CN111582508A - 一种基于联邦学习框架的策略制定方法、装置和电子设备 - Google Patents
一种基于联邦学习框架的策略制定方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111582508A CN111582508A CN202010275346.8A CN202010275346A CN111582508A CN 111582508 A CN111582508 A CN 111582508A CN 202010275346 A CN202010275346 A CN 202010275346A CN 111582508 A CN111582508 A CN 111582508A
- Authority
- CN
- China
- Prior art keywords
- credit
- user
- model
- evaluation
- submodel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000011156 evaluation Methods 0.000 claims abstract description 92
- 238000013210 evaluation model Methods 0.000 claims abstract description 30
- 238000003860 storage Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 23
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于联邦学习框架的策略制定方法，包括：利用联邦学习方法构建信用评估模型，包括安装在至少一个用户客户端的信用评估子模型；获取用户信息数据；将用户信息数据代入信用评估子模型，获取评估结果，评估结果包括用户的信用评分及中间梯度；服务器获取评估结果，基于信用评分制定信用策略，并利用中间梯度对所述信用评估子模型进行修正。本发明在保护用户数据安全和用户隐私的前提下，对用户进行信用评分，制定准确的策略，并在不上传原始数据的情况下，优化迭代模型，给用户更好的用户体验。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于联邦学习框架的策略制定方法、装置、电子设备及计算机可读介质。
背景技术
随着互联网经济的发展，互联网+金融服务模式日益为广大用户接受，据统计，当下我国互联网金融行业规模已经超过17.8万亿元。风险控制、策略制定、营销获客等互联网金融服务业务的核心也随着大数据、人工智能等新兴技术手段的使用，得到了极大的提升。
现有技术中，大多数互联网金融服务的风险控制策略是基于评分卡方式与机器学习模型相结合而制定的，这就需要尽量多的获取分析变量的维度，尽可能多的收集用户的行为信息，将其加入评分模型来提高模型精度，获取更为准确的风险评分。更具体而已，现有的建模流程是采集用户通讯录，客户端设备等原始信息然后上传到服务端进行数据处理加工，再经过离线模型训练后把训练好的模型部署在服务端对线上的申请用户进行评分，在此过程中，这些数据需要进行脱敏处理并进行保存，有一定的数据安全风险。此外，这种服务端模型，经过一段时间之后，性能通常会衰减，需要重新迭代上线模型，整个过程比较复杂。
为解决上述问题，需要提供一种隐私保护的信用评估模型及决策制定方法，能够做到在不上传用户原始客户端数据的情况下，对申请用户评估，实现策略制定，从技术层面避免了上传原始敏感数据并缓存数据的可能性，从而有效保护用户隐私，满足政策法规的要求，另外还要求训练的模型能够快速更新迭代，给用户较好的用户体验。
发明内容
本发明的目的在于，提供一种基于联邦学习框架的策略制定方法、装置和电子设备，在保护用户数据安全和用户隐私的前提下，对用户进行信用评分，制定准确的策略，并在不上传原始数据的情况下，优化迭代模型，给用户更好的用户体验。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
为实现上述目的，本发明一方面提供一种基于联邦学习框架的策略制定方法，包括：
利用联邦学习方法构建信用评估模型，所述信用评估模型包括安装在至少一个用户客户端的信用评估子模型；
获取用户信息数据；
将所述用户信息数据代入所述信用评估子模型，获取评估结果，所述评估结果包括所述用户的信用评分及中间梯度；
服务器获取所述评估结果，基于所述信用评分制定信用策略，并利用所述中间梯度对所述信用评估子模型进行修正。
根据本发明的一个优选实施方式，，所述利用联邦学习方法构建信用评估模型进一步包括设置于服务器的联合子模型，用于基于所述中间梯度修正所述信用评估子模型的参数。
根据本发明的一个优选实施方式，所述联邦学习方法为横向联邦学习方法。
根据本发明的一个优选实施方式，所述利用联邦学习方法构建信用评估模型进一步包括：使用Tensorlfow lite框架将训练的信用评估模型文件转化为能在用户客户端运行的所述信用评估子模型文件并分发给所述用户客户端。
根据本发明的一个优选实施方式，所述安装在至少一个用户客户端的信用评估子模型进一步包括：将所述信用评估子模型文件集成到所述用户的客户端应用中。
根据本发明的一个优选实施方式，进一步包括：对所述训练的信用评估模型文件进行差分隐私处理封装后，使用Tensorlfow lite框架转化为能在用户客户端运行的所述信用评估子模型文件。
