであり、ｗｊは現在のノードの重みである。

【0452】

さらに、クライアントは［Ｉｊ（ｍ），ｗｊ］に基づいて新たしいｙ｀（ｔ－１）（ｉ）を計算し、現在のツリーの他の非葉ノードに遡って、現在のノードとする。ここで、ｙ｀（ｔ－１）（ｉ）は第ｉ個のインスタンスに対応するＬａｂｅｌ残差を表し、ｔは現在が第ｔのツリーであることを表し、ｔ－１は１つ前のツリーを表す。

【0453】

さらに、サーバは現在のツリーの他の非葉ノードに遡って、現在のノードとする。

【0454】

さらに、遡った後の現在のノードが存在し且つ空ではない場合、ステップＳ３００２に戻って次の処理を行い、クライアントはステップＳ３００２に戻って、サーバからのメッセージを待つ。

【0455】

さらに、現在のノードが空である場合、モデルの検証操作を行う。

【0456】

Ｓ３００５、サーバと検証クライアントがターゲット連合学習モデルの検証を行う。

【0457】

選択可能に、サーバは、検証初期化操作を行うように検証クライアントに通知する。

【0458】

さらに、検証クライアントは検証初期化を行う。

【0459】

さらに、サーバは１つのＩＤを選択して検証を開始する。ＸＧＢツリーを初期化し、検証を開始するように検証クライアントに通知する。

【0460】

さらに、検証クライアントは検証情報を初期化する。

【0461】

さらに、サーバは現在のＸＧＢツリーに基づいて、分割ノード情報と検証されるデータＩＤを検証クライアントに送信する。

【0462】

さらに、検証クライアントはデータＩＤに基づいて、対応するデータを取得し、その後、サーバから送信された分割ノード情報に基づいて、左サブツリーに分けるか右サブツリーに分けるかを判断し、サーバに返す。

【0463】

さらに、サーバは検証クライアントから返された方向に基づいて、次のノードに入る。その後、葉ノードに到達しているか否かを判断し、到達している場合、サーバは葉ノードの重みを記録し、予測値を計算して記憶し、逆の場合、サーバは１つのＩＤを選択して検証を開始する。ＸＧＢツリーを初期化し、検証を開始するように検証クライアントに通知する。

【0464】

さらに、サーバは葉ノードの重みを記録し、予測値を計算して記憶する。現在予測されるＩＤがすべての予測ＩＤの最後の１つである場合、サーバはすべての予測結果をクライアントに送信し、逆の場合、サーバは１つのＩＤを選択して検証を開始する。ＸＧＢツリーを初期化し、検証を開始するように検証クライアントに通知する。

【0465】

さらに、サーバはすべての予測結果をクライアントに送信する。

【0466】

さらに、検証クライアントはすべての予測結果を受信し、最終的な検証結果を計算し、前回の検証結果と比較して、現在のモデルを保留し且つ使用する必要があるか否かを判断し、サーバに通知する。

【0467】

さらに、サーバは検証クライアントから返された検証結果に基づいて、現在のモデルを保留し且つ使用するか否かを判断し、すべてのクライアントに通知する。

【0468】

さらに、各クライアントはサーバのブロードキャスト情報を受信して処理する。

【0469】

さらに、サーバは最終的な予測ラウンドに到達しているか否かを判断し、到達している場合、ステップＳ３００６を実行する。

【0470】

Ｓ３００６、サーバとクライアントがそれぞれ訓練を終了し、ターゲット連合学習モデルを保留する。

【0471】

選択可能に、サーバはすべての訓練を終了し、情報を整理し、モデルを保留する。

【0472】

さらに、クライアントはすべての訓練を終了し、情報を整理し、モデルを保留する。

【0473】

以上により、本出願の実施例に係る連合学習モデルの訓練方法は、水平分割方式と垂直分割方式を混合することで、マッチングする学習方式の傾向性を自動的に選択することができ、データ分布方式を気にすることなく、従来の連合学習モデルの訓練プロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという問題を解決するとともに、連合学習モデルの損失を減らし、連合学習モデルの性能を向上させる。

