发明内容
本公开提供了安全的特征工程方法和装置,使得合作方均不必泄漏自己的隐私数据明文,但最终能完成特征工程处理。例如,第一设备可向第二设备传送第一数据集,第一数据集包含多个数据对象的标签信息的密文。第二设备可对包含该多个数据对象的特征数据的第二数据集进行特征工程处理以生成第二数据集的子集。第二设备可根据第二数据集的子集来生成第一数据集之中相应数据对象的标签信息的密文子集,将密文子集的密文发送给第一设备。第一设备可解密该密文子集并生成统计信息,将该统计信息发送给第二设备。第二设备可使用该统计信息来计算特征工程指标。
根据本公开的一个实施例,提供了一种特征工程方法,其包括:接收第一数据集,第一数据集包含多个数据对象的标签信息的密文;对第二数据集进行特征工程处理以生成第二数据集的子集,第二数据集包含所述多个数据对象的特征数据;根据所述第二数据集的子集中所包含的数据对象来生成第一数据集之中相应数据对象的标签信息的密文子集;将所述密文子集的密文发送给第一设备;从第一设备接收在解密所述密文子集的密文后生成的统计信息;以及使用所述统计信息来计算对第二数据集进行的特征工程处理的特征工程指标。
在一方面,该方法还包括:根据所述特征工程指标来生成特征工程结果;以及将所述特征工程结果发送给第一设备。
在一方面,所述特征工程处理包括对第二数据集进行特征选择以生成第二数据集的特征数据子集,其中计算特征工程指标包括利用所述特征数据子集与所述统计信息来计算特征选择指标。
在一方面,所述特征工程处理包括对第二数据集进行分箱以生成多个分箱段,并且所述密文子集包括与所述多个分箱段相对应的多个密文子集,其中每个密文子集包括第一数据集之中的落在相应分箱段中的数据对象的标签信息密文,其中计算特征工程指标包括利用所述第二数据集的分箱段与所述统计信息来计算分箱指标。
在一方面,第一数据集的标签信息的密文是使用同态加密对所述标签信息进行加密来生成的,所述标签信息为二元值,并且将所述密文子集的密文发送给第一设备包括:对所述密文子集中的密文进行同态加法以得到密文总和并将所述密文总和发送给第一设备。
在一方面,第一数据集和第二数据集之中的数据对象分别具有相关联的标识符,所述方法还包括在生成所述第二数据集的子集之前对第一数据集和第二数据集进行标识符匹配,以使得第一数据集的标签信息与第二数据集的特征数据对应于相同的多个数据对象。
在一方面,所述统计信息包括所述密文子集的正样本数、和/或负样本数。
在一方面,对第二数据集进行特征工程处理是在接收第一数据集之前、之时、或之后发生的。
在一方面,所述特征工程指标包括以下至少一者:所述第二数据集的子集的正样本率、所述第二数据集的子集的负样本率、所述第二数据集的子集与所述密文子集中的标签信息的相关度、所述第二数据集的子集的信息价值、所述第二数据集的子集的证据权重。
根据本公开的另一个实施例,提供了一种特征工程方法,其包括:提供第一数据集,第一数据集包含多个数据对象的标签信息的密文;接收第一数据集的密文子集的密文,所述密文子集是根据对第二数据集进行的特征工程处理来生成的,第二数据集包含所述多个数据对象的特征数据,其中对第二数据集进行的特征工程处理生成第二数据集的子集,其中所述密文子集包含第一数据集之中的与所述第二数据集的子集相同的数据对象的标签信息密文;解密所述密文子集的密文并生成所述密文子集的统计信息;以及提供所述统计信息以用于计算对第二数据集的特征工程处理的特征工程指标。
在一方面,所述方法还包括:接收根据所述特征工程指标生成的第一特征工程结果。
在一方面,所述方法还包括:使用所述第一数据集的标签信息和第三数据集的特征数据来执行所述特征工程处理以生成第二特征工程结果;以及组合第一特征工程结果和第二特征工程结果以获得组合的特征工程结果。
在一方面,所述特征工程处理包括对第二数据集进行特征选择以生成第二数据集的特征数据子集,其中计算特征工程指标包括利用所述特征数据子集与所述统计信息来计算特征选择指标。
在一方面,所述特征工程处理包括对第二数据集进行分箱以生成多个分箱段,并且所述密文子集包括与所述多个分箱段相对应的多个密文子集,其中每个密文子集包括第一数据集之中的落在相应分箱段中的数据对象的标签信息密文,所述计算特征工程指标包括利用所述第二数据集的分箱段与所述统计信息来计算分箱指标。
