CN115456766A - 信用风险预测方法及装置 - Google Patents

信用风险预测方法及装置 Download PDF

Info

Publication number
CN115456766A
CN115456766A CN202211171443.8A CN202211171443A CN115456766A CN 115456766 A CN115456766 A CN 115456766A CN 202211171443 A CN202211171443 A CN 202211171443A CN 115456766 A CN115456766 A CN 115456766A
Authority
CN
China
Prior art keywords
data
financial
credit risk
feature
client
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
Application number
CN202211171443.8A
Other languages
English (en)
Inventor
杨晟
杨子君
张星汉
李海涛
陈俊
戴一挥
丁一航
姚俊先
杨方
刘济舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Reelsky Data Technology Ltd
Guangdong Federation Of Rural Credit Cooperatives
Original Assignee
Beijing Reelsky Data Technology Ltd
Guangdong Federation Of Rural Credit Cooperatives
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Reelsky Data Technology Ltd, Guangdong Federation Of Rural Credit Cooperatives filed Critical Beijing Reelsky Data Technology Ltd
Priority to CN202211171443.8A priority Critical patent/CN115456766A/zh
Publication of CN115456766A publication Critical patent/CN115456766A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
    • 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
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G06F21/645—Protecting data integrity, e.g. using checksums, certificates or signatures using a third party
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioethics (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供一种信用风险预测方法及装置，涉及机器学习技术领域，所述方法包括：获取待预测客户的人脸特征加密数据和金融特征加密数据；将所述人脸特征加密数据和所述金融特征加密数据输入信用风险状态联合预测模型，获取所述客户的信用风险状态；其中，所述信用风险状态联合预测模型是通过联邦学习对人脸识别机构和金融机构之间的共有客户对应的特征加密数据进行训练获取的。本发明通过将人脸特征加密数据应用于信用风险预测，增加了数据的多样性，提高了信用风险预测的准确度，有效防止第一方欺诈。