【0474】

同じ出願構想に基づいて、本出願の実施例は連合学習モデルの訓練方法に対応する装置をさらに提供する。

【0475】

図３３は本出願の実施例によって提供される連合学習モデルの訓練装置の概略構造図である。

【0476】

図３３に示すように、サーバに適用される当該連合学習モデルの訓練装置１０００は、取得モジュール１１０、通知モジュール１２０、第１訓練モジュール１３０、第２訓練モジュール１４０、及び生成モジュール１５０を備える。

【0477】

ここで、取得モジュール１１０は、複数のブースティングツリーのうちの１つのブースティングツリーのノードである訓練ノードが予め設定された分割条件を満たす場合、前記訓練ノードに対応するターゲット分割方式を取得し、通知モジュール１２０は、前記ターゲット分割方式に基づいてノード分割を行うようにクライアントに通知し、第１訓練モジュール１３０は、更新された前記訓練ノードが前記予め設定された分割条件を満たさなくなるまで、前記訓練ノードが分割されて生成された左サブツリーノードを新たに前記訓練ノードとして次のラウンドの訓練を行い、第２訓練モジュール１４０は、前記１つのブースティングツリーの他の非葉ノードを新たに前記訓練ノードとして次のラウンドの訓練を行い、生成モジュール１５０は、前記複数のブースティングツリーのノードデータセットがいずれも空である場合、訓練を停止し、ターゲット連合学習モデルを生成する。

【0478】

本出願の一実施例によると、図３４に示すように、図３３における取得モジュール１１０は、第１訓練セットに基づいて、前記クライアントと連携して水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するための第１学習サブモジュール１１１と、第２訓練セットに基づいて、前記クライアントと連携して垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するための第２学習サブモジュール１１２と、前記第１分割値と前記第２分割値に基づいて、前記訓練ノードに対応するターゲット分割方式を決定するための決定サブモジュール１１３と、を備える。

【0479】

本出願の一実施例によると、図３５に示すように、図３４における決定サブモジュール１１３は、前記第１分割値と前記第２分割値のうちの大きい方を前記訓練ノードに対応するターゲット分割値として決定するための第１決定ユニット１１３１と、前記ターゲット分割値に基づいて、前記訓練ノードに対応する分割方式を決定するための第２決定ユニット１１３２と、を備える。

【0480】

本出願の一実施例によると、図３６に示すように、図３３における第１学習サブモジュール１１１は、前記訓練ノードに利用可能な第１特徴サブセットを前記第１訓練セットから生成して、前記クライアントに送信するための生成ユニット１１１１と、前記クライアントから送信された前記第１特徴サブセット内の各特徴の特徴値を受信するための第１受信ユニット１１１２と、前記第１特徴サブセット内の各特徴の特徴値に基づいて、前記各特徴を分割特徴点とする場合に対応する水平分割値をそれぞれ決定するための第３決定ユニット１１１３と、前記各特徴に対応する前記水平分割値に基づいて、前記訓練ノードの前記第１分割値を決定するための第４決定ユニット１１１４と、を備える。

【0481】

本出願の一実施例によると、図３７に示すように、図３６における第３決定ユニット１１１３は、前記第１特徴サブセット内のいずれか１つの特徴に対して、前記いずれか１つの特徴の特徴値に基づいて、前記いずれか１つの特徴の分割閾値を決定するための第１決定サブユニット１１１３１と、前記分割閾値に基づいて、前記いずれか１つの特徴に対応する第１データインスタンス識別子セットと第２データインスタンス識別子セットとを取得するための第１取得サブユニット１１１３２であって、前記第１データインスタンス識別子セットが、第１左サブツリー空間に属するデータインスタンス識別子を含み、前記第２データインスタンス識別子セットが、第１右サブツリー空間に属するデータインスタンス識別子を含む第１取得サブユニット１１１３２と、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとに基づいて、前記いずれか１つの特徴に対応する前記水平分割値を決定するための第２決定サブユニット１１１３３と、を備える。

