CN113011598B - 一种基于区块链的金融数据信息联邦迁移学习方法及装置 - Google Patents
一种基于区块链的金融数据信息联邦迁移学习方法及装置 Download PDFInfo
- Publication number
- CN113011598B CN113011598B CN202110287227.9A CN202110287227A CN113011598B CN 113011598 B CN113011598 B CN 113011598B CN 202110287227 A CN202110287227 A CN 202110287227A CN 113011598 B CN113011598 B CN 113011598B
- Authority
- CN
- China
- Prior art keywords
- operation node
- model training
- blockchain
- address
- training task
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013508 migration Methods 0.000 title claims abstract description 10
- 230000005012 migration Effects 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 146
- 238000010586 diagram Methods 0.000 claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000013526 transfer learning Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims 2
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013515 script Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种基于区块链的金融数据信息联邦迁移学习方法及装置，所述方法包括：响应于需求方的模型训练任务发布请求，在区块链上创建所述模型训练任务的智能合约，所述模型训练任务的智能合约包括模型训练图；生成所述模型训练任务的智能合约的地址并进行记录；响应于运行节点的读取请求，向所述运行节点开放所述地址的读取接口，以便所述运行节点从所述模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练。本发明避免了金融数据信息在进行机器学习时的数据隐私泄露，提高了训练准确度。
Description
技术领域
本发明涉及区块链技术领域，尤其是指一种基于区块链的金融数据信息联邦迁移学习方法及装置。
背景技术
机器学习技术在许多领域取得了重大成功，但是机器学习方法只有在训练数据和测试数据在相同的特征空间中或具有相同分布的假设下才能很好地发挥作用。当分布发生变化时，大多数统计模型需要使用新收集的训练数据重建模型。在许多实际应用中，重新收集所需的训练数据并重建模型的代价是非常昂贵的。机器学习根据数据生成预测模型，因此往往需要高质量的数据来帮助调控统计模型。
目前金融机构的数据来源纷杂，数据格式不标准，数据更新周期不稳定，因此将机器学习应用于实际金融场景存在着数据孤岛导致的应用场景数据较少的问题，以及在实际应用中常常需要利用多个数据集导致的用户隐私和数据安全问题。
发明内容
针对现有技术的不足，本发明提供了一种直流电源负载检测与输出控制电路及方法，旨在解决直流电源在没有接入负载时输出电压过高导致的安全问题。
为了解决上述技术问题，本发明采用了如下技术方案：
第一方面，提供了一种基于区块链的金融数据信息联邦迁移学习方法，包括：
响应于需求方的模型训练任务发布请求，在区块链上创建所述模型训练任务的智能合约，所述模型训练任务的智能合约包括模型训练图；
生成所述模型训练任务的智能合约的地址并进行记录；
响应于运行节点的读取请求，向所述运行节点开放所述地址的读取接口，以便所述运行节点从所述模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练。
第二方面，提供了一种基于区块链的金融数据信息联邦迁移学习装置，所述装置包括：
合约生成模块，用于响应需求方的模型训练任务发布请求，在区块链上创建所述模型训练任务的智能合约，所述模型训练任务的智能合约包括模型训练图；
地址管理模块，用于生成所述模型训练任务的智能合约的地址并进行记录；
地址读取模块，用于响应运行节点的读取请求，向所述运行节点开放所述地址的读取接口，以便所述运行节点从所述模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练。
本发明的有益效果在于：
本发明通过响应于需求方的模型训练任务发布请求，在区块链上创建所述模型训练任务的智能合约，所述模型训练任务的智能合约包括模型训练图，生成所述模型训练任务的智能合约的地址并进行记录，响应于运行节点的读取请求，向所述运行节点开放所述地址的读取接口，以便所述运行节点从所述模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练，避免了上传原始数据进行训练造成的隐私问题，同时可解决应用场景数据较少的问题，提升训练准确度。