在一方面,第一数据集的标签信息的密文是使用同态加密对所述标签信息进行加密来生成的,所述标签信息为二元值,所述密文子集的密文包括将所述密文子集中的密文进行同态加法得到的密文总和。
在一方面,第一数据集和第二数据集之中的数据对象分别具有相关联的标识符,所述方法还包括在生成所述第二数据集的子集之前对第一数据集和第二数据集进行标识符匹配,以使得第一数据集的标签信息与第二数据集的特征数据对应于相同的多个数据对象。
在一方面,所述统计信息包括所述密文子集的正样本数、和/或负样本数。
在一方面,所述特征工程指标包括以下至少一者:所述第二数据集的子集的正样本率、所述第二数据集的子集的负样本率、所述第二数据集的子集与所述密文子集中的标签信息的相关度、所述第二数据集的子集的信息价值、所述第二数据集的子集的证据权重。
根据本公开的另一个实施例,提供了一种特征工程装置,其包括:传输模块,其接收第一数据集,第一数据集包含多个数据对象的标签信息的密文;特征工程处理模块,其对第二数据集进行特征工程处理以生成第二数据集的子集,第二数据集包含所述多个数据对象的特征数据;以及密文子集生成模块,其根据所述第二数据集的子集中所包含的数据对象来生成第一数据集之中相应数据对象的标签信息的密文子集;其中所述传输模块将所述密文子集的密文发送给第一设备并从第一设备接收在解密所述密文子集的密文后生成的统计信息;并且所述特征工程处理模块使用所述统计信息来计算对第二数据集进行的特征工程处理的特征工程指标。
在一方面,所述特征工程处理模块根据所述特征工程指标来生成特征工程结果;以及所述传输模块将所述特征工程结果发送给第一设备。
在一方面,所述特征工程处理包括特征选择或分箱。
在一方面,所述统计信息包括所述密文子集的正样本数、和/或负样本数。
根据本公开的另一个实施例,提供了一种特征工程装置,其包括:传输模块,其向第二设备提供第一数据集,第一数据集包含多个数据对象的标签信息的密文,所述传输模块还从第二设备接收第一数据集的密文子集的密文,所述密文子集是根据对第二数据集进行的特征工程处理来生成的,第二数据集包含所述多个数据对象的特征数据,其中对第二数据集进行的特征工程处理生成第二数据集的子集,其中所述密文子集包含第一数据集之中的与所述第二数据集的子集相同的数据对象的标签信息密文;加解密模块,其解密所述密文子集的密文;以及处理模块,其生成所述密文子集的统计信息,其中所述传输模块向第二设备提供所述统计信息以供第二设备用于计算对第二数据集的特征工程处理的特征工程指标。
在一方面,其中所述传输模块从第二设备接收根据所述特征工程指标生成的第一特征工程结果,并且所述特征工程装置还包括:特征工程处理模块,其使用所述第一数据集的标签信息和第三数据集的特征数据来执行所述特征工程处理以生成第二特征工程结果,以及组合第一特征工程结果和第二特征工程结果以获得组合的特征工程结果。
在一方面,所述特征工程处理包括特征选择或分箱。
在一方面,所述统计信息包括所述密文子集的正样本数、和/或负样本数。
根据本公开的另一个实施例,提供了一种特征工程***,其包括:处理器;用于存储处理器可执行指令的存储器,其中所述处理器被配置成执行所述处理器可执行指令以实现如上所述的方法。
根据本公开,合作方均不必泄漏自己的隐私数据明文,但最终能完成特征工程处理,从而提高了特征工程处理的安全性。
具体实施方式
下面结合具体实施例和附图对本公开作进一步说明,但不应以此限制本公开的保护范围。
本公开提供了安全的特征工程方法和装置。在联合建模场景中,一般存在其中一方拥有特征数据,另一方拥有标签信息而没有或有少量不齐全的特征数据的情况,这就需要建模合作方的样本数据共同协作来完成特征工程处理。根据本公开的一个实施例,第一设备可向第二设备传送第一数据集,第一数据集包含多个数据对象的标签信息的密文。第二设备可对包含该多个数据对象的特征数据的第二数据集进行特征工程处理以生成第二数据集的子集。第二设备可根据第二数据集的子集来生成第一数据集之中相应数据对象的标签信息的密文子集,将密文子集的密文发送给第一设备。第一设备可解密该密文子集并生成统计信息,将该统计信息发送给第二设备。第二设备可使用该统计信息来计算特征工程指标。