【0482】

本出願の一実施例によると、第１取得サブユニット１１１３２は、さらに、前記クライアントに前記分割閾値を送信し、前記クライアントから送信された前記訓練ノードに対応する初期データインスタンス識別子セットを受信し、ここで、前記初期データインスタンス識別子セットは、前記クライアントが前記分割閾値に基づいて前記いずれか１つの特徴に対してノード分割を行うときに生成され、前記初期データインスタンス識別子セットが、前記第１左サブツリー空間に属するデータインスタンス識別子を含み、前記初期データインスタンス識別子セットとすべてのデータインスタンス識別子とに基づいて、前記第１データインスタンス識別子セットと前記第２データインスタンス識別子セットとを取得する。

【0483】

本出願の一実施例によると、第１取得サブユニット１１１３２は、さらに、前記初期データインスタンス識別子セット内の各データインスタンス識別子と、前記クライアントのデータインスタンス識別子とを比較して、異常が存在するデータインスタンス識別子を取得し、前記異常が存在するデータインスタンス識別子を前処理して、前記第１データインスタンス識別子セットを取得し、すべてのデータインスタンス識別子と前記第１データインスタンス識別子セットとに基づいて、前記第２データインスタンス識別子セットを取得する。

【0484】

本出願の一実施例によると、図３８に示すように、図３４における第２学習サブモジュール１１２は、前記第２訓練セットに基づいて垂直連合学習を行うように前記クライアントに通知するための通知ユニット１１２１と、前記クライアントから送信された各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を受信するための第２受信ユニット１１２２であって、前記第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、前記第２左サブツリー空間は、前記特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる前記第２左サブツリー空間に対応する第２受信ユニット１１２２と、各特徴の前記第１勾配情報と前記訓練ノードの総勾配情報とに基づいて、各特徴の垂直分割値をそれぞれ決定するための第５決定ユニット１１２３と、各特徴に対応する垂直分割値に基づいて、前記訓練ノードの前記第２分割値を決定するための第６決定ユニット１１２４と、を備える。

【0485】

本出願の一実施例によると、図３９に示すように、図３８における第５決定ユニット１１２３は、いずれか１つの特徴に対して、前記総勾配情報と各第１勾配情報とに基づいて、各第１勾配情報に対応する第２勾配情報をそれぞれ取得するための第２取得サブユニット１１２３１と、各第１勾配情報に対して、前記第１勾配情報、及び前記第１勾配情報に対応する第２勾配情報に基づいて、前記いずれか１つの特徴の候補垂直分割値を取得するための第３取得サブユニット１１２３２と、前記候補垂直分割値のうちの最大値を、前記いずれか１つの特徴の垂直分割値として選択するための選択サブユニット１１２３３と、を備える。

【0486】

本出願の一実施例によると、前記第１勾配情報は、前記第２左サブツリー空間に属するデータインスタンスに対応する特徴の一次勾配の和、及び前記第２左サブツリー空間に属するデータインスタンスに対応する特徴の二次勾配の和を含み、前記第２勾配情報は、前記第２右サブツリー空間に属するデータインスタンスに対応する特徴の一次勾配の和、及び前記第２右サブツリー空間に属するデータインスタンスに対応する特徴の二次勾配の和を含む。

【0487】

本出願の一実施例によると、図４０に示すように、当該連合モデル的訓練装置１０００は、前記訓練ノードが予め設定された分割条件を満たしていない場合、前記訓練ノードが葉ノードであると決定し、前記葉ノードの重み値を取得するための決定モジュール１６０と、前記葉ノードの重み値を前記クライアントに送信するための送信モジュール１７０と、をさらに備える。

【0488】

本出願の一実施例によると、図４１に示すように、図４０における決定モジュール１６０は、前記葉ノードに属するデータインスタンスを取得するための第１取得サブモジュール１６１と、前記葉ノードに属する前記データインスタンスの一次勾配情報及び二次勾配情報を取得し、前記一次勾配情報及び前記二次勾配情報に基づいて前記葉ノードの重み値を取得するための第２取得サブモジュール１６２と、を備える。