根据本发明的一个优选实施方式，所述利用联邦学习方法构建信用评估模型进一步包括：基于tensorflow框架离线建立深度网络模型，其中所述深度网络模型的参数为随机初始化，并指定所述深度网络模型输出数据为信用评分及中间梯度。
根据本发明的一个优选实施方式，所述用户信息数据进一步包括：所述用户的设备数据、通讯录数据。
根据本发明的一个优选实施方式，所述基于所述信用评分制定信用策略步骤，进一步包括：在所述服务器上预设信用策略映射集；根据获取的所述用户的信用评分利用所述信用策略集生成所述信用策略。
根据本发明的一个优选实施方式，所述利用所述中间梯度对所述信用评估子模型进行修正步骤进一步包括：设置于服务器的所述联合子模型获取多个用户上传的所述中间梯度，迭代更新当前信用评估子模型参数，将更新后参数发送至所述用户客户端以完成所述信用评估子模型更新。
本发明的第二方面提供了一种基于联邦学习框架的策略制定装置，包括：
信用评估模型构建模块，用于利用联邦学习方法构建信用评估模型，其中，所述信用模型构建模块包括信用评估子模型构建单元，用于构建安装在至少一个用户客户端的信用评估子模型；
用户信息数据获取模块，设置于所述用户客户端，用于获取用户信息数据；
评估模块，设置于所述用户客户端，用于将所述用户信息数据代入所述信用评估子模型，获取评估结果，所述评估结果包括所述用户的信用评分及中间梯度；
评估结果发送模块，设置于所述用户客户端，用于将所述评估结果发送至所述服务器；
策略生成模块，设置于所述服务器，用于根据所述用户的信用评分制定信用策略；
修正模块，设置于所述服务器，用于利用所述中间梯度对所述信用评估子模型进行修正。
根据本发明的一种优选实施方式，所述信用评估模型构建模块进一步包括联合子模型构建单元，用于构建设置于服务器的联合子模型，所述联合子模型用于基于所述中间梯度修正所述信用评估子模型的参数。
根据本发明的一种优选实施方式，所述联邦学习方法为横向联邦学习方法。
根据本发明的一种优选实施方式，，所述信用评估模型构建模块进一步包括：转换单元，用于使用Tensorlfow lite框架将训练的信用评估模型文件转化为能在用户客户端运行的所述信用评估子模型文件；模型发送单元，用于将所述所述信用评估子模型文件发送给所述用户客户端。
根据本发明的一种优选实施方式，所述信用评估模型构建模块进一步包括：集成单元，用于将所述信用评估子模型文件集成到所述用户的客户端应用中。
根据本发明的一种优选实施方式，进一步包括：加密单元，用于对所述训练的信用评估模型文件进行差分隐私处理封装；转换单元，用于使用 Tensorlfow lite框架将差分隐私处理封装的信用评估模型文件转化为能在用户客户端运行的所述信用评估子模型文件。
根据本发明的一种优选实施方式，所述利用联邦学习方法构建信用评估模型进一步包括：基于tensorflow框架离线建立深度网络模型，其中所述深度网络模型的参数为随机初始化，并指定所述深度网络模型输出数据为信用评分及中间梯度。
根据本发明的一种优选实施方式，所述用户信息数据进一步包括所述用户的设备数据、通讯录数据。
根据本发明的一种优选实施方式，策略生成模块进一步包括：策略制定单元，用于生成在所述服务器上预设信用策略映射集；策略对应单元，用于根据获取的所述用户的信用评分利用所述信用策略集生成所述信用策略。
根据本发明的一种优选实施方式，所述修正模块将获取的多个用户的中间梯度代入所述联合子模型，迭代更新当前信用评估子模型参数，将更新后参数发送至所述用户客户端以完成所述信用评估子模型更新。
本发明的第三方面提供一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上所述的基于联邦学习框架的策略制定方法。
本发明的第四方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述的基于联邦学习框架的策略制定方法。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是根据一示例性实施例示出的基于联邦学习框架的策略制定方法及装置的系统框图。
图2是根据一示例性实施例示出的基于联邦学习框架的策略制定方法流程图。
图3是根据一示例性实施例示出的采用联邦学习方法的模型训练方法的流程图。
图4是根据一示例性实施例示出的联邦学习方法中加密训练的流程图。
图5是根据一示例性实施例示出的基于联邦学习框架的信用评估模型构建方法的流程图。
图6是根据一示例性实施例示出的基于联邦学习框架的策略制定装置的框图。
图7是根据一示例性实施例示出的基于联邦学习框架的信用评估模型构建模块的框图。
图8是根据一示例性实施例示出的策略生成模块的框图。
图9是根据本发明的一种电子设备的示例性实施例的结构框图。
图10是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的基于联邦学习框架的策略制定方法及装置的系统框图。
如图1所示，系统架构10可以包括服务器101、终端设备102-107。网络108用于在服务器101和终端设备102-107之间提供通信链路的介质。网络108可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备102-107通过网络108与服务器101交互，以接收或者发送数据等。终端设备102-107上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通讯工具、邮箱客户端、社交平台应用等。
