【技术实现步骤摘要】
本申请涉及联邦学习，尤其涉及一种联邦学习模型生成方法、电子设备、计算机可读存储介质及计算机程序产品。
技术介绍
1、联邦学习模型在需要丰富的数据进行联合建模，在需要保护数据隐私和数据价值共享的安全性的场景下应用较广。在联邦学习模型的训练过程中，通常是数据提供方先将数据输出给另一方，由另一方本地完成联合模型的训练后，然后双方部署在联邦学习建模平台，导入训练数据以进行联邦学习模型的训练。由于上述建模方式从零开始进行联邦学习模型的构建，需要耗费的人力、算力资源以及时间成本较多。尤其是在联邦学习参与方已经应用过传统建模方式形成的模型后，再重新训练联邦学习模型会造成工作的重复投入，影响建模效率，造成计算资源的浪费。
2、上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本申请的主要目的在于提供一种联邦学习模型生成方法、电子设备、计算机可读存储介质及计算机程序产品，旨在解决联邦学习模型的训练过程耗费的资源较多，影响建模效率的技术问题。
2、为实现上述目的，本申请提出一种联邦学习模型生成方法，应用于模型提供方，所述模型提供方部署有存量决策树模型，所述模型提供方与数据提供方通信连接，所述数据提供方存储有用户金融数据，所述联邦学习模型生成方法包括：
3、将所述存量决策树模型中的特征顺序与数据提供方的特征顺序对齐，得到更新决策树模型，其中，所述存量决策树模型用于根据用户金融数据预测用户的金融风险评估结果；
4、将
5、基于预设的伪数据建立基础联邦学习模型，将所述存量决策树模型的叶子节点导入所述基础联邦学习模型；
6、基于导入叶子节点后的基础联邦学习模型与所述数据提供方导入的所述树结构，生成目标联邦学习模型，其中，所述目标联邦学习模型用于根据用户金融数据预测用户的金融风险评估结果。
7、在一实施例中，所述联邦学习模型生成方法还包括：
8、删除所述存量决策树模型中叶子节点的权重信息；
9、删除所述存量决策树模型中非叶子节点的权重信息；
10、基于删除叶子节点和非叶子节点后的权重信息的存量决策树模型，执行所述将所述存量决策树模型中的特征顺序与数据提供方的特征顺序对齐的步骤。
11、在一实施例中，在所述将所述存量决策树模型中的特征顺序与数据提供方的特征顺序对齐，得到更新决策树模型的步骤之后，所述方法还包括：
12、将所述更新决策树模型的文件格式转换成预设的联邦学习模型的文件格式；
13、基于格式转换后的更新决策树模型，执行所述将所述更新决策树模型发送至所述数据提供方的步骤。
14、在一实施例中，所述模型提供方部署有联邦学习系统，所述基于预设的伪数据建立基础联邦学习模型的步骤包括：
15、获取预设特征数量的伪数据，其中，所述预设特征数量与所述数据提供方用于建立基础联邦学习模型的伪数据特征数量一致；
16、根据所述伪数据在所述联邦学习系统中建立基础联邦学习模型，其中，所述基础联邦学习模型与所述数据提供方建立的基础联邦学习模型一致。
17、在一实施例中，所述联邦学习模型生成方法还包括：
18、获取需要进行风险评估的用户标识；
19、向所述数据提供方发送所述用户标识，其中，所述数据提供方将所述用户标识对应的用户金融数据输入所述目标联邦学习模型；
20、通过所述目标联邦学习模型预测得到所述用户标识对应的金融风险评估结果，并获取所述金融风险评估结果。
21、本申请还提出一种联邦学习模型生成方法，应用于数据提供方，所述数据提供方存储有用户金融数据，所述数据提供方与模型提供方通信连接，所述模型提供方部署有存量决策树模型，所述联邦学习模型生成方法包括：
22、接收模型提供方发送的更新决策树模型，其中，所述更新决策树模型的特征顺序与所述数据提供方的特征顺序已对齐；
23、将所述更新决策树模型中非叶子节点的特征名替换为本地数据的特征名，得到处理后的树结构；
24、基于预设的伪数据建立基础联邦学习模型，将所述树结构导入所述基础联邦学习模型；
25、基于导入所述树结构后的基础联邦学习模型与所述模型提供方导入的叶子节点，生成目标联邦学习模型，其中，所述目标联邦学习模型用于根据用户金融数据预测用户的金融风险评估结果。
26、在一实施例中，所述联邦学习模型生成方法还包括：
27、在接收到所述模型提供方发送的用户标识后，在本地数据中确定所述用户标识对应的用户金融数据；
28、将所述用户金融数据输入所述目标联邦学习模型，以通过所述目标联邦学习模型预测得到所述用户标识对应的金融风险评估结果，并输出所述金融风险评估结果给所述模型提供方。
29、此外，为实现上述目的，本申请还提出一种电子设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的联邦学习模型生成方法的步骤。