本公开的分布式特征工程和指标计算使得合作方均不必泄漏自己的隐私数据明文,但最终能完成特征工程处理,实现了安全的特征工程方法和装置。
图1为根据本公开一个实施例的特征工程方法的流程图。该方法可以是在例如第二设备处执行的。
步骤102:第二设备接收第一数据集,第一数据集包含多个数据对象的标签信息的密文。例如,第一设备可请求第二设备进行特征工程处理,并且第一设备可将第一数据集发送给第二设备,其中所发送的第一数据集包含多个数据对象的标签信息的密文。在另一示例中,第二设备需要进行特征工程处理并且可请求第一设备提供包含标签信息的第一数据集。在任一种情形中,第二设备可具有包含特征数据的第二数据集,并且可将第一数据集和第二数据集相结合地进行特征工程处理,例如特征选择、特征提取、特征离散化(如分箱)等。
特征数据可以表示对象的特性或行为等信息,例如用户的年龄、身高、消费记录等。标签信息可以标识对象的类别,例如用户是否为学生、用户是否为失信者等等。作为示例而非限定,标签信息可以为二元值,例如用1、0分别表示正样本和负样本,或者用0、-1分别表示正样本和负样本,或以其他方式区分正样本和负样本。
在一些情形中,虽然第二设备可将第一数据集的标签信息和第二数据集的特征数据相结合地进行特征工程处理,但拥有第一数据集的第一设备可能不希望将第一数据集的标签信息的具体值泄露给第二设备。由此,根据一个实施例,第一设备发送给第二设备的第一数据集包含多个数据对象的标签信息的密文,而不是这些标签信息的明文信息。
第一设备可以利用密钥对第一数据集之中的各个数据对象的标签信息逐个进行加密以生成标签信息的密文,或者第一设备可以接收包含由第三方加密后的标签信息密文的第一数据集。优选地,第一设备能够解密第一数据集的密文,而第二设备不能解密第一数据集的密文。因此,即使第一设备将第一数据集的标签信息密文发送给第二设备,第二设备也不知晓每个数据对象的具体标签信息值。第一设备可以直接将包含密文的第一数据集发送给第二设备,也可以经由中间设备将第一数据集转发给第二设备。例如,第一设备可以将第一数据集上传到云端(比如阿里oss或者开源sftp等)供第二设备下载,也可以通过网络进行大文件的点对点传输提供给第二设备。第二设备可以从中间设备(例如,云端)接收第一数据集,或者接收来自匿名方的第一数据集,或者以其他方式获得包含密文的第一数据集。
步骤104:第二设备对第二数据集进行特征工程处理以生成第二数据集的子集。如上所述,第二数据集可包含多个数据对象的特征数据。第二设备可以对第二数据集之中所包含的多个数据对象的特征数据进行数据清理、数据筛选、特征离散化、特征提取、特征选择等特征工程处理,以生成第二数据集的子集,该子集可包括第二数据集之中的一些数据对象的特征数据。
对第二数据集的特征工程处理可以在步骤102之前或之后执行。例如,拥有第二数据集的第二设备可以在任何时间自主地对第二数据集进行特征工程处理,也可以在从第一设备接收到特征工程处理请求(和/或第一数据集)之后对第二数据集进行特征工程处理。
步骤106:第二设备根据第二数据集的子集中所包含的数据对象来生成第一数据集之中相应数据对象的标签信息的密文子集。
如上所述,第一数据集(例如,包含标签信息)可与第二数据集(例如,包含特征数据)联合地用于特征工程处理。然而,第二设备所接收到的第一数据集之中的标签信息是经加密的(即,为密文形式),并且第二设备可能无法对第一数据集的密文进行解密,由此不知晓第一数据集的标签信息的具体值。以特征数据和经加密的标签信息为例,第二设备由于不知晓标签信息的具体值,因此不能直接用第二数据集的特征数据和第一数据集之中的经加密的标签信息来联合地进行特征工程处理。
根据本公开的一个实施例,第一数据集的标签信息与第二数据集的特征数据可对应于相同的多个数据对象。作为示例而非限定,第一设备拥有的标签信息和第二设备拥有的特征数据可各自具有标识符(id),第一设备和第二设备可进行标识符匹配以分别在第一设备处生成第一数据集并在第二设备处生成第二数据集,使得第一数据集的标签信息与第二数据集的特征数据对应于相同的多个数据对象。此后,第一设备可在步骤102将第一数据集发送给第二数据集,第一数据集可包括该多个数据对象的标签信息的密文和相关联的标识符。第二设备可以根据第二数据集的子集中所包含的数据对象按照标识符来生成第一数据集之中相应数据对象的标签信息的密文子集。