附图说明
下面结合附图详述本发明的具体结构
图1为本发明实施例提供的基于区块链的金融数据信息联邦迁移学习方法的流程框图；
图2为本发明实施例提供的基于区块链的金融数据信息联邦迁移学习装置的模块连接图；
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参考图1，图1为本发明实施例提供的基于区块链的金融数据信息联邦迁移学习方法的流程框图。在本发明的实施例中，该基于区块链的金融数据信息联邦迁移学习方法，包括如下步骤：
步骤S101，响应于需求方的模型训练任务发布请求，在区块链上创建所述模型训练任务的智能合约，所述模型训练任务的智能合约包括模型训练图。
其中，所述模型训练任务的智能合约还包括训练数据集存储路径、测试数据集存储路径及准确度要求。
具体地，所述区块链为联盟链，其介于私有链与公有链之间，是一种需要注册许可的区块链，仅限于联盟中具有权限的成员参与账本的读写，网络中节点的角色及功能划分需预先设定，且网络中的共识、运维和接入均由预先设定的节点控制。一般来说，联盟链适合于跨机构的交易、结算、协同办公及存证等。交易达成后，首先由区块链上的各个参与者对交易进行验证，一旦所有的参与者达成共识，该条交易信息盖上表明交易发生的先后顺序的时间戳。时间戳功能保证了交易的可追溯性。区块链技术的应用解决了传统交易信用风险高的痛点，提高了交易的安全性，同时区块链每个参与者都有一套完整的账本，在对账方面具有得天独厚的优势，这就降低了对账的成本，提高了清算的效率。产品具有去中心化、去信任、时间戳等特征的区块链技术作为平台架构的底层技术，使得所有的交易信息公开透明、不可被篡改，大大降低了操作风险及信用风险的发生，使交易更加安全。
区块链的基础架构可以分成六层。区块链系统一般由数据层、网络层、共识层、激励层、合约层和应用层组成。数据层用于构建数据区块，对数据进行加密签名，增加时间戳；网络层包括分布式对等网络，用于节点间的通信和数据验证；共识层实现各类共识算法；激励层主要用于制定相应的激励机制，在联盟链和私有链中并不需要，因为激励在系统外就已经确认；合约层主要封装各类脚本、算法和智能合约，是区块链可编程特性的基础；应用层则是基于区块链技术的各类应用。
步骤S102，生成所述模型训练任务的智能合约的地址并进行记录。
步骤S103，响应于运行节点的读取请求，向所述运行节点开放所述地址的读取接口，以便所述运行节点从所述模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练。
本发明通过响应于需求方的模型训练任务发布请求，在区块链上创建所述模型训练任务的智能合约，所述模型训练任务的智能合约包括模型训练图，生成所述模型训练任务的智能合约的地址并进行记录，响应于运行节点的读取请求，向所述运行节点开放所述地址的读取接口，以便所述运行节点从所述模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练，避免了上传原始数据进行训练造成的隐私问题，同时可解决应用场景数据较少的问题，提升训练准确度。
进一步地，在所述利用本地数据对所述模型训练图进行训练之后，还包括：
步骤S104，将训练的梯度数据上传至所述模型训练任务的智能合约的指定存储位置。
进一步地，在上述实施例中，所述需求方有多个，则所述基于区块链的金融数据信息联邦迁移学习方法具体包括：
步骤S201，响应于各需求方的模型训练任务发布请求，在区块链上创建各所述模型训练任务的智能合约，各所述模型训练任务的智能合约包括模型训练图。
步骤S202，生成各所述模型训练任务的智能合约的地址并进行记录，形成地址列表。
步骤S203，响应于运行节点的读取请求，向所述运行节点开放所述地址列表的读取接口，以便所述运行节点从感兴趣的模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练。
进一步地，在上述实施例中，所述运行节点包括第一运行节点及第二运行节点，则所述运行节点利用本地数据对所述模型训练图进行训练的步骤包括：
步骤S301，第一运行节点和第二运行节点分别下载模型训练图，采用本地数据初始化各自的模型参数。
步骤S302，第二运行节点基于自己的特征，采用随机梯度下降算法计算部分预估值和部分loss，并加密发送给第一运行节点。
步骤S303，第一运行节点基于自己的特征计算部分预估值，并结合第二运行节点的预估值，采用随机梯度下降算法计算最终的损失函数和梯度数据，然后将第二运行节点需要的梯度数据和损失函数发送回第二运行节点。
步骤S304，第一运行节点和第二运行节点在完成梯度数据计算后，分别将梯度数据进行加密并掩码，发送给链下存储服务器。
步骤S305，链下存储服务器解密并汇总梯度数据。
步骤S306，第一运行节点和第二运行节点从链下存储服务器下载汇总的梯度数据，去除自身的掩码并更新自有模型。
步骤S307，循环上述步骤直至收敛，分别得到第一运行节点和第二运行节点的模型。
进一步地，所述运行节点包括多个，则所述运行节点利用本地数据对所述模型训练图进行训练的步骤包括：
步骤S401，链下存储服务器初始化并加密模型参数。
步骤S402，链下存储服务器将加密的模型参数发送给各运行节点。
步骤S403，各运行节点解密模型参数并基于本地数据计算loss，更新各自的梯度数据，并将梯度数据加密传输给链下存储服务器。
步骤S404，链下存储服务器汇总梯度数据并更新模型参数。
本发明所述方法可应用于构建针对金融数据的特征，建立特有的金融产品特征的数据库模型，并有效改进了现有的金融数据结构，不依赖某个中心节点，而是由区块链完成具信息共享。
