【技术实现步骤摘要】
基于联邦学习的金融保险理赔风险模型训练方法及装置
[0001]本专利技术涉及金融科技
,具体而言,尤其涉及一种基于联邦学习的金融保险理赔风险模型训练方法及装置。
技术介绍
[0002]金融保险理赔风险预测评估领域中,数据集的隐私性以及特征稀缺性限制了训练模型的评估效果。当前,国际与国内形势无时无刻不在发生着巨大变化,世界金融经济体系也在不断地调整。中国国内经济的迅速腾飞给企业、个体用户带来了许许多多的机遇,在这样的背景下,金融行业中的贷款业务也在迅速发展,在其中需要大量评估借贷企业、个体用户的资产风险,根据其风险评估结果给予同等的贷款金额。然而,金融部门在训练评估模型时候只能使用其获取到的有限的用户的信息,例如资产情况、有无信用违约记录等等。事实上,借贷用户的其他信息更能够评估其金融违约的风险。考虑到金融数据的隐私性。如何在保护用户隐私的前提下,获取到用户来自其他企业的数据,来联合训练用户金融保险理赔风险模型,是领域内技术发展亟待攻克的难关。
技术实现思路
[0003]为了解决多参与方共同学习金融保险理赔风险模型所产生的隐私泄露的技术问题,本专利技术提供一种基于联邦学习的金融保险理赔风险模型训练方法及装置。本专利技术将多方的模型进行融合优化,各参与方无需传递和共享原始数据,在数据不出本地的情况下,即可进行数据的联合训练和应用,建立合法合规的金融保险理赔风险模型。
[0004]本专利技术采用的技术手段如下:
[0005]本专利技术公开了一种基于联邦学习的金融保险理赔风险模型训练方法 ...
【技术保护点】
【技术特征摘要】
1.一种基于联邦学习的金融保险理赔风险模型训练方法,其特征在于,应用于分布式网络系统,所述分布式网络系统包括m个金融企业参与方以及一个中心节点,所述m个参与方包括第一参与方P1和第二参与方P
i
,其中i=2,3,...,m
‑
1,m,所述第一参与方P1持有数据标签,第二参与方P
i
不持有数据标签;所述方法包括以下步骤:S1、中心节点生成同态加密的公钥,并将所述公钥分别发送给第一参与方P1和第二参与方P
i
;S2、所述第二参与方P
i
基于自有训练数据计算模型传播参数后,对得到的模型传播参数进行加密得到模型加密聚合参数,并将所述模型加密聚合参数发送至第一参与方P1;S3、所述第一参与方P1基于接收到的所有模型加密聚合参数计算模型聚合参数,再将所述模型聚合参数发送给各第二参与方P
i
;S4、所述第一参与方P1和第二参与方P
i
基于模型聚合参数计算各自的参数梯度更新式,并将计算得到的参数梯度更新式发送给中心节点进行解密得到解密后的参数梯度数据,将解密后的参数梯度数据分别回传给第一参与方P1和第二参与方P
i
;S5、所述第一参与方P1和第二参与方P
i
在预先设定的学习率下进行金融保险理赔风险模型参数更新,各参与方根据更新后的模型参数计算新的传播参数;S6、反复执行S2
‑
S5,直至达到模型收敛条件则终止迭代。2.根据权利要求1所述的一种基于联邦学习的金融保险理赔风险模型训练方法,其特征在于,S6中达到模型收敛条件包括:将新的传播参数加密后发给第一参与方P1,所述第一参与方P1根据持有的标签计算模型的加密损失函数,再将所述加密损失函数加密后发送给中心节点;所述中心节点对所述加密损失函数进行解密得到损失函数,并根据损失函数判断当前轮次是否达到模型收敛条件。3.根据权利要求1所述的一种基于联邦学习的金融保险理赔风险模型训练方法,其特征在于,在S2中所述模型传播参数根据以下公式计算各自的传播参数:其中,表示对于第j批训练数据batch
j
由第二参与方P
i
计算得到的传播参数,表示第二参与方P
i
的第j个属性特征,表示第二参与方P
i
的第j个属性特征系数。4.根据权利要求1所述的一种基于联邦学习...
【专利技术属性】
技术研发人员:付海燕,李宇航,李祎,郭艳卿,刘航,王波,
申请(专利权)人:大连理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。