终端设备102-107可以是具有显示功能并且支持应用安装及使用的各种电子设备，包括但不限于智能手机、平板电脑、便携式电脑、台式计算机及其他智能电子设备。
服务器101可以是提供各种服务的服务器，例如对用户利用终端设备102-107所使用的各类应用提供支持的后台管理服务器。后台管理服务器可以对接收到的用户操作指令及数据进行分析处理，并将分析处理的结果反馈至终端设备102-107以供终端设备中相应应用执行相关任务。
终端设备102-107可例如获取构建而成的信用评估子模型；终端设备 102-107可例如获取使用用户的信息数据；终端设备102-107可例如将所述用户信息代入信用评估子模型以获取评估结果。
服务器101可例如基于所述评估结果制定信用策略并发送给终端设备 102-107；服务器101可例如基于所述评估结果对信用评估子模型进行修正操作。
终端设备102-107可例如根据修正操作进行信用子模型修正。
图2是根据一示例性实施例示出的基于联邦学习框架的策略制定方法流程图。基于联邦学习框架的策略制定方法20至少包括步骤S201-S205。
如图2所示，在步骤S201中，构建信用评估模型。
利用联邦学习方法构建信用评估模型，所述信用评估模型包括安装在至少一个用户客户端的信用评估子模型和设置于服务器101的联合子模型。其中，信用评估子模型用于输出用户的信用评分及中间梯度。
图3是根据一示例性实施例示出的采用联邦学习方法的模型训练方法的流程图。在采用联邦学习方法训练模型时主要包括两大部分：样本数据提取301及加密模型训练302。
具体而言，使用横向联邦学习的方法，不同用户之间相同的用户特征较多，则选取其相同的用户特征作为样本数据使用横向联邦学习方法训练数据。
第一部分：样本数据提取301
分别从用户集A和用户集B中提取相同用户特征的数据集，所述用户集A、用户集B中分别包含若干个用户，其中部分用户重叠。此外，所述用户集A和用户集B也不排除分别指向单独一个用户A及用户B。
更具体而言，相同的用户特征可以包括但不限于用户设备特征、用户通讯录特征、用户通话特征、用户社交特征等。
按照所述用户特征提取数据，以形成用于联邦学习模型训练的用户信息数据集A和用户信息数据集B。
更进一步的，为了在训练模型时使用所述用户信息数据集时用户隐私的保护，实现建模样本ID差集及底层输入、输出数据互相之间不泄露，则采用同态加密技术以保护数据隐私。
具体而言，通过RSA和Hash的机制，保证用户信息数据集A和用户信息数据集B仅使用交集部分，且各自差集部分并不向对方泄露。更具体的，假设以用户信息数据集A作为公钥的生成方，将生成的公钥发送至用户信息数据集B，用户信息数据集B基于Hash引用一个随机数，再交互传送给用户信息数据集A，用户信息数据集A同时做Hash然后传送给用户信息数据集B，用户信息数据集B最后形成一个结果的交集。整个交互过程中不使用明文数据传递，也可预防暴力破解手段。
采用同态加密技术保证用户信息数据集A和用户信息数据集B中的原始数据，以及数据加密态均不被传输。交互部分，用户信息数据集A和用户信息数据集B通过损失中间结果，用同态加密的机制进行交互，模型训练完成后，用户信息数据集A和用户信息数据集B会各自得到一个模型，各自的模型分别部署在各自一方。例如，用户信息数据集A提供了N 个特征，则获取有N个特征的模型，用户信息数据集B提供了M个特征，则获取有M个特征的模型。
第二部分：加密模型训练302
在确定共有样本数据后，就可以利用这些数据训练机器学习模型。为了保证训练过程中数据的保密性，需要服务器101进行加密训练。
图4是根据一示例性实施例示出的联邦学习方法中加密训练的流程图。
如图4所示，以线性回归模型为例，训练过程可分为S401-S404四个步骤：
S401分发公钥：服务器101联合子模型把公钥分发给用户信息数据集A和用户信息数据集B，用以对训练过程中需要交换的数据进行加密；
S402加密交互中间结果：用户信息数据集A和用户信息数据集B 之间以加密形式交互用于计算梯度的中间结果；
S403加密汇总梯度与损失：用户信息数据集A和用户信息数据集B 分别基于加密的梯度值进行计算，同时用户信息数据集B根据其标签数据计算损失，并把这些结果汇总给服务器101联合子模型。服务器101联合子模型通过汇总结果计算总梯度并将其解密；
S404更新模型：服务器101联合子模型将解密后的梯度分别回传给用户信息数据集A和用户信息数据集B；用户信息数据集A和用户信息数据集B根据梯度更新各自模型的参数。
迭代上述步骤直至损失函数收敛，这样就完成了整个训练过程。在样本对齐及模型训练过程中，用户信息数据集A和用户信息数据集B各自的数据均保留在本地，且训练中的数据交互也不会导致数据隐私泄露。因此，双方在联邦学习的帮助下得以实现合作训练模型。
更具体而言，模型训练可采用SecureBoost技术方案，由多方协同建立一个boosting树。
训练形成模型后，对模型进行封装以分发给用户使用。
图5是根据一示例性实施例示出的基于联邦学习框架的信用评估模型构建方法的流程图。
如图5所示，基于联邦学习框架的信用评估模型构建方法具体可包括 S501-S505五个步骤，其中S501获取训练数据、S502训练生成模型文件具体方法可使用如上文及对应的图3、图4所描述的方法。
