对双方加密关系网络数据交叉训练的方法及相关设备技术

本发明专利技术实施例提供的对双方加密关系网络数据交叉训练的方法、装置和计算机可读存储介质，所述方法包括当第一数据网络与第二数据网络至少有一个共有节点的损失函数大于等于预定阈值时，判断共有节点是否经过第一数据网络的训练；若否，则利用第一梯度下降函数训练第一数据网络中共有节点的邻居节点的权重值，并基于正样本重新计算共有节点的第一损失函数；若是，则利用第二梯度下降函数训练第二数据网络中的权重矩阵，并计算出第二损失函数；当第一损失函数或第二损失函数均小于预定阈值时，输出训练好的模型参数及训练结果。既能将两个数据网络的个人隐私数据与金融数据结合发现潜在的金融风险，又能保护交易双方隐私数据安全。

【技术实现步骤摘要】
对双方加密关系网络数据交叉训练的方法及相关设备
本专利技术涉及神经网络领域，具体而言，涉及一种对双方加密关系网络数据交叉训练的方法及相关设备。
技术介绍
随着互联网时代的高速发展，各行各业产生的数据量不断的增加，人们对于通过分析大量的数据获取数据价值的需求也越来越大。这就导致了多行业的数据交叉共享成为必然。但是现在许多行业的数据中包含了隐私数据，在数据交互的过程中往往会造成隐私数据泄露或是加密后难以处理的情况。目前处理双方隐私数据较为流行的方法是联邦学习的方法，该方法主要是将双方的一些样本数据加密后共同进行模型的参数训练。但是目前联邦学习的方法不注重关系型数据的处理，无法较好的利用关系型数据得到更为准确的结果。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种对双方加密关系网络数据交叉训练的方法、装置和计算机可读存储介质。为了实现上述目的，本专利技术实施例采用的技术方案如下：第一方面，实施例提供一种对双方加密关系网络数据交叉训练的方法，所述固态硬盘的闪存中每个块包括多个存储空间大小相等的区域，包括本文档来自技高网...

【技术保护点】
1.一种对双方加密关系网络数据交叉训练的方法，用于训练第一数据网络和第二数据网络，所述第一数据网络包括节点转账交易数据及节点风险数据，所述第二数据网络包括人员关系数据；其特征在于，包括：/n当所述第一数据网络与所述第二数据网络至少有一个共有节点的损失函数大于等于预定阈值时，判断所述共有节点是否经过所述第一数据网络的训练；/n若否，则利用第一梯度下降函数训练所述第一数据网络中所述共有节点的邻居节点的权重值，并基于正样本重新计算所述共有节点的第一损失函数；所述正样本包括存在风险的节点；/n若是，则利用第二梯度下降函数训练所述第二数据网络中的权重矩阵，并计算出第二损失函数；/n当所述第一损失函数或所...

【技术特征摘要】
1.一种对双方加密关系网络数据交叉训练的方法，用于训练第一数据网络和第二数据网络，所述第一数据网络包括节点转账交易数据及节点风险数据，所述第二数据网络包括人员关系数据；其特征在于，包括：
当所述第一数据网络与所述第二数据网络至少有一个共有节点的损失函数大于等于预定阈值时，判断所述共有节点是否经过所述第一数据网络的训练；
若否，则利用第一梯度下降函数训练所述第一数据网络中所述共有节点的邻居节点的权重值，并基于正样本重新计算所述共有节点的第一损失函数；所述正样本包括存在风险的节点；
若是，则利用第二梯度下降函数训练所述第二数据网络中的权重矩阵，并计算出第二损失函数；
当所述第一损失函数或所述第二损失函数均小于预定阈值时，输出训练好的模型参数及训练结果。


2.根据权利要求1所述的方法，其特征在于，所述节点风险数据包括所述第一数据网络中每个节点的金融风险值；
利用第一梯度下降函数训练所述第一数据网络中所述共有节点的邻居节点的权重值之后的步骤，包括：
计算所述第一数据网络中初始金融风险值不为0的所述共有节点的金融风险值；所述金融风险值为0表征所述共有节点没有金融风险，所述金融风险值为1表征所述共有节点存在金融风险；
所述共有节点的金融风险值满足如下计算公式：



其中，M为当前共有节点n的一阶和二阶邻居节点的总数，表示共有节点n的第k阶邻居节点i的权重参数，权重参数的初值均为0.5，表示共有节点n的第k阶邻居节点i的风险属性，Mk为共有节点n的k阶邻居节点的个数，Vik表示共有节点n的第k阶邻居节点i的加密编码值。


3.根据权利要求2所述的方法，其特征在于，
所述第一损失函数LD(n)满足如下计算公式：



其中，表示共有节点n的第k阶邻居节点i的权重参数，Dn用来表示共有节点n是否属于所述正样本，如果属于所述正样本则金融风险值Dn为1，如果不属于所述正样本则金融风险值Dn为0，为共有节点n的一阶邻居节点计算出来的金融风险值，为共有节点n的金融风险值；
所述第一梯度下降函数qn′满足如下计算公式：



其中qn′为共有节点n计算后的节点的权重，qn为共有节点n计算之前的节点的权重，表示共有节点n的k阶邻居节点的损失函数，Mk为共有节点n的k阶邻居节点的个数,N为参与本次权重更新的所有共有节点的总数。


4.根据权利要求1所述的方法，其特征在于，所述第二数据网络包括每个节点与邻居节点之间的权重值；
利用第二梯度下降函数训练所述第二数据网络中的权重矩阵之后的步骤，包括：
重新计算所述第二数据网络中所有所述共有节点n的编码向量值；
所述节点n的编码向量值Vn满足如下计算公式：
Vn＝softmax(AReLU(AXW0)W1)
其中，softmax()为归一化指数函数，A为当前共有节点n的带权重的邻接矩阵，ReLU()为训练神经网络中的激活函数，X为当前共有节点n的特征矩阵，W0为神经网络训练时从输入层到隐藏层的权重矩阵，W1为神经网络训练时从隐藏层到输出层的权重矩阵。


5.根据权利要求4所述的方法，其特征在于，
所述第二损失函数Lv(s)满足如下计算公式：



其中，Cs为正样本的集合，m为正样本s的邻居节点，M为当前共有节点s的一阶和二阶邻居节点的总数，Ys表示正样本s的标签表示值；
所述第二梯度下降函数满足如下计算公式：






其中W0sm′为权重矩阵经过梯度下降后权重矩阵W0中正样本节点s与其第m号邻居节点的权值，W0sm为权重矩阵经过梯度下降前权重矩阵W0中正样本节点s与其第m号邻居节点的权值，α为神经网络的学习效率，W1sm′为权重矩阵经过梯度下降后权重矩阵W1中正样本节点s与其第m号邻居节点的权...

【专利技术属性】
技术研发人员：陆韵，郑辉，何刚，常荣虎，李金飞，陈玉琴，郑申俊，
申请(专利权)人：杭州中奥科技有限公司，
类型：发明
国别省市：浙江;33