【0489】

本出願の一実施例によると、図３５に示すように、図３４における決定サブモジュール１１３は、前記ターゲット分割方式、特徴分割点として選択されるターゲット分割特徴、及び前記ターゲット分割値を含む分割情報を前記クライアントに送信するための送信ユニット１１３３をさらに備える。

【0490】

本出願の一実施例によると、送信ユニット１１３３はさらに、ラベル付けされたクライアントに前記分割情報を送信し、前記ラベル付けされたクライアントから送信された左サブツリー空間セットを受信し、前記左サブツリー空間セットに基づいて、前記第２訓練セットを分割し、前記訓練ノードを前記ラベル付けされたクライアントの識別子に関連付ける。

【0491】

本出願の一実施例によると、取得モジュール１１０はさらに、前記クライアントから送信されたデータインスタンス識別子を受信し、前記データインスタンス識別子に基づいて、クライアント間の共通のデータインスタンス識別子を決定し、ここで、前記共通のデータインスタンス識別子は、前記第１訓練セットと前記第２訓練セットを決定するように前記クライアントに指示する。

【0492】

これにより、本出願によって提供される連合学習モデルの訓練装置では、サーバは水平分割方式と垂直分割方式を混合することで、マッチングする学習方式の傾向性を自動的に選択することができ、データ分布方式を気にすることなく、従来の連合学習モデルの訓練プロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという問題を解決するとともに、連合学習モデルの損失を減らし、連合学習モデルの性能を向上させる。

【0493】

同じ出願構想に基づいて、本出願の実施例はもう１つの連合学習モデルのモデル評価方法に対応する装置をさらに提供する。

【0494】

図４２は本出願の実施例によって提供される連合学習モデルの訓練装置の概略構造図である。図４２に示すように、クライアントに適用される当該連合学習モデルのモデル評価装置２０００は、第１受信モジュール２１０と分割モジュール２２０を備える。

【0495】

ここで、第１受信モジュール２１０は、複数のブースティングツリーのうちの１つのブースティングツリーのノードである訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信し、分割モジュール２２０は、前記ターゲット分割方式に基づいて前記訓練ノードに対してノード分割を行う。

【0496】

本出願の一実施例によると、図４３に示すように、図４２における分割モジュール２２０は、第１訓練セットに基づいて水平連合学習を行って、前記訓練ノードに対応する第１分割値を取得するための第１学習サブモジュール２２１と、第２訓練セットに基づいて垂直連合学習を行って、前記訓練ノードに対応する第２分割値を取得するための第２学習サブモジュール２２２と、前記第１分割値と前記第２分割値を前記サーバに送信するための送信サブモジュール２２３と、を備える。

【0497】

本出願の一実施例によると、図４４に示すように、図４３における第１学習サブモジュール２２１は、前記サーバによって前記第１訓練セットから生成された、前記訓練ノードに利用可能な第１特徴サブセットを受信するための第１受信ユニット２２１１と、前記サーバに前記第１特徴サブセット内の各特徴の特徴値を送信するための第１送信ユニット２２１２と、前記サーバから送信された前記各特徴の分割閾値を受信するための第２受信ユニット２２１３と、前記各特徴の分割閾値に基づいて、前記訓練ノードに対応する初期データインスタンス識別子セットを取得し、前記初期データインスタンス識別子セットを前記サーバに送信するための第１取得ユニット２２１４と、を備え、ここで、前記初期データインスタンス識別子セットは、第１データインスタンス識別子セットと第２データインスタンス識別子セットとを生成するようにサーバに指示し、前記第１データインスタンス識別子セットと前記初期データインスタンス識別子セットはいずれも第１左サブツリー空間に属するデータインスタンス識別子を含み、前記第２データインスタンス識別子セットは第１右サブツリー空間に属するデータインスタンス識別子を含む。

【0498】

本出願の一実施例によると、第１取得ユニット２２１４はさらに、いずれか１つの特徴に対して、前記いずれか１つの特徴の分割閾値を前記いずれか１つの特徴の特徴値とそれぞれ比較して、前記特徴値が前記分割閾値より小さいデータインスタンス識別子を取得して、前記初期データインスタンス識別子セットを生成する。