具体而言，基于tensorflow框架离线建立深度网络模型，整个模型的结构可以根据需求自由调整，一开始整个网络的参数随机初始化，并指定模型输出计算的梯度和信用评分。
步骤S503差分隐私处理封装
使用差分隐私处理方法对模型输出的中间梯度进行差分隐私处理的封装。
S504文件转化
将经差分隐私处理分装的模型文件转换为可供用户客户端运行的文件。
更具体而言，使用Tensorflow-lite框架对整个封装的对象进行序列化操作并保存到文件中，这个模型将作为客户端模型部署到用户客户端上。
S505模型文件集成分发
将经转化的模型文件集成到客户端应用程序中，分发至用户，安装以供使用。
步骤S202获取用户信息数据
用户获取步骤S201构建的安装于用户客户端的信用评估子模型，所述子模型的输入层数据为用户信息数据，输出层数据为用户的信用评分及中间梯度。
获取用于信用评估子模型输入层的用户信息数据，所述用户信息数据具体可包括但不限于用户的设备数据、通讯录数据等。
步骤S203应用模型，获取评估结果
将步骤S202获取的用户信息数据代入所述信用评估子模型，经所述子模型分析判断，获取用户的评估结果。
所述用户的评估结果具体可包括用户信用评分及中间梯度。其中，用户信用评分用于制定信用策略，中间梯度用于对模型进行修正。
更具体而言，所述中间梯度为经过差分隐私处理后的数据。
将评估结果经网络发送至服务器101，以供服务器101制定信用策略及修正模型。
步骤S204制定信用策略
服务器101获取经步骤S203生成并发送的评估结果，基于所述用户的信用评分制定信用策略。
具体而言，在服务器101上预设信用策略映射集，所述映射策略集包括信用评分及评分对应的信用策略。服务器获取用户信用评分，根据所述用户信用评分搜索相应评分对应的信用策略，应用所述对应的信用策略向所述用户提供相应的业务供给。
更具体的，所述信用策略具体可包括但不限于授信策略、动支策略、贷后管理策略、营销策略等。
步骤S205模型修正
部署于服务器101的联合子模型接收经步骤S203生成并发送的中间梯度，联合多个客户端上传的中间梯度迭代更新当前模型的参数，然后再把更新后的参数传到客户端，客户端的模型就可以利用新的参数完成模型更新。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、 RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
图6是根据一示例性实施例示出的基于联邦学习框架的策略制定装置的框图。如图6所示，基于联邦学习框架的策略制定装置60包括信用评估模型构建模块601、用户信息数据获取模块602、评估模块603、评估结果发送模块604、策略生成模块605和修正模块606。
图7是根据一示例性实施例示出的基于联邦学习框架的信用评估模型构建模块的框图。如图7所示，基于联邦学习框架的信用评估模型构建模块601包括信用评估子模型构建单元701、联合子模型构建单元702、加密单元703、转换单元704、集成单元705和模型发送单元706。
信用评估子模型构建单元701和联合子模型构建单元702用于构建模型并生成模型文件。其中，信用评估子模型构建单元701用于构建安装在至少一个用户客户端的信用评估子模型，联合子模型构建单元702用于构建设置于服务器101的联合子模型。
信用评估子模型构建单元701和联合子模型构建单元702使用横向联邦学习的方法构建模型，具体而言，分别从用户集A和用户集B中提取相同用户特征的数据集，所述用户集A、用户集B中分别包含若干个用户，其中部分用户重叠。此外，所述用户集A和用户集B也不排除分别指向单独一个用户A及用户B。
更具体而言，相同的用户特征可以包括但不限于用户设备特征、用户通讯录特征、用户通话特征、用户社交特征等。
按照所述用户特征提取数据，以形成用于联邦学习模型训练的用户信息数据集A和用户信息数据集B。
更进一步的，为了在训练模型时使用所述用户信息数据集时用户隐私的保护，实现建模样本ID差集及底层输入、输出数据互相之间不泄露，则采用同态加密技术以保护数据隐私。
具体而言，通过RSA和Hash的机制，保证用户信息数据集A和用户信息数据集B仅使用交集部分，且各自差集部分并不向对方泄露。更具体的，假设以用户信息数据集A作为公钥的生成方，将生成的公钥发送至用户信息数据集B，用户信息数据集B基于Hash引用一个随机数，再交互传送给用户信息数据集A，用户信息数据集A同时做Hash然后传送给用户信息数据集B，用户信息数据集B最后形成一个结果的交集。整个交互过程中不使用明文数据传递，也可预防暴力破解手段。
采用同态加密技术保证用户信息数据集A和用户信息数据集B中的原始数据，以及数据加密态均不被传输。交互部分，用户信息数据集A和用户信息数据集B通过损失中间结果，用同态加密的机制进行交互，模型训练完成后，用户信息数据集A和用户信息数据集B会各自得到一个模型，各自的模型分别部署在各自一方。例如，用户信息数据集A提供了N 个特征，则获取有N个特征的模型，用户信息数据集B提供了M个特征，则获取有M个特征的模型。
在确定共有样本数据后，就可以利用这些数据训练机器学习模型。为了保证训练过程中数据的保密性，需要服务器101进行加密训练。
以线性回归模型为例，训练过程可分为四个步骤：
分发公钥：服务器101联合子模型把公钥分发给用户信息数据集A和用户信息数据集B，用以对训练过程中需要交换的数据进行加密；
