一种数据隐私保护下多方无损线性模型学习方法

随着工业大数据技术的发展，制造企业通过收集和分析生产数据，获取在预测、诊断等方面的优化方法。然而制造企业受限于建模和算力等技术瓶颈，难以高效地实现数据分析，在联合其他参与方共同协作时即需要承担信息泄露的风险，又难以保证模型的性能无损。针对这些场景问题，提出基于数据隐私保护的多方无损线性模型学习方法。首先搭建多方协作计算框架，设计了数据单向加密算法来保护数据出场的隐私安全，各协作方分别基于加密数据进行线性模型的训练。随后，研究分析线性模型与数据集的关联特性，提出线性模型无损聚合算法。最后，在典型工业场景数据集上进行方法验证，试验结果表明提出的框架可以获得性能无损的全局模型，并实现数据持有方的隐私安全保护。