【0499】

本出願の一実施例によると、図４５に示すように、図４３における第２学習サブモジュール２２２は、前記サーバから送信された勾配情報要求を受信するための第３受信ユニット２２２１と、前記勾配情報要求に基づいて、第２訓練セットから第２特徴サブセットを生成するための生成ユニット２２２２と、前記第２特徴サブセット内の各特徴の少なくとも１つの第３データインスタンス識別子セットの第１勾配情報を取得するための第２取得ユニット２２２３であって、前記第３データインスタンス識別子セットが、第２左サブツリー空間に属するデータインスタンス識別子を含み、前記第２左サブツリー空間は、前記特徴の特徴値の１つに応じて分割して形成された左サブツリー空間であり、異なる特徴値が、異なる前記第２左サブツリー空間に対応する第２取得ユニット２２２３と、前記第３データインスタンス識別子セットの第１勾配情報を前記サーバに送信するための第２送信ユニット２２２４と、を備える。

【0500】

本出願の一実施例によると、図４６に示すように、図４５における第２取得ユニット２２２３は、いずれか１つの特徴に対して、前記いずれか１つの特徴のすべての特徴値を取得し、前記特徴値に基づいて前記いずれか１つの特徴をパケット化するためのパケット化サブユニット２２２３１と、前記いずれか１つの特徴の各パケットの前記第３データインスタンス識別子セットの第１勾配情報を取得するための第１取得サブユニット２２２３２と、を備える。

【0501】

本出願の一実施例によると、図４３に示すように、図４２における分割モジュール２２０は、前記サーバから送信された分割情報を受信するための受信サブモジュール２２４であって、前記分割情報は、前記ターゲット分割方式、特徴分割点として選択されるターゲット分割特徴、および前記ターゲット分割値を含む受信サブモジュール２２４と、前記分割情報に基づいて前記訓練ノードに対してノード分割を行うための分割サブモジュール２２５と、をさらに備える。

【0502】

本出願の一実施例によると、分割サブモジュール２２５はさらに、分割して生成された左サブツリー空間を前記サーバに送信する。

【0503】

本出願の一実施例によると、図４７に示すように、当該連合モデルの訓練装置１０００は、前記訓練ノードが葉ノードである場合、前記サーバから送信された前記葉ノードの重み値を受信するための第２受信モジュール２３０と、前記葉ノードの重み値に基づいて、前記葉ノードに含まれる各データの残差を決定するための決定モジュール２４０と、前記残差を次のブースティングツリーの残差入力とするための入力モジュール２５０と、をさらに含む。

【0504】

これにより、本出願によって提供される連合学習モデルの訓練装置では、クライアントは、複数のブースティングツリーのうちの１つのブースティングツリーのノードである訓練ノードが予め設定された分割条件を満たすと決定された場合にサーバから送信されたターゲット分割方式を受信し、ターゲット分割方式に基づいて訓練ノードに対してノード分割を行うことにより、水平分割方式と垂直分割方式を混合することで、マッチングする学習方式の傾向性を自動的に選択することができ、データ分布方式を気にすることなく、従来の連合学習モデルの訓練プロセスに存在する、すべてのデータを十分に利用して学習することができず、およびデータの利用が不十分であるため訓練の効果が悪いという問題を解決するとともに、連合学習モデルの損失を減らし、連合学習モデルの性能を向上させる。

【0505】

同じ出願構想に基づいて、本出願の実施例は電子機器をさらに提供する。

【0506】

図４８は本出願の実施例によって提供される電子機器の概略構造図である。図４８に示すように、当該電子機器３０００は、メモリ３１０、プロセッサ３２０、及びメモリ３１０に記憶され、プロセッサ３２０で実行可能なコンピュータプログラムを含み、プロセッサはプログラムを実行する場合、前述した連合学習モデルの訓練方法が実現される。

