1.一种基于联邦学习的联合建模方法，其特征在于：包括以下步骤；

步骤101，主控节点根据目标任务定制联邦学习策略，控制建模步骤及组合；

步骤102，各参与节点进行联合数据预处理；

步骤103，各参与节点进行联合训练，以得到最终的联合模型；

步骤104，主控节点将联合模型分发至各参与节点，完成各节点模型同步；

步骤105，各参与节点联合评估联合模型的性能;步骤103包括以下步骤：

步骤1031，主控节点利用联合训练信息初始化联合模型；

迭代下述过程：

步骤1032，主控节点向参与节点1发送模型训练请求以及联合模型参数；

步骤1033，参与节点获取主控节点发送的联合模型参数；

步骤1034，参与节点在本地进行数据集划分；

步骤1035，参与节点基于本地训练数据进行模型训练；

步骤1036，参与节点将训练后的中间模型参数发送至主控节点；

步骤1037，主控节点获取参与节点发送的中间模型参数；

步骤1038，主控节点将获取的中间联合模型更新为最新的联合模型；

接下来，主控节点判断是否遍历完参与节点，若没有，则转入步骤1032，主控节点继续向下一参与节点发送模型训练请求；若遍历完参与节点，各参与节点都完成本地中间模型的训练后，主控节点得到最终的联合模型参数。

2.根据权利要求1所述的基于联邦学习的联合建模方法，其特征在于：所述联邦学习策略包括联合数据预处理方法、联合模型训练参数、联合模型评估指标、联合优化中的至少一个。

3.根据权利要求2所述的基于联邦学习的联合建模方法，其特征在于：所述联合数据预处理方法，具体包括：主控节点获取并聚合各参与节点计算的本地数据的中间信息，得到联合特征工程的预处理信息，并将其下发至各参与节点；各参与节点在本地对数据进行预处理。

4.根据权利要求1所述的基于联邦学习的联合建模方法，其特征在于：所述步骤105包括：参与节点基于本地测试数据和联合模型进行预测，并将本地预测结果发送至主控节点；主控节点聚合所有参与节点的预测结果，计算联合模型的评估指标。

5.根据权利要求1、2或4所述的基于联邦学习的联合建模方法，其特征在于：所述步骤

105还包括交叉验证评估，交叉验证评估具体包括；

主控节点控制参与节点进行交叉验证训练、预测，并聚合处理各节点的预测结果，计算模型的交叉验证指标。

6.根据权利要求5所述的基于联邦学习的联合建模方法，其特征在于：各参与节点交叉验证评估时，同时训练多模型，并发送至主控节点。

7.根据权利要求5所述的基于联邦学习的联合建模方法，其特征在于：它还包括联合优化，联合优化包括以下步骤：主控节点初始化模型参数组合，利用所述交叉验证评估方法，得到此参数组合对应的联合模型的交叉验证评估结果；

主控节点利用调参算法迭代更新参数组合，进行联合交叉验证评估，直至达到迭代次数；主控节点对比所有的交叉验证评估结果，得到最优的参数组合。

8.根据权利要求1或2所述的基于联邦学习的联合建模方法，其特征在于：所述步骤

102，具体包括：

参与节点基于数据预处理方法计算本地数据的中间信息；

主控节点分析并聚合所有参与节点的中间信息，得到联合特征工程的预处理信息；

各参与节点获取主控节点的联合特征工程预处理信息，再本地对数据进行预处理。

9.根据权利要求1或2所述的基于联邦学习的联合建模方法，其特征在于：主控节点和参与节点之间采用SSL加密通道通信以保证数据的隐私安全。