1.一种主被动式联邦多视图学习系统，其特征在于，包括一个主动客户端和多个被动客户端，其中，所述主动客户端为机器学习模型的构建发起者和拥有者，所述被动客户端为机器学习模型训练阶段的辅助者；模型训练时，前向传播过程，主动客户端使用自身数据生成数据表示并将该数据表示发送至所有被动客户端，所有客户端使用自身数据的标签和数据表示计算相应的损失；反向传播过程，所有客户端均根据损失计算出数据表示的梯度，然后，主动客户端收集数据表示的所有梯度，并使用反向传播策略更新机器学习模型；多次交替执行前向传播过程和反向传播过程直至主动客户端损失收敛，则模型训练完成；推理过程，所述主动客户端独立地对新数据标签进行推理；其中，在前向传播过程中，给定主动客户端 及其 个数据 、 个被动客户端 ，其中，第 个被动客户端 所拥有的 个数据表示为 ，各客户端中的数据均为同一批样本在不同视图上的数据；首先，主动客户端 将自身数据映射为数据表示，即 （1）；其中， 表示 个数据中的第 个数据， 为带参数的编码器，其网络结构根据具体数据进行设置；然后，主动客户端 将生成的数据表示 传递到各个被动客户端，计算出两部分的损失；a）主动客户端将数据表示传递进入任务模块 ，计算损失 如下： （2）；其中， 是主动客户端编码器 的参数， 是任务模块的参数， 和 是主动客户端和任务模块的神经网络参数的正则化项； 和 是主动客户端和任务模块的权重衰减参数， 是第i个数据样本的标签；b）各个被动客户端使用接收到数据表示和自身数据的标签，计算损失如下： （3）；其中， 、 和 分别是第 个被动客户端的参数、参数正则化项和权重衰减参数。
2.根据权利要求1所述的一种主被动式联邦多视图学习系统，其特征在于，在反向传播过程中，首先，主动客户端 和各个被动客户端 分别独立计算数据表示的梯度；其中，主动客户端 计算出的第 个数据样本的数据表示梯度为 ，第 个被动客户端 计算出的第 个数据样本的数据表示梯度为 ；然后，主动客户端收集数据表示的所有梯度，并得到总梯度 如下： （4）；其中， 是第 个客户端损失的权重参数；最后，主动客户端将总梯度 进行反向传播，更新其编码器 的参数 。
3.根据权利要求2所述的一种主被动式联邦多视图学习系统，其特征在于，在反向传播过程中，更新策略为随机梯度下降或Adam策略。
4.根据权利要求2中所述的一种主被动式联邦多视图学习系统，其特征在于，模型训练完成后，主动客户端的独立推理过程为：给定新数据 ，主动客户端 根据如下公式独立计算数据标签： （5）。
5.根据权利要求1中所述的一种主被动式联邦多视图学习系统，其特征在于，模型训练前，主动客户端、各个被动客户端同步数据样本的排列顺序，确保样本对齐。
