一种面向小微企业信用评估的自适应联邦参数聚合方法技术

本发明专利技术公开了一种面向小微企业信用评估的自适应联邦参数聚合方法，具体包括：S1，将参与者构建网络；S2，参与者在本地训练，得到准确度；S3，使用智能合约对参与者进行相似度检测；S4,得到训练矩阵选择参与者进行参数聚合；S5,参数返回参与者，重新训练得到准确度；S6,判断两次的准确度，如果提升，则训练结束；否则更新距离矩阵中的权重和聚合的参数；S7,重新根据训练矩阵进行参数聚合；S8,直到所有参与者结果得到提升。本方法能自动选择参与者进行参数聚合，不要对所有的参与者进行参数聚合，同时根据训练前后的准确度自适应更新距离矩阵中的权重，且无需第三方参与，去中心化，可保证数据信息的隐私性。

【技术实现步骤摘要】
一种面向小微企业信用评估的自适应联邦参数聚合方法
本专利技术涉及小微企业信用评估领域，特别是涉及一种面向小微企业信用评估的自适应联邦参数聚合方法。
技术介绍
目前解决数据孤岛和数据隐私的常用方法是联邦学习。联邦学习最开始是由谷歌提出来的，他们的主要思想是基于分布在多个设备上的数据集构建机器学习模型，同时防止数据泄漏。最近的改进集中在克服统计挑战和提高联邦学习的安全性上。微众银行是国内首家提出“联邦学习”这一解决人工智能落地中数据孤岛与数据隐私保护难题的通用解决方案的机构。联邦学习是一种加密的分布式机器学习技术，它允许用户使用分布在不同位置的多个数据集来训练机器学习模型，同时防止数据泄露并遵守严格的数据隐私法规。联邦学习是一种学习过程，其中数据所有者共同训练一个模型，同时把训练好的参数返回给参与者。在这过程中，任何数据所有者都不会将其数据暴露给他人。针对不同数据集，联邦学习分为横向联邦学习、纵向联邦学习与联邦迁移学习。横向联邦学习在两个数据集的用户特征重叠较多，而用户重叠较少的情况下，我们把数据集按照横向(即用户维度)切分，并取出本文档来自技高网...

【技术保护点】
1.一种面向小微企业信用评估的自适应联邦参数聚合方法，其特征在于：包括以下步骤：/nS1，获取参与者的地理位置信息，将所述地理位置信息作为数据集，进行网络的构建，并对参与者节点进行距离矩阵的计算；/nS2，构建神经网络模型，对每一个参与者在本地进行模型训练，得到单独训练的准确度；/nS3，使用智能合约对参与者进行相似度检测：分为数据相似度检测和参数相似度检测，根据所述数据相似度检测得到数据相似度矩阵，根据参数相似度检测得到参数相似度矩阵，结合数据相似度矩阵和参数相似度矩阵得到训练矩阵；/nS4，得到训练矩阵后选择训练矩阵中数值高的模型进行参数聚合；/nS5，聚合后的参数返回模型，重新训练并记录...

【技术特征摘要】
1.一种面向小微企业信用评估的自适应联邦参数聚合方法，其特征在于：包括以下步骤：
S1，获取参与者的地理位置信息，将所述地理位置信息作为数据集，进行网络的构建，并对参与者节点进行距离矩阵的计算；
S2，构建神经网络模型，对每一个参与者在本地进行模型训练，得到单独训练的准确度；
S3，使用智能合约对参与者进行相似度检测：分为数据相似度检测和参数相似度检测，根据所述数据相似度检测得到数据相似度矩阵，根据参数相似度检测得到参数相似度矩阵，结合数据相似度矩阵和参数相似度矩阵得到训练矩阵；
S4，得到训练矩阵后选择训练矩阵中数值高的模型进行参数聚合；
S5，聚合后的参数返回模型，重新训练并记录准确度；
S6，判断两次的准确度，更新聚合参数中的权重，如果准确度提升，则训练结束；否则更新距离矩阵中的权重和聚合的参数，重新进行相似度检测；
S7，重新根据训练矩阵进行参数聚合；
S8，直到所有参与者结果得到提升。


2.根据权利要求1所述的一种面向小微企业信用评估的自适应联邦参数聚合方法，其特征在于：所述S3中的数据相似度检测包括数据向量化和数据相似度检测，其中数据向量化为：将数据进行分段，文字利用词嵌入转化为向量中的一维，数字则结合前面后面的词进行词嵌入，利用Qi公式得到一个段的向量，之后对每个段进行向量化，最后根据得到数据向量之后进行数据相似度检测，其中E为总的数据的向量，Ei为每一段的向量。


3.根据权利要求2所述的一种面向小微企业信用评估的自适应联邦参数聚合方法，其特征在于：所述数据相似度检测包括：任取两个参与者a、b的数据向量化后的向量x、y；
1)a、b互相告知各自数据向量的模长，同时a告知b任意一个过x的超平面z；
2)b知道a中的一个超平面，计算y在z上的投影向量并告知a，已知超平面的法向量n，故得出...

【专利技术属性】
技术研发人员：詹士潇，张帅，黄方蕾，汪小益，吴琛，胡麦芳，张珂杰，匡立中，谢杨洁，邱炜伟，蔡亮，李伟，
申请(专利权)人：杭州趣链科技有限公司，
类型：发明
国别省市：浙江;33