作为进一步示例,如果在第一设备处生成的第一数据集和在第二设备处生成的第二数据集针对相同的多个数据对象,则还可以例如根据标识符按相同顺序来排列双方的数据,例如使得第一数据集和第二数据集的每条数据彼此对应,其中每条数据可对应于不同的对象。如果第一数据集和第二数据集的数据对象按相同的方式排序,则第一设备发送给第二设备的第一数据集可以不必包含标识符。第二设备可以按照两个数据集之间的对应关系,根据第二数据集的子集中所包含的数据对象来生成第一数据集之中相应数据对象的标签信息的密文子集。
在另一实施例中,如果第二设备在接收第一数据集之前没有与第一设备进行标识符匹配,即,第一数据集可能包含与第二数据集不同的数据对象,则第二设备可在接收第一数据集之后对第一数据集和第二数据集进行标识符匹配,由此剔除一方独有的数据对象,以使得第一数据集的标签信息和第二数据集的特征数据对应于相同的多个数据对象。此后,第二设备可在步骤106根据第二数据集的子集中所包含的数据对象来生成第一数据集之中相应数据对象的标签信息的密文子集。
以特征选择作为示例,对第二数据集的特征工程处理可包括选择第二数据集的特征数据子集,并且第二设备可生成与该特征数据子集中所包含的数据对象相对应的第一数据集之中的标签信息的密文子集。作为另一示例,对第二数据集的特征工程处理可包括对特征数据进行分箱以生成多个分箱段,由此第二设备可以生成第一数据集的与该多个分箱段相对应的多个密文子集,其中每个密文子集包括第一数据集之中的落在相应分箱段中的数据对象的标签信息密文。即,第二设备可以根据对第二数据集的特征数据的分箱来确定第一数据集之中相应的数据对象分别落在哪个分箱段中,并按分箱段来生成第一数据集之中的标签信息的密文子集。在步骤106中,第二设备可以生成第一数据集之中的标签信息的密文子集,并且可以知晓该密文子集中的标签信息的总数。然而如上所述,第一数据集的标签信息是加密的,第二设备不知晓这些标签信息的值,由此无法完成特征工程处理的指标计算。例如,以分箱为例,第二设备不知道该密文子集中哪些标签信息为正样本,哪些标签信息为负样本,由此不知晓每个分箱段中的标签信息的正样本数和负样本数,无法计算分箱指标,如IV(Information Value,信息价值)、Woe(Weight of Evidence,证据权重)等。
步骤108:第二设备将该密文子集的密文发送给第一设备,并从第一设备接收在解密该密文子集的密文后生成的统计信息。第二设备发送给第一设备的该密文子集的密文可以是该密文子集中的各个标签信息的密文集合,或者对这些标签信息的密文进行某种操作或运算(例如,组合、级联、代数运算等)之后得到的密文。
第一设备可以是第一数据集的拥有方并且能够对标签信息的密文进行解密。由此,第一设备可以对该密文子集的密文进行解密并生成统计信息(例如,该密文子集的正样本数和/或负样本数),并且可以将该统计信息发送给第二设备。应理解,第一设备发送的统计信息不同于第一数据集的标签信息密文的解密值,由此不会泄露第一数据集的标签信息值。
以分箱为例,第二设备可以将与多个分箱段相对应的多个密文子集发送给第一设备,每个密文子集的密文可包括第一数据集之中的落在相应分箱段中的标签信息密文的集合。第一设备可以解密出每个分箱段对应的标签信息密文,并获得每个分箱段对应的标签信息的统计信息(例如,每个分箱段对应的标签信息的正样本数和/或负样本数)作为上述统计信息发送给第二设备。对于其他特征工程处理(例如,特征选择等),第一设备可类似地解密每个密文子集的密文并生成特征工程处理所需的统计信息发送给第二设备。
在一个示例中,第一数据集的标签信息的密文可以是使用同态加密(HomomorphicEncryption)对标签信息进行加密来生成的。同态加密允许对经同态加密后的密文进行特定的代数运算得到仍然是加密的运算结果,将其解密所得到的运算结果与对明文进行同样的运算得到的运算结果一样。换言之,这项技术令人们可以在经加密的数据中进行诸如检索、比较等操作,得出正确的结果,而在整个处理过程中无需对数据进行解密。如果标签信息为二元值并使用同态加密来加密,则第二设备可以对密文子集中的密文进行同态加法以得到密文总和,并将该密文总和发送给第一设备。第一设备解密该密文总和得到的值等同于第一设备解密该密文子集中的每个标签信息密文并求和得到的值。由此,第一设备可以解密该密文总和,并且解密结果可指示正样本数和/或负样本数。
