【技术实现步骤摘要】
本专利技术属于机器学习，尤其涉及一种金融信用评估模型联邦遗忘学习方法及系统。
技术介绍
1、金融行业高度依赖信用数据进行各类业务决策，然而，随着数据隐私法规日益严格以及用户对个人数据控制权的重视，金融机构面临着保护用户隐私同时维持数据有效利用的双重挑战。联邦学习作为一种创新的数据合作模式，允许金融机构在不直接共享原始数据的前提下共同训练模型，一定程度上保护了数据隐私，但现有的遗忘方法在联邦学习场景下暴露出诸多不足。
2、当前，精确遗忘方法虽然理论上可提供高可验证性，但所需的计算资源和时间成本巨大，对于金融机构处理海量实时信用数据而言实现难度较大；近似遗忘方法虽在效率上有所改进，但其普遍采用的回退式遗忘机制在联邦学习复杂环境中不仅增加了操作复杂性，还可能影响模型的稳定性和准确性。
3、更为关键的是，金融信用数据的敏感性决定了其对隐私保护有着极高要求，上述的遗忘方法难以满足金融业务场景下的差分隐私标准，无法有效预防用户信用数据在模型训练和遗忘过程中的潜在泄露风险。
技术实现思路p>
1、有鉴于本文档来自技高网...
【技术保护点】
1.一种金融信用评估模型联邦遗忘学习方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述金融信用评估模型的损失函数由经验风险项、正则化项以及高斯噪声项构成。
3.根据权利要求1所述的方法，其特征在于，所述构造所述待遗忘数据集的线性对称数据集包括：
4.根据权利要求1所述的方法，其特征在于，所述基于增量学习通过随机梯度下降法对客户端金融信用评估模型进行参数更新包括：
5.根据权利要求4所述的方法，其特征在于，所述基于增量学习通过随机梯度下降法对客户端金融信用评估模型进行参数更新包括：
6.根...
【技术特征摘要】
1.一种金融信用评估模型联邦遗忘学习方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述金融信用评估模型的损失函数由经验风险项、正则化项以及高斯噪声项构成。
3.根据权利要求1所述的方法，其特征在于，所述构造所述待遗忘数据集的线性对称数据集包括：
4.根据权利要求1所述的方法，其特征在于，所述基于增量学习通过随机梯度下降法对客户端金融信用评估模型进行参数更新包括：
5.根据权利要求4所述的方法，其特征在于，所述基于增量学习通过随机梯度下降法对客户端金融信用评估模型进行参数更新包括：
6.根据权利要求1所述的方法，其特征在于，所述判断全局金融模型的参数更...
【专利技术属性】
技术研发人员：金雨菡，史文龙，彭凯，徐博，郑小军，钱雪松，韩旭，张晓枫，林源，刘高扬，王琛，周沫，夏维，戴福根，胡毅，廖彤昕，
申请(专利权)人：湖北省楚天云有限公司，
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。