纵向联邦预测优化方法、设备、介质及计算机程序产品技术

本申请公开了一种纵向联邦预测优化方法，应用于第一设备，所述纵向联邦预测优化方法包括：获取待预测样本，并基于目标预测模型，对待预测样本执行模型预测，获得第一方模型预测结果，其中，目标预测模型由第一设备本地迭代训练得到；接收第二设备基于纵向联邦残差提升模型对待预测样本对应的ID匹配样本执行模型预测生成的第二方模型预测结果和纵向联邦残差提升模型对应的第二方模型权重；获取目标预测模型对应的第一方模型权重，并基于第一方模型权重和第二方模型权重，对第一方模型预测结果和第二方模型预测结果进行加权聚合，获得目标联邦预测结果。本申请解决了现有技术中纵向联邦预测的整体样本预测准确度低的技术问题。邦预测的整体样本预测准确度低的技术问题。邦预测的整体样本预测准确度低的技术问题。

【技术实现步骤摘要】
纵向联邦预测优化方法、设备、介质及计算机程序产品


[0001]本申请涉及金融科技(Fintech)的人工智能
，尤其涉及一种纵向联邦预测优化方法、设备、介质及计算机程序产品。

技术介绍

[0002]随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。
[0003]随着计算机软件和人工智能计算的不断发展，人工智能技术的应用也越来越广泛。目前，现有的纵向联邦预测模型需要基于各参与方之间的对齐样本进行纵向联邦学习建模而构建，且建模完成后，纵向联邦预测模型分散部署在各个参与方中，每一参与方均只持有部分纵向联邦预测模型。所以在纵向联邦预测场景中，对于未对齐样本，预测方需要使用一个单独的模型在本地进行预测。所以，预测方无法对未对齐样本进行基于完整模型的样本预测，使得整体的样本预测准确度变低，且纵向联邦学习的模型由于对齐数据的不足也会导致模型性能有限。所以，现有的纵向联邦预测方法存在整体样本预测准确度低的问题。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种纵向联邦预测优化方法，其特征在于，应用于第一设备，所述纵向联邦预测优化方法包括：获取待预测样本，并基于目标预测模型，对所述待预测样本执行模型预测，获得第一方模型预测结果，其中，所述目标预测模型由所述第一设备本地迭代训练得到；接收第二设备基于纵向联邦残差提升模型对所述待预测样本对应的ID匹配样本执行模型预测生成的第二方模型预测结果和所述纵向联邦残差提升模型对应的第二方模型权重；获取所述目标预测模型对应的第一方模型权重，并基于所述第一方模型权重和所述第二方模型权重，对所述第一方模型预测结果和所述第二方模型预测结果进行加权聚合，获得目标联邦预测结果。2.如权利要求1所述纵向联邦预测优化方法，其特征在于，在所述接收所述第二设备基于纵向联邦残差提升模型对所述待预测样本执行模型预测生成的第二方模型预测结果和所述纵向联邦残差提升模型对应的第二方模型权重的步骤之前，所述纵向联邦预测优化方法还包括：将所述待预测样本对应的待预测样本ID发送至所述第二设备，以供所述第二设备查找所述待预测样本ID对应的ID匹配样本；若接收到所述第二设备发送的查找失败信息，则将所述第一方模型预测结果作为目标预测结果；若未接收到所述第二设备发送的查找失败信息，则执行步骤：接收所述第二设备基于纵向联邦残差提升模型对所述待预测样本执行模型预测生成的第二方模型预测结果和所述纵向联邦残差提升模型对应的第二方模型权重。3.如权利要求1所述纵向联邦预测优化方法，其特征在于，所述纵向联邦残差提升模型由所述第二设备基于纵向联邦公共样本，联合所述第一设备中的样本标签和所述目标预测模型在所述纵向联邦公共样本上的模型预测损失，与第一设备进行基于纵向联邦学习的残差学习得到。4.