步骤110:第二设备使用该统计信息来计算对第二数据集的特征工程处理的特征工程指标。特征工程指标可用于评价特征工程处理产生的结果。特征工程指标可根据具体的特征工程处理进行选择,例如第二数据集的子集的正样本率、第二数据集的子集的负样本率、第二数据集的子集与密文子集中的标签信息的相关度、第二数据集的子集的信息价值、第二数据集的子集的证据权重等。由此,第二设备可以根据第二数据集的子集和对应的统计信息来获得该子集的特征工程指标。以分箱为例,该统计信息可以是每个分箱段的关于标签信息的统计值,第二设备可以利用从第一设备接收的统计值并结合第二设备在对特征数据进行分箱时获得的分箱段信息一起进行分箱指标计算。如果特征工程指标达到要求(例如,阈值),则第二设备可以生成特征工程处理结果并完成该特征工程处理。所生成的特征工程处理结果(例如,特征数据子集)可用于各种目的,例如模型训练、目标预测等。在可选的实施例中,第二设备可以将特征工程结果发送给第一设备。在进一步的实施例中,如果特征工程指标不理想(例如,未达到阈值),第二设备可重复步骤104-110,直到获得符合要求的特征工程指标或者直到达成终止特征工程处理的条件。
根据上述方法,合作方均不必泄漏自己的隐私数据明文,但最终能完成特征工程处理。以下结合图2-4进一步详细描述本公开的应用场景。
图2为根据本公开一个实施例的特征工程方法的示意图。作为示例而非限定,以第一设备拥有标签信息Y(第一数据集),第二设备拥有特征数据X(第二数据集)的特征选择场景为例进行说明。为简化描述,假设标签信息Y(第一数据集)和特征数据X(第二数据集)对应于相同的多个数据对象(例如,通过进行标识符匹配)。特征选择的目标是寻找最优特征子集。特征选择能剔除不相关(irrelevant)或冗余(redundant)的特征,从而达到减少特征个数、降低数据集维度、提高模型精确度、减少运行时间的目的。另一方面,特征选择可用于选取出真正相关的特征简化模型,协助理解数据产生的过程。
在步骤202,第一设备可加密第一数据集之中的Y样本并生成经加密的Y’样本。在步骤204,第一设备可将经加密的Y’样本发送给第二设备。作为示例而非限定,第一设备可在发送之前进一步压缩经加密的Y’样本,并将压缩后的加密Y’样本发送给第二设备。若Y’样本数据量大,可考虑将密文文件上传到双方可访问的安全云端(例如oss等)。
在一个实施例中,第一设备可对第一数据集之中的Y样本进行逐个加密以生成Y样本的密文Y’。第一设备可以利用密钥以任何合适的加密算法对第一数据集之中的Y样本逐个进行加密,并将Y’样本(例如,不压缩或压缩后)发送给第二设备。作为示例而非限定,可以采用同态加密(HomomorphicEncryption)来对第一数据集之中的Y样本进行逐个全量同态加密。
在步骤206,第二设备可接收经加密的Y’样本。例如,第二设备可从第一设备或其他中间方(例如,oss等云端)获取经加密的Y’样本。如果Y’样本是经压缩的,则第二设备可解压Y’样本。
在步骤208,第二设备可选择本地拥有的X样本(例如,特征数据)的子集。应理解,第二设备可以按各种准则或组合来选择X样本子集。此外,第二设备可以选择一个或多个X样本子集并依次或并行地评价这一个或多个X样本子集。
虽然图2中示出了步骤208在步骤206之后执行,但是应理解,步骤208可以在步骤202-206中的任一个步骤之前或之后执行,也可以与步骤202-206中的任一个步骤并发地执行。
在步骤210,第二设备可根据所选择的X样本子集来读取相对应的Y’样本子集。类似于以上所述,X样本的id和Y样本的id可以相匹配,以使得X样本和Y样本具有对应关系。由此,第二设备可根据所选择的X样本子集来读取相对应id的Y’样本子集。如上所述,由于Y’样本是加密的,因此第二设备不知晓Y’样本的值,从而该Y’样本子集可包括经加密的Y’样本(包含密文)。
在步骤212,第二设备可以将Y’样本子集的密文发送给第一设备进行解密。在一个示例中,在步骤212发送的Y’样本子集的密文可包括Y’样本子集所包含的各个Y’样本的集合。