加密交互中间结果：用户信息数据集A和用户信息数据集B之间以加密形式交互用于计算梯度的中间结果；
加密汇总梯度与损失：用户信息数据集A和用户信息数据集B分别基于加密的梯度值进行计算，同时用户信息数据集B根据其标签数据计算损失，并把这些结果汇总给服务器101联合子模型。服务器101联合子模型通过汇总结果计算总梯度并将其解密；
更新模型：服务器101联合子模型将解密后的梯度分别回传给用户信息数据集A和用户信息数据集B；用户信息数据集A和用户信息数据集B 根据梯度更新各自模型的参数。
迭代上述步骤直至损失函数收敛，这样就完成了整个训练过程。在样本对齐及模型训练过程中，用户信息数据集A和用户信息数据集B各自的数据均保留在本地，且训练中的数据交互也不会导致数据隐私泄露。因此，双方在联邦学习的帮助下得以实现合作训练模型。
更具体而言，模型训练可采用SecureBoost技术方案，由多方协同建立一个boosting树。
加密单元703，用于使用差分隐私处理方法对模型输出的中间梯度进行差分隐私处理的封装。
转换单元704将经差分隐私处理分装的模型文件转换为可供用户客户端运行的文件。更具体而言，使用Tensorflow-lite框架对整个封装的对象进行序列化操作并保存到文件中，这个模型将作为客户端模型部署到用户客户端上。
集成单元705和模型发送单元706，将经转化的模型文件集成到客户端应用程序中，分发至用户，安装以供使用。
用户信息数据获取模块602，获取用于信用评估子模型输入层的用户信息数据，所述用户信息数据具体可包括但不限于用户的设备数据、通讯录数据等。
评估模块603，将获取的用户信息数据代入所述信用评估子模型，经所述子模型分析判断，获取用户的评估结果。
所述用户的评估结果具体可包括用户信用评分及中间梯度。其中，用户信用评分用于制定信用策略，中间梯度用于对模型进行修正。
更具体而言，所述中间梯度为经过差分隐私处理后的数据。
评估结果发送模块604，将评估结果经网络发送至服务器101，以供服务器101制定信用策略及修正模型。
策略生成模块605，如图8所示，包括策略制订单元801和策略对应单元802。
策略制定单元801，用于生成在所述服务器上预设信用策略映射集；
策略对应单元802，用于根据获取的所述用户的信用评分利用所述信用策略集生成所述信用策略。
修正模块606，将获取的多个用户的中间梯度代入所述联合子模型，迭代更新当前信用评估子模型参数，将更新后参数发送至所述用户客户端以完成所述信用评估子模型更新。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图9是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图9来描述根据本发明该实施例的的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，电子设备900以通用计算设备的形式表现。电子设备900 的组件可以包括但不限于：至少一个处理单元910、至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元910可以执行如图5所示的步骤。
所述存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。
所述存储单元920还可以包括具有一组(至少一个)程序模块9205 的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备900’(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900 交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN) 和/或公共网络，例如因特网)通信。网络适配器960可以通过总线930 与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是 CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。
所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如 Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于联邦学习框架的策略制定方法，其特征在于，包括：
利用联邦学习方法构建信用评估模型，所述信用评估模型包括安装在至少一个用户客户端的信用评估子模型；
获取用户信息数据；
将所述用户信息数据代入所述信用评估子模型，获取评估结果，所述评估结果包括所述用户的信用评分及中间梯度；
服务器获取所述评估结果，基于所述信用评分制定信用策略，并利用所述中间梯度对所述信用评估子模型进行修正。
2.根据权利要求1所述的方法，其特征在于，所述利用联邦学习方法构建信用评估模型进一步包括设置于服务器的联合子模型，用于基于所述中间梯度修正所述信用评估子模型的参数。
3.根据权利要求1-2中任一项所述的方法，其特征在于：所述联邦学习方法为横向联邦学习方法。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述利用联邦学习方法构建信用评估模型进一步包括：使用Tensorlfowlite框架将训练的信用评估模型文件转化为能在用户客户端运行的所述信用评估子模型文件并分发给所述用户客户端。