30、此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的联邦学习模型生成方法的步骤。
31、此外，为实现上述目的，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的联邦学习模型生成方法的步骤。
32、本申请提出了一种联邦学习模型生成方法，模型提供方部署有存量决策树模型，所述模型提供方与数据提供方通信连接，所述数据提供方存储有用户金融数据，在应用于模型提供方的联邦学习模型生成方法中，首先将所述存量决策树模型中的特征顺序与数据提供方的特征顺序对齐，得到更新决策树模型，其中，所述存量决策树模型用于根据用户金融数据预测用户的金融风险评估结果，便于数据提供方将其中非叶子节点的特征名替换为本地数据的特征名，有利于存量决策树模型与数据特征的融合，然后将所述更新决策树模型发送至所述数据提供方，其中，所述数据提供方将所述更新决策树模型中非叶子节点的特征名替换为本地数据的特征名，获得对应的树结构，使该树结构融合了本地数据特征名，以便利用数据提供方提供的数据，再基于预设的伪数据建立基础联邦学习模型，将所述存量决策树模型的叶子节点导入所述基础联邦学习模型，进而基于导入叶子节点后的基础联邦学习模型与所述数据提供方导入的所述树结构，生成目标联邦学习模型，其中，所述目标联邦学习模型用于根据用户金融数据预测用户的金融风险评估结果，目标联邦学习模型利用了存量决策树模型的叶子节点，其中的权重信息得以保留，保证了目标联邦学习模型与原存量决策树模型的评估效果一本文档来自技高网...
【技术保护点】
1.一种联邦学习模型生成方法，其特征在于，应用于模型提供方，所述模型提供方部署有存量决策树模型，所述模型提供方与数据提供方通信连接，所述数据提供方存储有用户金融数据，所述联邦学习模型生成方法包括：
2.如权利要求1所述的联邦学习模型生成方法，其特征在于，所述联邦学习模型生成方法还包括：
3.如权利要求1所述的联邦学习模型生成方法，其特征在于，在所述将所述存量决策树模型中的特征顺序与数据提供方的特征顺序对齐，得到更新决策树模型的步骤之后，所述方法还包括：
4.如权利要求1所述的联邦学习模型生成方法，其特征在于，所述模型提供方部署有联邦学习系统，所述基于预设的伪数据建立基础联邦学习模型的步骤包括：
5.如权利要求1所述的联邦学习模型生成方法，其特征在于，所述联邦学习模型生成方法还包括：
6.一种联邦学习模型生成方法，其特征在于，应用于数据提供方，所述数据提供方存储有用户金融数据，所述数据提供方与模型提供方通信连接，所述模型提供方部署有存量决策树模型，所述联邦学习模型生成方法包括：
7.如权利要求6所述的联邦学习模
8.一种电子设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至5或权利要求6至7中任一项所述的联邦学习模型生成方法的步骤。
9.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5或权利要求6至7中任一项所述的联邦学习模型生成方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5或权利要求6至7任一项所述的方法。
...【技术特征摘要】
1.一种联邦学习模型生成方法，其特征在于，应用于模型提供方，所述模型提供方部署有存量决策树模型，所述模型提供方与数据提供方通信连接，所述数据提供方存储有用户金融数据，所述联邦学习模型生成方法包括：
2.如权利要求1所述的联邦学习模型生成方法，其特征在于，所述联邦学习模型生成方法还包括：
3.如权利要求1所述的联邦学习模型生成方法，其特征在于，在所述将所述存量决策树模型中的特征顺序与数据提供方的特征顺序对齐，得到更新决策树模型的步骤之后，所述方法还包括：
4.如权利要求1所述的联邦学习模型生成方法，其特征在于，所述模型提供方部署有联邦学习系统，所述基于预设的伪数据建立基础联邦学习模型的步骤包括：
5.如权利要求1所述的联邦学习模型生成方法，其特征在于，所述联邦学习模型生成方法还包括：
6.一种联邦学习模型生成方法，其特征在于，应用于数据提供方，所述数据...
【专利技术属性】
技术研发人员：彭娴睿，马国强，陈伟敬，瞿晓婷，
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：
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。