在步骤214,第一设备解密Y’样本子集的密文。例如,第一设备可解密该子集中包含的每个Y’样本以获得经解密的Y样本。
在步骤216,第一设备在解密Y’样本子集的密文之后可以生成关于特征选择的统计信息。例如,第一设备可解密出各个Y’样本的值,并由此获得用于评价特征选择子集的统计信息(例如正样本数、负样本数等)。
在另一个示例中,如果Y样本为二元值并使用同态加密来生成Y’样本,则第二设备可以对Y’样本子集的各个Y’样本进行同态加法以得到密文总和,并在步骤212将该密文总和发送给第一设备,而不必将该Y’样本子集完整地发送给第一设备。第一设备可在步骤214解密该密文总和并直接生成统计信息。例如,如果用1、0分别表示正样本和负样本,则Y’样本子集的同态密文总和即为所有1的密文总和,该密文总和被解密后即为所有正样本的数量。反之,如果用1、0分别表示负样本和正样本,则解密Y’样本子集的同态密文总和可以得到负样本数量。
在步骤218,第一设备可将Y’样本子集的统计信息发送给第二设备。应理解,第一设备发送Y’样本子集的统计信息不会泄露样本Y的值。
在步骤220,第二设备可根据该统计信息来计算特征选择指标,如X样本子集的正样本率、X样本子集的负样本率、X样本子集与预测目标(例如,Y样本为正或负)的相关度、X样本子集的信息价值、X样本子集的证据权重等。作为示例而非限定,第二设备可从步骤220返回到步骤208以选择下一组的一个或多个X样本子集进行评价。
在步骤222,在获得了符合要求的(例如,最优的)特征子集的情况下,第二设备可以生成特征选择结果并完成特征选择。
在可选步骤224,第二设备可将特征选择结果发送给第一设备。相应地,在可选步骤226,第一设备可从第二设备接收特征选择结果。
图3为根据本公开另一个实施例的特征工程方法的示意图。作为示例而非限定,以第一设备(例如,需求方)拥有标签信息Y(第一数据集),第二设备(例如,数据方)拥有特征数据X(第二数据集)的分箱场景为例进行说明。为简化描述,假设标签信息Y(第一数据集)和特征数据X(第二数据集)对应于相同的多个数据对象。
分箱是一种常用的数据预处理方法,其按照属性值划分的子区间,如果一个属性值处于某个子区间范围内,就称把该把待处理的数据(某列属性值)按照一定的规则放进一些箱子中,考察每一个箱子中的数据,采用某种方法分别对各个箱子中的数据进行处理。分箱可包括等深分箱法、等宽分箱法、最小熵法和用户自定义区间法等。
图3中的步骤302-306与图2中的步骤202-206相似并且不再赘述。
在步骤308,第二设备可对本地拥有的X样本(例如,特征数据)进行分箱。虽然图3中示出了步骤308在步骤306之后执行,但是应理解,步骤308的分箱可以在步骤302-306中的任一个步骤之前或之后执行,也可以与步骤302-306中的任一个步骤并发地执行。例如,步骤308处对X样本的分箱可以是预先(例如,在步骤302之前)执行的。在其他实施例中,对X样本的分箱可以在步骤306之后(或者,在接收到来自第一设备的分箱请求之后)执行。
在步骤310,第二设备以X样本的分箱段为单位读取相应的Y’样本子集。
根据本公开的一个实施例中,可在步骤308之前的任何时间对X样本的id和Y样本的id进行匹配,以使得X样本和Y样本具有对应关系。作为示例而非限定,第一设备发送给第二设备的加密Y’样本具有相关联的标识符(id),第二设备本地的X样本具有相关联的标识符,其中X样本和Y样本的标识符是匹配的(例如,对应于相同的一组对象)。由此,第二设备可以根据X样本的分箱来确定相应的id分别落在哪个分箱段中,并按分箱段来读取各id对应的Y’样本。在一个实施例中,第一设备发送给第二设备的加密Y’样本的标识符可以被加密(例如,进行哈希散列)或不被加密。在另一实施例中,如果第一设备和第二设备先进行了匹配,以使得X样本和Y’样本按特定方式排序(例如使得每项数据一一对应),则第一设备发送给第二设备的加密Y’样本可以不必包括id信息,第二设备可以直接根据X样本的分箱来读取相对应的Y’样本。