请参考图2，图2为本发明实施例提供的基于区块链的金融数据信息联邦迁移学习装置的模块连接图。第二方面，本发明还提供了一种基于区块链的金融数据信息联邦迁移学习装置，包括：
合约生成模块10，用于响应需求方的模型训练任务发布请求，在区块链上创建所述模型训练任务的智能合约，所述模型训练任务的智能合约包括模型训练图。
地址管理模块20，用于生成所述模型训练任务的智能合约的地址并进行记录。
具体地，地址管理模块20为工厂模式的智能合约，其封装在区块链的合约层中。
地址读取模块30，用于响应运行节点的读取请求，向所述运行节点开放所述地址的读取接口，以便所述运行节点从所述模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练。
进一步地，所述地址读取模块30具体用于：
响应运行节点的读取请求，向所述运行节点开放所述地址的读取接口，以便所述运行节点从所述模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练，将训练的梯度数据上传至所述模型训练任务的智能合约的指定存储位置。
进一步地，所述需求方有多个，则所述合约生成模块10具体用于：
响应各需求方的模型训练任务发布请求，在区块链上创建各所述模型训练任务的智能合约，各所述模型训练任务的智能合约包括模型训练图；
所述地址管理模块20具体用于：
生成各所述模型训练任务的智能合约的地址并进行记录，形成地址列表；
所述地址读取模块30具体用于：
响应运行节点的读取请求，向所述运行节点开放所述地址列表的读取接口，以便所述运行节点从感兴趣的模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练。
请参考图3，图3为本发明实施例提供的电子设备的结构示意图。如图3所示，一种电子设备，包括：
存储器301、处理器302、总线303及存储在存储器301上并可在处理器302上运行的计算机程序，存储器301和处理器302通过总线303连接。处理器302执行该计算机程序时，实现前述实施例中的基于区块链的金融数据信息联邦迁移学习方法。其中，处理器的数量可以是一个或多个。
存储器301可以是高速随机存取记忆体（RAM，Random Access Memory）存储器，也可为非不稳定的存储器（non-volatile memory），例如磁盘存储器。存储器301用于存储可执行程序代码，处理器302与存储器301耦合。
进一步的，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的基于区块链的金融数据信息联邦迁移学习装置中，该计算机可读存储介质可以是前述图3所示实施例中的存储器。
该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述实施例中的基于区块链的金融数据信息联邦迁移学习方法。进一步的，该计算机可存储介质还可以是U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于区块链的金融数据信息联邦迁移学习方法，包括：
响应于需求方的模型训练任务发布请求，在区块链上创建所述模型训练任务的智能合约，所述模型训练任务的智能合约包括模型训练图；
生成所述模型训练任务的智能合约的地址并进行记录；
响应于运行节点的读取请求，向所述运行节点开放所述地址的读取接口，以便所述运行节点从所述模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练；其中，所述运行节点包括第一运行节点及第二运行节点；
所述利用本地数据对所述模型训练图进行训练的步骤包括：
第一运行节点和第二运行节点分别下载模型训练图，采用本地数据初始化各自的模型参数；
第二运行节点基于自己的特征，采用随机梯度下降算法计算部分预估值和部分loss，并加密发送给第一运行节点；
第一运行节点基于自己的特征计算部分预估值，并结合第二运行节点的预估值，采用随机梯度下降算法计算最终的损失函数和梯度数据，然后将第二运行节点需要的梯度数据和损失函数发送回第二运行节点；
第一运行节点和第二运行节点在完成梯度数据计算后，分别将梯度数据进行加密并掩码，发送给链下存储服务器；
链下存储服务器解密并汇总梯度数据；
第一运行节点和第二运行节点从链下存储服务器下载汇总的梯度数据，去除自身的掩码并更新自有模型；
循环执行所述第一运行节点和第二运行节点分别下载模型训练图的步骤至所述去除自身的掩码并更新自有模型的步骤，直至收敛，分别得到第一运行节点和第二运行节点的模型。
2.如权利要求1所述的基于区块链的金融数据信息联邦迁移学习方法，其特征在于，所述利用本地数据对所述模型训练图进行训练之后，还包括：
将训练的梯度数据上传至所述模型训练任务的智能合约的指定存储位置。
3.如权利要求1所述的基于区块链的金融数据信息联邦迁移学习方法，其特征在于，所述需求方有多个，则所述基于区块链的金融数据信息联邦迁移学习方法具体包括：
响应于各需求方的模型训练任务发布请求，在区块链上创建各所述模型训练任务的智能合约，各所述模型训练任务的智能合约包括模型训练图；
生成各所述模型训练任务的智能合约的地址并进行记录，形成地址列表；
响应于运行节点的读取请求，向所述运行节点开放所述地址列表的读取接口，以便所述运行节点从感兴趣的模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练。