【0507】

当業者であれば、本出願の実施例は方法、システム、又はコンピュータプログラム製品として提供することができることを理解すべきである。したがって、本出願は完全なハードウェアの実施例、完全なソフトウェアの実施例、或いはソフトウェアとハードウェアの組み合わせの実施例を用いることができる。そして、本出願は、コンピュータが使用可能なプログラムコードを含む１つ又は複数のコンピュータが利用可能な記憶媒体（ディスクストレージ、ＣＤ－ＲＯＭ、光メモリなどを含むが、これらに限定されたい）において実施されるコンピュータプログラム製品の形式を用いることができる。

【0508】

本出願は、本出願の実施例に係る方法、デバイス（システム）、およびコンピュータプログラム製品のフローチャート及び／又はブロック図を参照して説明している。フローチャート及び／又はブロック図の各フロー及び／又はブロック、そしてフローチャート及び／又はブロック図のフロー及び／又はブロックの組み合せをコンピュータプログラム命令により実現できることを理解されたい。これらのコンピュータプログラム命令を汎用コンピュータ、専用コンピュータ、組み込みプロセッサ又は他のプログラム可能なデータ処理デバイスのプロセッサに提供してマシンを生成することにより、コンピュータ又は他のプログラム可能なデータ処理デバイスのプロセッサによって実行される命令は、フローチャートの１つのフロー又は複数のフロー及び／又はブロック図の１つ又は複数のブロックにおいて指定された機能を実現するための装置を生成する。

【0509】

これらのコンピュータプログラム命令は、コンピュータ又は他のプログラム可能なデータ処理デバイスを特定の方式で動作するように導くコンピュータ読み取り可能なメモリにも記憶することができるので、当該コンピュータ読み取り可能なメモリに記憶される命令に、命令装置を含む製造品を生成させ、当該命令装置は、フローチャートの１つのフロー又は複数のフロー及び／又はブロック図の１つのブロック又は複数のブロックにおいて指定された機能を実現する。

【0510】

これらのコンピュータプログラム命令はコンピュータ又は他のプログラム可能なデータ処理デバイスにロードすることにより、コンピュータ又は他のプログラム可能なデバイスにおいて一連の操作ステップを実行して、コンピュータによって実現される処理を生成し、したがってコンピュータ又は他のプログラム可能なデバイスにおいて実行される命令は、フローチャートの１つ又は複数のフロー及び／又はブロック図の１つ又は複数のブロックにおいて指定された機能を実現するためのステップに提供される。

【0511】

なお、請求項では、括弧内に配置されたいかなる参照記号が、請求項を制限するものとして解釈すべきではないことに留意されたい。“含む”という単語は、請求項に記載されていない部品又はステップが存在する場合を除外しない。部品の前にある“一”或“１つ”という単語は、このような部品が複数存在する場合を排除しない。本出願は、複数の異なる部品を含むハードウェア及び適切にプログラムされるコンピュータにより実現することができる。複数の装置が列挙された特許請求の範囲において、これらの装置のうちの複数は、同一のハードウェア項目で具体的に体現することができる。第１、第２、および第３などの単語の使用はいかなる順序も示さない。これらの単語を名称として解釈することができる。

【0512】

本出願の好ましい実施例を説明したが、当業者であれば、基本的な創造性概念を知った以上、これらの実施例をさらに変更と修正することができる。したがって、添付の特許請求の範囲は、好ましい実施例、および本出願の範囲内のすべての変更と修正を含むものとして解釈されるべきである。

【0513】

当然のことながら、当業者であれば、本発明の精神と範囲を逸脱することなく、本出願に対して様々な修正と変形を行うことができる。このように、本出願のこれらの修正と変形は、本出願の特許請求の範囲およびその同等の技術的範囲内に属する場合、本出願もこれらの変動と変形を含むことを意図している。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】

【図23】

【図24】

【図25】

【図26】

【図27】

【図28】

【図29】

【図30】

【図31】

【図32】

【図33】

【図34】

【図35】

【図36】

【図37】

【図38】

【図39】

【図40】

【図41】

【図42】

【図43】

【図44】

【図45】

【図46】

【図47】

【図48】