在步骤312,第二设备可以将各个分箱段对应的Y’样本子集的密文发送给第一设备。在一个实施例中,可在步骤312发送多个Y’样本子集的密文,其中每个Y’样本子集的密文可包括相应分箱段对应的Y’样本的集合。在另一个实施例中,如果Y’样本是采用同态加密来加密的,则在步骤312发送的每个Y’样本子集的密文可包括将该分箱段对应的Y’样本进行同态加法得到的密文总和。
在步骤314,第一设备解密每个分箱段对应的Y’样本子集的密文。第一设备可以是曾对Y进行加密的设备并且能够解密Y’,或者即使加密不是由第一设备执行的,但第一设备具有密钥权限并由此能够解密Y’。例如,第一设备可解密Y’样本子集中包含的每个Y’样本,或者在该子集包含同态密文总和的情况下解密该同态密文总和。如果Y’样本是二元值且采用同态加密来加密,则解密该密文总和可以直接得出正样本数或负样本数。
在步骤316,第一设备在解密每个分箱段对应的Y’样本子集的密文之后可以生成关于每个分箱段的统计信息。例如,第一设备可解密出每个分箱段的各个Y’样本的值,并由此获得每个分箱段的正样本数、负样本数、和/或总样本数等参数。在另一个实施例中,在步骤312处发送的Y’样本子集的密文包含同态密文总和的情况下解密同态密文总和提供了各个分箱段的正样本数或负样本数。例如,如果用1、0分别表示正样本和负样本,则同态密文总和即为所有正样本的数量。
在步骤318,第一设备可将各个分箱段的统计信息(例如Y样本统计信息,如正样本数、负样本数、和/或总样本数等)发送给第二设备。应理解,第一设备发送各个分箱段的统计信息不会泄露样本Y的值。
在步骤320,第二设备可根据该统计信息来计算分箱指标。例如,第二设备可以利用从第一设备接收的关于每个分箱段的统计值并结合第二设备在对特征数据X进行分箱时获得的其他信息一起进行分箱指标计算,如各X样本分箱段的正样本率、各X样本分箱段的负样本率、各X样本分箱段与预测目标(例如,Y样本为正或负)的相关度、各X样本分箱段的IV(Information Value,信息价值)、各X样本分箱段的Woe(Weight of Evidence,证据权重)等。
在步骤322,在分箱指标有效(例如,达到阈值)的情况下,第二设备可以生成分箱结果并完成分箱。在分箱指标不理想的情况下,第二设备可重复步骤308-320以重新执行分箱并进行分箱指标计算。
在可选步骤324,第二设备可将分箱结果发送给第一设备。相应地,在可选步骤326,第一设备可以从第二设备接收分箱结果。
图4为根据本公开另一个实施例的特征工程方法的示意图。在一个实施例中,一方(例如,第一设备)可以具有特征数据X2和标签信息Y,另一方(例如,第二设备)具有特征数据X1。特征数据X1和特征数据X2可以彼此相同、部分相同、或者彼此不同。为简化描述,假设标签信息Y(第一数据集)、特征数据X1(第二数据集)、和特征数据X2(第三数据集)对应于相同的多个数据对象。第一设备可以如图3所述地将经加密的标签信息Y’发送给第二设备以结合特征数据X1进行分箱,还可以在本地针对特征数据X2和标签信息Y进行本地分箱。
在步骤402-422中,第一设备和第二设备可以如参考图3中的步骤302-322所述地根据特征数据X1和标签信息Y’进行分箱并生成第一分箱结果。
在步骤424,第二设备可以将第一分箱结果发送给第一设备。
在步骤426,第一设备可在本地针对特征数据X2和未加密的标签信息Y进行分箱以获得第二分箱结果。应注意,第一设备在步骤426进行的本地分箱可以在步骤402-424中的任一个步骤之前或之后执行,或与其中任一个步骤并行地执行。
在步骤428,第一设备可以组合第一分箱结果和第二分箱结果,以得到组合的分箱结果。
上文以特征工程处理中的特征选择和分箱为例介绍了分布式特征工程和指标计算,使得合作方均不必泄漏自己的隐私数据明文,但最终能完成特征工程处理。本领域技术人员可以将本公开的分布式特征工程方法和装置广泛地应用于需要把各方的建模样本数据融合在一起进行处理而不想泄露样本数据明文信息的场合,比如数据清理、特征离散化、特征提取、特征选择等。
图5示出了根据本公开一个实施例的特征工程装置的框图。例如,第一设备510可执行以上所描述的关于第一设备的操作,第二设备520可执行以上所描述的关于第二设备的操作。
如图5所示,第一设备510可包括加解密模块512、传输模块514、处理模块516。加解密模块512可对第一数据集的标签信息进行加密以生成密文。传输模块514可将包含标签信息密文的第一数据集传送给第二设备520或其他设备或云端。