如权利要求1所述纵向联邦预测优化方法，其特征在于，在所述基于目标预测模型，对所述待预测样本执行模型预测，获得第一方模型预测结果的步骤之前，所述纵向联邦预测优化方法还包括：提取第一方初始模型权重，并获取训练样本和所述训练样本对应的训练样本标签；基于所述训练样本、所述训练样本标签和所述第一方初始模型权重，通过计算待训练目标预测模型对应的第一方模型预测损失，迭代训练优化所述待训练目标预测模型，获得所述目标预测模型；将所述训练样本标签和所述第一方模型预测损失发送至第二设备，以供所述第二设备基于待训练残差提升模型、所述训练样本对应的训练ID匹配样本、所述样本标签和获取的第二方初始模型权重，计算第二方模型预测损失，并基于所述第二方模型预测损失和所述第一方模型预测损失计算的残差损失，优化所述待训练残差提升模型，获得纵向联邦残差提升模型。5.一种纵向联邦预测优化方法，其特征在于，应用于第二设备，所述纵向联邦预测优化方法包括：
查找ID匹配样本，并基于纵向联邦残差提升模型，对所述ID匹配样本执行模型预测，获得第二方模型预测结果；获取所述纵向联邦残差提升模型对应的第二方模型权重，并将所述第二方模型预测结果和所述第二方模型权重发送至第一设备，以供所述第一设备基于目标预测模型针对于所述训练ID匹配样本对应的待预测样本生成的第一方模型预测结果、所述目标预测模型对应的第一方模型权重、所述第二方模型预测结果和所述第二方模型权重，生成目标联邦预测结果，其中，所述目标预测模型由所述第一设备本地迭代训练得到。6.如权利要求5所述纵向联邦预测优化方法，其特征在于，所述纵向联邦残差提升模型由所述第二设备基于纵向联邦公共样本，联合所述第一设备中的样本标签和目标预测模型在所述纵向联邦公共样本上的模型预测损失，与第一设备进行基于纵向联邦学习的残差学习得到。7.如权利要求5所述纵向联邦预测优化方法，其特征在于，在所述查找ID匹配样本的步骤之后，所述纵向联邦预测优化方法还包括：若查找成功，则执行步骤：基于纵向联邦残差提升模型，对所述ID匹配样本执行模型预测，获得第二方模型预测结果；若查找失败，则向所述第一设备反馈查找失败信息，以供所述第一设备在接收所述查找失败信息后，将基于目标预测模型针对于所述待预测样本生成的第一方模型预测结果作为目标预测结果。8.如权利要求5所述纵向联邦预测优化方法，其特征在于，在所述基于纵向联邦残差提升模型，对所述ID匹配样本执行模型预测，获得第二方模型预测结果的步骤之前，所述纵向联邦预测优化方法还包括：获取第二方初始模型权重，并接收第一设备发送的训练样本标签和第一方模型预测损失，其中，所述第一方模型预测损失由所述第一设备基于待训练目标预测模型在所述训练样本上的训练模型预测结果和所述训练样本标签计算得到；获取训练ID匹配样本，并基于待训练残差提升模型，对所述训练ID匹配样本执行模型预测，获得第二方训练模型预测结果；基于所述训练样本标签、所述第二方训练模型预测结果和所述第二方初始模型权重，计算第二方模型预测损失；基于所述第一方模型预测损失和所述第二方模型预测损失生成的残差损失，迭代优化所述待训练残差提升模型，获得所述纵向联邦残差提升模型。9.一种纵向联邦学习建模优化方法，其特征在于，应用于第一设备，所述纵向联邦学习建模优化方法包括：提取第一方初始模型权重，并获取训练样本和所述训练样本对应的训练样本标签；基于所述训练样本、所述训练样本标签和所述第一方初始模型权重，通过计算待训练目标预测模型对应的第一方模型预测损失，迭代训练优化所述待训练目标预测模型，获得目标预测模型；将所述训练样本标签和所述第一方模型预测损失发送至第二设备，以供所述第二设备计算第二方模型预测损失，并基于所述第二方模型预测损失和所述第一方模型预测损失计算的残差损失，优化所述待训练残差提升模型，获得纵向联邦残差提升模型。
10.如权利要求9所述纵向联邦学习建模优化方法，其特征在于，所述第二方模型预测损失基于待训练残差提升模型、所述训练样本对应的训练ID匹配样本、所述样本标...

【专利技术属性】
技术研发人员：万晟，高大山，谭奔，鞠策，杨强，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：