4.如权利要求1至3任一项所述的基于区块链的金融数据信息联邦迁移学习方法，其特征在于，所述运行节点包括多个，则所述运行节点利用本地数据对所述模型训练图进行训练的步骤包括：
链下存储服务器初始化并加密模型参数；
链下存储服务器将加密的模型参数发送给各运行节点；
各运行节点解密模型参数并基于本地数据计算loss，更新各自的梯度数据，并将梯度数据加密传输给链下存储服务器；
链下存储服务器汇总梯度数据并更新模型参数。
5.一种基于区块链的金融数据信息联邦迁移学习装置，包括：
合约生成模块，用于响应需求方的模型训练任务发布请求，在区块链上创建所述模型训练任务的智能合约，所述模型训练任务的智能合约包括模型训练图；
地址管理模块，用于生成所述模型训练任务的智能合约的地址并进行记录；
地址读取模块，用于响应运行节点的读取请求，向所述运行节点开放所述地址的读取接口，以便所述运行节点从所述模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练；其中，所述运行节点包括第一运行节点及第二运行节点；
所述地址读取模块具体用于：
第一运行节点和第二运行节点分别下载模型训练图，采用本地数据初始化各自的模型参数；
第二运行节点基于自己的特征，采用随机梯度下降算法计算部分预估值和部分loss，并加密发送给第一运行节点；
第一运行节点基于自己的特征计算部分预估值，并结合第二运行节点的预估值，采用随机梯度下降算法计算最终的损失函数和梯度数据，然后将第二运行节点需要的梯度数据和损失函数发送回第二运行节点；
第一运行节点和第二运行节点在完成梯度数据计算后，分别将梯度数据进行加密并掩码，发送给链下存储服务器；
链下存储服务器解密并汇总梯度数据；
第一运行节点和第二运行节点从链下存储服务器下载汇总的梯度数据，去除自身的掩码并更新自有模型；
循环执行所述第一运行节点和第二运行节点分别下载模型训练图的步骤至所述去除自身的掩码并更新自有模型的步骤，直至收敛，分别得到第一运行节点和第二运行节点的模型。
6.如权利要求5所述的基于区块链的金融数据信息联邦迁移学习装置，其特征在于，所述地址读取模块具体用于：
响应运行节点的读取请求，向所述运行节点开放所述地址的读取接口，以便所述运行节点从所述模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练，将训练的梯度数据上传至所述模型训练任务的智能合约的指定存储位置。
7.如权利要求5所述的基于区块链的金融数据信息联邦迁移学习装置，其特征在于，所述需求方有多个，则所述合约生成模块具体用于：
响应各需求方的模型训练任务发布请求，在区块链上创建各所述模型训练任务的智能合约，各所述模型训练任务的智能合约包括模型训练图；
所述地址管理模块具体用于：
生成各所述模型训练任务的智能合约的地址并进行记录，形成地址列表；
所述地址读取模块具体用于：
响应运行节点的读取请求，向所述运行节点开放所述地址列表的读取接口，以便所述运行节点从感兴趣的模型训练任务的智能合约中下载模型训练图，并利用本地数据对所述模型训练图进行训练。
8.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至4任意一项所述方法中的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任意一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287227.9A CN113011598B (zh) | 2021-03-17 | 2021-03-17 | 一种基于区块链的金融数据信息联邦迁移学习方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287227.9A CN113011598B (zh) | 2021-03-17 | 2021-03-17 | 一种基于区块链的金融数据信息联邦迁移学习方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113011598A CN113011598A (zh) | 2021-06-22 |
| CN113011598B true CN113011598B (zh) | 2023-06-02 |
Family
ID=76409326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110287227.9A Active CN113011598B (zh) | 2021-03-17 | 2021-03-17 | 一种基于区块链的金融数据信息联邦迁移学习方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011598B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657609B (zh) * | 2021-08-18 | 2024-05-03 | 深圳技术大学 | 基于区块链与联邦迁移学习的数据管理方法及系统 |
| CN113609508B (zh) * | 2021-08-24 | 2023-09-26 | 上海点融信息科技有限责任公司 | 一种基于区块链的联邦学习方法、装置、设备及存储介质 |
| CN113778966B (zh) * | 2021-09-15 | 2024-03-26 | 深圳技术大学 | 高校教学与课程成绩的跨学校信息共享方法及相关装置 |