第二设备520可包括传输模块522、特征工程处理模块524和密文子集生成模块526。传输模块522可接收包含标签信息密文的第一数据集。此外,第二设备520可具有第二数据集(例如,存储在存储器中),第二数据集包含多个数据对象的特征数据。特征工程处理模块524可对第二数据集进行特征工程处理以生成第二数据集的子集。第一数据集的标签信息与第二数据集的特征数据可对应于相同的多个数据对象。密文子集生成模块526可根据第二数据集的子集中所包含的数据对象来生成第一数据集之中相应数据对象的标签信息的密文子集。传输模块522可进一步将该密文子集的密文发送给第一设备。
在第一设备510中,传输模块514可接收该密文子集的密文并将其传递给加解密模块512,加解密模块512可解密所述密文子集的密文。处理模块516可根据该密文子集的密文被解密后的数据生成用于特征工程处理的统计信息,例如正样本数、负样本数、总样本数等。传输模块514可将所述统计信息提供给第二设备520。
在第二设备520中,传输模块522接收所述统计信息并将其提供给特征工程处理模块524。特征工程处理模块524可使用所述统计信息来计算对第二数据集进行的特征工程处理的特征工程指标并完成所述特征工程处理。可选地,在完成特征工程处理后,传输模块522还可以将特征工程处理结果发送给第一设备510。
在进一步的实施例中,第一设备510可任选地包括特征工程处理模块518,其可使用第一数据集的未加密的标签信息和第三数据集(例如,包含特征数据X2)来执行特征工程处理以生成第二特征工程结果。第一数据集的标签信息与第三数据集的特征数据可对应于相同的多个数据对象。第一设备510还可以组合由第二设备520生成的上述特征工程结果和第二特征工程结果以获得组合的特征工程结果。在一个实施例中,处理模块516和特征工程处理模块518可以一起实现或分开实现。
根据本公开,联合建模的数据合作各方(例如,第一设备510和第二设备520)不对外输出隐私数据明文,但最终得到特征工程处理结果,防止了私有数据泄漏,解决了数据合作过程中的隐私数据泄漏和数据信任问题。
以上描述的特征工程方法和装置的各个步骤和模块可以用硬件、软件、或其组合来实现。如果在硬件中实现,结合本公开描述的各种说明性步骤、模块、以及电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、或其他可编程逻辑组件、硬件组件、或其任何组合来实现或执行。通用处理器可以是处理器、微处理器、控制器、微控制器、或状态机等。如果在软件中实现,则结合本公开描述的各种说明性步骤、模块可以作为一条或多条指令或代码存储在计算机可读介质上或进行传送。实现本公开的各种操作的软件模块可驻留在存储介质中,如RAM、闪存、ROM、EPROM、EEPROM、寄存器、硬盘、可移动盘、CD-ROM、云存储等。存储介质可耦合到处理器以使得该处理器能从/向该存储介质读写信息,并执行相应的程序模块以实现本公开的各个步骤。而且,基于软件的实施例可以通过适当的通信手段被上载、下载或远程地访问。这种适当的通信手段包括例如互联网、万维网、内联网、软件应用、电缆(包括光纤电缆)、磁通信、电磁通信(包括RF、微波和红外通信)、电子通信或者其他这样的通信手段。
还应注意,这些实施例可能是作为被描绘为流程图、流图、结构图、或框图的过程来描述的。尽管流程图可能会把诸操作描述为顺序过程,但是这些操作中有许多操作能够并行或并发地执行。另外,这些操作的次序可被重新安排。
所公开的方法、装置和***不应以任何方式被限制。相反,本公开涵盖各种所公开的实施例(单独和彼此的各种组合和子组合)的所有新颖和非显而易见的特征和方面。所公开的方法、装置和***不限于任何具体方面或特征或它们的组合,所公开的任何实施例也不要求存在任一个或多个具体优点或者解决特定或所有技术问题。
上面结合附图对本公开的实施例进行了描述,但是本公开并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本公开的启示下,在不脱离本公开宗旨和权利要求所保护的范围情况下,还可做出很多更改,这些均落在本公开的保护范围之内。