5.根据权利要求1-4中任一项中所述的方法，其特征在于，所述安装在至少一个用户客户端的信用评估子模型进一步包括：将所述信用评估子模型文件集成到所述用户的客户端应用中。
6.根据权利要求1-5中任一项所述的方法，其特征在于，进一步包括：对所述训练的信用评估模型文件进行差分隐私处理封装后，使用Tensorlfow lite框架转化为能在用户客户端运行的所述信用评估子模型文件。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述利用联邦学习方法构建信用评估模型进一步包括：基于tensorflow框架离线建立深度网络模型，其中所述深度网络模型的参数为随机初始化，并指定所述深度网络模型输出数据为信用评分及中间梯度。
8.一种基于联邦学习框架的策略制定装置，其特征在于，包括：
信用评估模型构建模块，用于利用联邦学习方法构建信用评估模型，其中，所述信用模型构建模块包括信用评估子模型构建单元，用于构建安装在至少一个用户客户端的信用评估子模型；
用户信息数据获取模块，设置于所述用户客户端，用于获取用户信息数据；
评估模块，设置于所述用户客户端，用于将所述用户信息数据代入所述信用评估子模型，获取评估结果，所述评估结果包括所述用户的信用评分及中间梯度；
评估结果发送模块，设置于所述用户客户端，用于将所述评估结果发送至所述服务器；
策略生成模块，设置于所述服务器，用于根据所述用户的信用评分制定信用策略；
修正模块，设置于所述服务器，用于利用所述中间梯度对所述信用评估子模型进行修正。
9.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010275346.8A CN111582508A (zh) | 2020-04-09 | 2020-04-09 | 一种基于联邦学习框架的策略制定方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010275346.8A CN111582508A (zh) | 2020-04-09 | 2020-04-09 | 一种基于联邦学习框架的策略制定方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111582508A true CN111582508A (zh) | 2020-08-25 |
Family
ID=72124409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010275346.8A Pending CN111582508A (zh) | 2020-04-09 | 2020-04-09 | 一种基于联邦学习框架的策略制定方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582508A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112153650A (zh) * | 2020-08-31 | 2020-12-29 | 西北农林科技大学 | 一种无线网络中基于终端信誉的可靠联邦学习方法及系统 |
| CN112270597A (zh) * | 2020-11-10 | 2021-01-26 | 恒安嘉新（北京）科技股份公司 | 业务处理、信用评价模型训练方法、装置、设备及介质 |
| CN112508687A (zh) * | 2020-12-17 | 2021-03-16 | 深圳微米信息服务有限公司 | 一种ai信用评价方法、系统、电了设备及存储介质 |
| CN113177674A (zh) * | 2021-05-28 | 2021-07-27 | 恒安嘉新（北京）科技股份公司 | 网络诈骗的预警方法、装置、设备及介质 |
| CN113259363A (zh) * | 2021-05-26 | 2021-08-13 | 中国人民解放军战略支援部队信息工程大学 | 一种隐蔽通信方法及装置 |
| CN113781082A (zh) * | 2020-11-18 | 2021-12-10 | 京东城市(北京)数字科技有限公司 | 区域画像的修正方法、装置、电子设备和可读存储介质 |
| WO2022057108A1 (zh) * | 2020-09-17 | 2022-03-24 | 南京博雅区块链研究院有限公司 | 基于联邦学习的个人资质评估方法、装置及系统及存储介质 |
| CN115081640A (zh) * | 2020-12-06 | 2022-09-20 | 支付宝(杭州)信息技术有限公司 | 基于差分隐私的联邦学习方法、装置及电子设备 |
| CN116468265A (zh) * | 2023-03-23 | 2023-07-21 | 杭州瓴羊智能服务有限公司 | 批量用户数据处理方法和装置 |
| CN116738196A (zh) * | 2023-06-19 | 2023-09-12 | 上海零数众合信息科技有限公司 | 一种信誉评估方法、装置、设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808289A (zh) * | 2016-09-09 | 2018-03-16 | 腾讯科技（深圳）有限公司 | 电子支付平台、控制方法及装置 |