| WO2023141809A1 (zh) * | 2022-01-26 | 2023-08-03 | 深圳技术大学 | 一种基于元宇宙的共享信息隐私保护方法及相关装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112162959A (zh) * | 2020-10-15 | 2021-01-01 | 深圳技术大学 | 一种医疗数据共享方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165725B (zh) * | 2018-08-10 | 2022-03-29 | 深圳前海微众银行股份有限公司 | 基于迁移学习的神经网络联邦建模方法、设备及存储介质 |
| US11303448B2 (en) * | 2019-08-26 | 2022-04-12 | Accenture Global Solutions Limited | Decentralized federated learning system |
| CN111212110B (zh) * | 2019-12-13 | 2022-06-03 | 清华大学深圳国际研究生院 | 一种基于区块链的联邦学习系统及方法 |
| CN111539731A (zh) * | 2020-06-19 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 基于区块链的联邦学习方法及装置和电子设备 |
-
2021
- 2021-03-17 CN CN202110287227.9A patent/CN113011598B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112162959A (zh) * | 2020-10-15 | 2021-01-01 | 深圳技术大学 | 一种医疗数据共享方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113011598A (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113011598B (zh) | 一种基于区块链的金融数据信息联邦迁移学习方法及装置 | |
| CN110597925B (zh) | 一种基于区块链的跨链数据处理方法及装置 | |
| Chen et al. | Combined application of blockchain technology in fractional calculus model of supply chain financial system | |
| WO2023141809A1 (zh) | 一种基于元宇宙的共享信息隐私保护方法及相关装置 | |
| US20190165931A1 (en) | Managing energy purchase agreements on a blockchain | |
| CN107909475B (zh) | 一种不同许可链之间的跨链交易 | |
| CN109492419A (zh) | 用于获取区块链中的数据的方法、装置及存储介质 | |
| WO2020062972A1 (zh) | 基于区块链的数据处理方法及装置、电子设备 | |
| CN109886680B (zh) | 一种基于区块链技术的信用流转方法 | |
| CN112035879B (zh) | 一种提高小区自动物流保密性的信息处理方法及系统 | |
| WO2021204044A1 (zh) | 区块链数据的订正 | |
| WO2019242285A1 (zh) | 基于区块链的权益资产价值代币的创建、交易方法及系统 | |
| CN110175208A (zh) | 基于区块链的租赁方法和装置 | |
| CN111368262B (zh) | 一种基于区块链的人工智能模型保护、松耦合分布式训练方法 | |
| CN115496591A (zh) | 基于区块链的风险评估方法及装置 | |
| CN112862303A (zh) | 一种基于区块链的众包质量评估的系统及方法 | |
| Miao et al. | Smart Micro-GaS: A cognitive micro natural gas industrial ecosystem based on mixed blockchain and edge computing | |
| CN113657609B (zh) | 基于区块链与联邦迁移学习的数据管理方法及系统 | |
| CN112149077A (zh) | 基于区块链技术的供应链票据方法、系统和计算机设备 | |
| CN112884562A (zh) | 基于区块链的抵押处理方法、装置及可读存储介质 | |
| CN110866260A (zh) | 一种项目运作管理系统及方法 | |
| CN116645061A (zh) | 基于区块链系统的报关数据处理方法和共识节点 | |
| CN110807188A (zh) | 一种基于区块链的权限管理方法及系统 | |
| CN116450572A (zh) | 一种基于区块链的电力供应链数据存储优化方法及系统 | |
| CN111125775A (zh) | 一种基于区块链对收藏品赋予附加价值的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |