技术摘要：
本说明书实施例提供一种联合训练业务模型的方法，在多方联合训练业务模型过程中，多个业务方包括至少2个计算方和一个协调方，计算方持有样本数据，一方面，在计算过程中，单个计算方可以先通过差分隐私方式处理样本数据，以保护数据隐私。另一方面，在计算方从协调方接  全部
背景技术：
随着计算机技术的发展，机器学习的应用越来越广泛。为了提供更有效的机器学 习模型，通常会涉及多个业务方共同训练业务模型的情形。例如，多个业务方联合提供包含 更多特征数据的训练样本，或者多个业务方联合提供更多数量的训练样本，等等。多个业务 方共同训练业务模型的情形往往可以通过多方安全计算来实现。亦即，各个业务方的隐私 数据不透漏给其他方的情况下，确定一个约定的机器学习模型。 同态加密是多方安全计算中常用的一种安全计算方。同态加密方法中，在计算阶 段的每一步依然是处理一个a b或ab，并采用同态加密体制进行隐藏，即每个参与者得到的 只是输入和输出的密文。由于经过输入阶段，可以假设通过加密算法E，每个参与者已经得 到输入的密文E（a）和E（b），于是计算阶段的每一步就是使所有参与者最后得到E（a b）或E （ab），然后作为下一步计算的输入计算。 在多方安全计算的多个业务方包括计算方和协调方的情况下，协调方可以为计算 方进行一些辅助的复杂运算。此时，协调方下发的信息是明文的，计算方之间交换的数据是 秘文的，但是协调方和计算方用同一套公私钥加密解密，解密私钥保存在协调方。很显然， 如果攻击者同时控制了1个计算方与协调方，利用协调方的私钥解密计算方之间交换的中 间计算结果，就可以推断出其他计算方的数据，如果计算方数量为2，就可以精确推断出另 一个计算方的隐私数据。此外，如果攻击者仅控制协调方，利用协调方解密出来的梯度数据 来训练推断攻击模型，则可以推断出计算方的隐私数据。
技术实现要素：
本说明书一个或多个实施例描述了一种联合训练业务模型的方法及装置，用以解 决