| CN110288094A (zh) * | 2019-06-10 | 2019-09-27 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法及装置 |
| CN110348727A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于用户风险等级和用户动支意愿的营销策略制定方法、装置和电子设备 |
| CN110378749A (zh) * | 2019-07-25 | 2019-10-25 | 深圳前海微众银行股份有限公司 | 用户数据相似性的评估方法、装置、终端设备及存储介质 |
| CN110601814A (zh) * | 2019-09-24 | 2019-12-20 | 深圳前海微众银行股份有限公司 | 联邦学习数据加密方法、装置、设备及可读存储介质 |
| CN110610242A (zh) * | 2019-09-02 | 2019-12-24 | 深圳前海微众银行股份有限公司 | 一种联邦学习中参与者权重的设置方法及装置 |
| CN110827147A (zh) * | 2019-10-31 | 2020-02-21 | 山东浪潮人工智能研究院有限公司 | 一种基于联盟链的联邦学习激励方法及系统 |
| CN110851472A (zh) * | 2019-11-19 | 2020-02-28 | 深圳前海微众银行股份有限公司 | 样本匹配方法、设备及可读存储介质 |
-
2020
- 2020-04-09 CN CN202010275346.8A patent/CN111582508A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808289A (zh) * | 2016-09-09 | 2018-03-16 | 腾讯科技（深圳）有限公司 | 电子支付平台、控制方法及装置 |
| CN110288094A (zh) * | 2019-06-10 | 2019-09-27 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法及装置 |
| CN110348727A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于用户风险等级和用户动支意愿的营销策略制定方法、装置和电子设备 |
| CN110378749A (zh) * | 2019-07-25 | 2019-10-25 | 深圳前海微众银行股份有限公司 | 用户数据相似性的评估方法、装置、终端设备及存储介质 |
| CN110610242A (zh) * | 2019-09-02 | 2019-12-24 | 深圳前海微众银行股份有限公司 | 一种联邦学习中参与者权重的设置方法及装置 |
| CN110601814A (zh) * | 2019-09-24 | 2019-12-20 | 深圳前海微众银行股份有限公司 | 联邦学习数据加密方法、装置、设备及可读存储介质 |
| CN110827147A (zh) * | 2019-10-31 | 2020-02-21 | 山东浪潮人工智能研究院有限公司 | 一种基于联盟链的联邦学习激励方法及系统 |
| CN110851472A (zh) * | 2019-11-19 | 2020-02-28 | 深圳前海微众银行股份有限公司 | 样本匹配方法、设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 吉安卡洛•扎克尼等, 机械工业出版社, pages: 22 - 25 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112153650A (zh) * | 2020-08-31 | 2020-12-29 | 西北农林科技大学 | 一种无线网络中基于终端信誉的可靠联邦学习方法及系统 |
| WO2022057108A1 (zh) * | 2020-09-17 | 2022-03-24 | 南京博雅区块链研究院有限公司 | 基于联邦学习的个人资质评估方法、装置及系统及存储介质 |
| CN112270597A (zh) * | 2020-11-10 | 2021-01-26 | 恒安嘉新（北京）科技股份公司 | 业务处理、信用评价模型训练方法、装置、设备及介质 |
| CN113781082A (zh) * | 2020-11-18 | 2021-12-10 | 京东城市(北京)数字科技有限公司 | 区域画像的修正方法、装置、电子设备和可读存储介质 |
| CN113781082B (zh) * | 2020-11-18 | 2023-04-07 | 京东城市(北京)数字科技有限公司 | 区域画像的修正方法、装置、电子设备和可读存储介质 |
| CN115081640A (zh) * | 2020-12-06 | 2022-09-20 | 支付宝(杭州)信息技术有限公司 | 基于差分隐私的联邦学习方法、装置及电子设备 |
| CN112508687A (zh) * | 2020-12-17 | 2021-03-16 | 深圳微米信息服务有限公司 | 一种ai信用评价方法、系统、电了设备及存储介质 |
| CN113259363A (zh) * | 2021-05-26 | 2021-08-13 | 中国人民解放军战略支援部队信息工程大学 | 一种隐蔽通信方法及装置 |
| CN113259363B (zh) * | 2021-05-26 | 2022-09-02 | 中国人民解放军战略支援部队信息工程大学 | 一种隐蔽通信方法及装置 |
| CN113177674A (zh) * | 2021-05-28 | 2021-07-27 | 恒安嘉新（北京）科技股份公司 | 网络诈骗的预警方法、装置、设备及介质 |
| CN116468265A (zh) * | 2023-03-23 | 2023-07-21 | 杭州瓴羊智能服务有限公司 | 批量用户数据处理方法和装置 |
| CN116738196A (zh) * | 2023-06-19 | 2023-09-12 | 上海零数众合信息科技有限公司 | 一种信誉评估方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582508A (zh) | 一种基于联邦学习框架的策略制定方法、装置和电子设备 | |
| US11196541B2 (en) | Secure machine learning analytics using homomorphic encryption | |
| CN113159327B (zh) | 基于联邦学习系统的模型训练方法、装置、电子设备 | |
| CN110990871B (zh) | 基于人工智能的机器学习模型训练方法、预测方法及装置 | |
| CN110189192B (zh) | 一种信息推荐模型的生成方法及装置 | |
| CN112347500B (zh) | 分布式系统的机器学习方法、装置、系统、设备及存储介质 | |
| CN113505882B (zh) | 基于联邦神经网络模型的数据处理方法、相关设备及介质 | |
| CN112487103B (zh) | 一种基于区块链智能合约的深度学习数据集可信共享系统 | |
| CN103051600A (zh) | 文档访问控制方法和系统 | |
| CN113542228B (zh) | 基于联邦学习的数据传输方法、装置以及可读存储介质 | |
| EP4083839A1 (en) | Data protection method and apparatus, and server and medium | |
| CN113221153B (zh) | 图神经网络训练方法、装置、计算设备及存储介质 | |
| CN109767330A (zh) | 用于管理作品的系统、方法和装置 | |
| CN110688419A (zh) | 一种联邦建模系统和联邦建模方法 | |
| Zhao et al. | Application of digital twin combined with artificial intelligence and 5G technology in the art design of digital museums | |
| CN112307513A (zh) | 基于时域共识的上链文档安全管理方法、装置和电子设备 | |
| CN114881247A (zh) | 基于隐私计算的纵向联邦特征衍生方法、装置、介质 | |
| CN107005576A (zh) | 从服务器日志生成用于链接标识符的桥接匹配标识符 | |
| CN112949866A (zh) | 泊松回归模型的训练方法、装置、电子设备及存储介质 | |
| Arul Mary et al. | OGSO-DR: oppositional group search optimizer based efficient disaster recovery in a cloud environment | |
| CN115589316B (zh) | 一种数据加密传输方法、装置、电子设备及存储介质 | |
| CN116843349A (zh) | 一种基于saas业务的移动数字化医药营销平台 | |
| CN111368314A (zh) | 基于交叉特征的建模、预测方法、装置、设备及存储介质 | |
| Kumar et al. | Data security and encryption technique for cloud storage | |
| CN108829436A (zh) | 热修复方法、装置、系统、电子设备及计算机可读介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 1118, No.4, Lane 800, Tongpu Road, Putuo District, Shanghai 200062 Applicant after: SHANGHAI QIYU INFORMATION TECHNOLOGY Co.,Ltd. Address before: 201500 room a1-5962, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai (Shanghai Hengtai Economic Development Zone) Applicant before: SHANGHAI QIYU INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |