【技术实现步骤摘要】
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、装置、设备、存储介质及产品。
技术介绍
1、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。
2、人工智能在金融业的应用越来越广泛，模型的训练往往需要大量的用户数据，联邦学习可以有效地扩大用户数据的规模，从而提高模型性能。纵向联邦学习是在参与者的数据特征重叠较小，而用户重叠较多的情况下，取出参与者用户相同而用户数据特征不同的那部分用户及数据进行联合机器学习训练。纵向联邦学习的各个参与方与标签持有方一同合作训练一个纵向联邦模型，所述纵向联邦模型用于为标签持有方进行标签预测。
3、然而，在纵向联邦训练过程中，参与方可能会出于破坏模型的恶意目的，发送恶意的中间结果给标签持有方，从而干扰纵向联邦学习模型的训练，面对此类攻击，现有相关技术中，仅能保护简单的基于逻辑回归的纵向联邦学习的抗拜占庭攻击，或者仅能用于横向联邦学习，应用范围过窄，导致目前纵向联邦学习模...
【技术保护点】
1.一种纵向联邦预测优化方法，其特征在于，所述纵向联邦预测优化方法应用于纵向联邦学习系统中的第一设备，所述第一设备上部署有业务标签预测模型；所述纵向联邦学习系统还包括多个第二设备，各所述第二设备上均部署有残差预测模型；所述纵向联邦预测优化方法包括以下步骤：
2.如权利要求1所述的纵向联邦预测优化方法，其特征在于，所述基于所述联邦训练残差与各所述训练残差预测结果之间的差异更新所述权重参数的步骤包括：
3.如权利要求1所述的纵向联邦预测优化方法，其特征在于，所述获取训练好的业务标签预测模型基于所述第一方训练样本业务数据进行业务标签预测产生的业务标签...
【技术特征摘要】
1.一种纵向联邦预测优化方法，其特征在于，所述纵向联邦预测优化方法应用于纵向联邦学习系统中的第一设备，所述第一设备上部署有业务标签预测模型；所述纵向联邦学习系统还包括多个第二设备，各所述第二设备上均部署有残差预测模型；所述纵向联邦预测优化方法包括以下步骤：
2.如权利要求1所述的纵向联邦预测优化方法，其特征在于，所述基于所述联邦训练残差与各所述训练残差预测结果之间的差异更新所述权重参数的步骤包括：
3.如权利要求1所述的纵向联邦预测优化方法，其特征在于，所述获取训练好的业务标签预测模型基于所述第一方训练样本业务数据进行业务标签预测产生的业务标签预测残差的步骤包括：
4.如权利要求1所述的纵向联邦预测优化方法，其特征在于，所述基于所述联邦训练残差和所述业务标签预测残差，确定各所述第二设备各自对应的残差预测模型梯度的步骤包括：
5.如权利要求1所述的纵向联邦预测优化方法，其特征在于，所述获取权重参数，根据所述权重参数对各所述训练残差预测结果进行加权聚合，得到联邦训练残差，并基于所述联邦训练残差与各所述训练残差预测结果之间的差异更新所述权重参数的步骤包括：
6.如权利要求1所述的纵向联邦预测优化...
【专利技术属性】
技术研发人员：骆家焕，古瀚林，高大山，
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。