Description

信用风险预测方法及装置
技术领域
本发明涉及机器学习技术领域，尤其涉及一种信用风险预测方法及装置。
背景技术
近年来，随着互联网金融的不断发展，信用借贷已经逐渐融入到人们的日常生活中。但这种便利性也为客户尤其是金融行业带来了巨大的潜在风险。因此，对客户进行信用风险预测是金融行业在信用借贷审批中一个非常重要的环节。
传统的金融行业在预测客户信用风险时，主要基于客户历史信贷数据信息反馈客户信用风险是否良好。由于客户历史信贷数据信息比较片面，基于此获得的客户信用风险状态存在准确度不高的问题。
发明内容
针对现有技术存在的问题，本发明提供一种信用风险预测方法及装置。
本发明提供一种信用风险预测方法，包括：
获取待预测客户的人脸特征加密数据和金融特征加密数据；
将所述人脸特征加密数据和所述金融特征加密数据输入信用风险状态联合预测模型，获取所述客户的信用风险状态；
其中，所述信用风险状态联合预测模型是通过联邦学习对人脸识别机构和金融机构之间的共有客户对应的特征加密数据进行训练获取的。
可选地，所述信用风险状态联合预测模型是通过以下步骤获取的：
从人脸识别机构处获取人脸特征数据，并从金融机构处获取金融特征数据；
对所述人脸特征数据和所述金融特征数据进行加密样本对齐，获取所述人脸识别机构和所述金融机构之间的共有客户；
基于所述共有客户获取所述共有客户对应的特征数据；
通过联邦学习对同态加密后的所述共有客户对应的特征数据进行训练，获取所述信用风险状态联合预测模型。
可选地，所述对所述人脸特征数据和所述金融特征数据进行加密样本对齐，获取所述人脸识别机构和所述金融机构之间的共有客户，包括：
对所述人脸特征数据和所述金融特征数据进行加密；
基于哈希算法对加密后的人脸特征数据和金融特征数据进行样本对齐，获取所述人脸识别机构和所述金融机构之间的共有客户。
可选地，所述基于所述共有客户获取所述共有客户对应的特征加密数据，包括：
基于所述共有客户的身份信息和时间信息获取所述共有客户对应的特征加密数据。
可选地，所述人脸特征数据包括以下中至少一项：
视觉识别特征数据；
环境识别特征数据。
可选地，所述金融特征数据包括以下中至少一项：
征信识别特征数据；
客户风险标签。
本发明还提供一种信用风险预测装置，包括：
第一获取模块，用于获取待预测客户的人脸特征加密数据和金融特征加密数据；
第二获取模块，用于将所述人脸特征加密数据和所述金融特征加密数据输入信用风险状态联合预测模型，获取所述客户的信用风险状态；
其中，所述信用风险状态联合预测模型是通过联邦学习对人脸识别机构和金融机构之间的共有客户对应的特征加密数据进行训练获取的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述中的任一项所述信用风险预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述中的任一项所述信用风险预测方法。
本发明还提供一种计算机程序产品，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述中的任一项所述信用风险预测方法。
本发明提供的信用风险预测方法及装置，通过将人脸特征加密数据应用于信用风险预测，增加了数据的多样性，提高了信用风险预测的准确度，有效防止第一方欺诈。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的信用风险预测方法的流程示意图；
图2是本发明实施例提供的共有客户对应的特征数据的获取示意图；
图3是本发明实施例提供的信用风险预测装置的结构示意图；
图4是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
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的信用风险预测方法的流程示意图，如图1所示，本发明提供一种信用风险预测方法，该方法包括：
步骤101，获取待预测客户的人脸特征加密数据和金融特征加密数据。
具体地，由于金融行业的监管和数据安全隐私问题，金融机构和人脸识别机构通常无法直接共享数据，金融数据和人脸数据是孤立存在的，无法将二者进行互通。但是金融机构和人脸识别机构可以对各自具有的原始数据进行加工处理，加工处理之后的数据是可以进行共享互通的，这样既不违背监管政策也满足隐私需求。加工处理可以是特征提取、加密等处理方式。
人脸特征加密数据是人脸识别机构对原始的人脸数据进行特征提取并加密之后的数据，金融特征加密数据是金融机构对原始的金融数据进行特征提取并加密之后的数据。
从人脸识别机构处获取待预测客户的人脸特征加密数据，从金融机构处获取该待预测客户的金融特征加密数据。
步骤102，将所述人脸特征加密数据和所述金融特征加密数据输入信用风险状态联合预测模型，获取所述客户的信用风险状态；
其中，所述信用风险状态联合预测模型是通过联邦学习对人脸识别机构和金融机构之间的共有客户对应的特征加密数据进行训练获取的。
具体地，人脸识别机构和金融机构是不同的行业，给客户提供不同的服务，具有客户不同方面的特征数据。
同一个客户可以在人脸识别机构和金融机构分别产生不同的数据。因此，先获取人脸识别机构和金融机构之间的共有客户，再利用共有客户获取共有客户对应的人脸特征加密数据和金融特征加密数据，最后通过联邦学习对共有客户对应的人脸特征加密数据和金融特征加密数据进行训练，获取信用风险状态联合预测模型。
将待预测客户的人脸特征加密数据和金融特征加密数据输入信用风险状态联合预测模型，获取信用风险状态联合预测模型输出的信用风险状态。
本发明实施例提供的信用风险预测方法，通过将人脸特征加密数据应用于信用风险预测，增加了数据的多样性，提高了信用风险预测的准确度，有效防止第一方欺诈。
可选地，所述信用风险状态联合预测模型是通过以下步骤获取的：
从人脸识别机构处获取人脸特征数据，并从金融机构处获取金融特征数据；
对所述人脸特征数据和所述金融特征数据进行加密样本对齐，获取所述人脸识别机构和所述金融机构之间的共有客户；
基于所述共有客户获取所述共有客户对应的特征数据；
通过联邦学习对同态加密后的所述共有客户对应的特征数据进行训练，获取所述信用风险状态联合预测模型。
具体地，人脸识别机构对人脸数据进行特征提取，得到人脸特征数据。因此，从人脸识别机构处获取人脸特征数据。
可选地，所述人脸特征数据包括以下中至少一项：
视觉识别特征数据；
环境识别特征数据。
具体地，人脸识别机构先对人脸数据进行视觉特征提取，比如面部表情提取、面部妆容提取和衣着服饰提取等，从而获取视觉特征数据；再对提取的视觉特征进行特征识别，识别客户是否过度紧张、是否故意遮挡等，从而获取视觉识别特征数据。
人脸识别机构先对人脸数据进行环境特征提取，比如环境嘈杂度提取、环境氛围提取、所在场所提取等，从而获取环境特征数据；再对提取的环境特征数据进行特征识别，比如客户所处环境是否适当、所在场地与客户身份是否一致等，从而获取环境识别特征数据。
本发明实施例提供的信用风险预测方法，通过获取视觉识别特征数据和环境识别特征数据，有利于提高信用风险预测的准确度。
金融机构对金融数据进行特征提取，得到金融特征数据。因此，从金融机构处获取金融特征数据。
可选地，所述金融特征数据包括以下中至少一项：
征信识别特征数据；
客户风险标签。
具体地，金融机构先对金融数据进行征信特征提取，比如征信情况提取、还款行为提取和催收数据提取等，从而获取征信特征数据；再对征信特征数据进行识别，比如客户的还款意愿是否积极、客户的还款能力是否满足金融机构的要求等，从而获取征信识别特征数据。
金融机构先对金融数据中的银行贷后数据进行客户履约情况提取，再对客户履约情况进行迁徙矩阵及账龄分析，基于迁徙矩阵及账龄分析确定客户风险标签。
客户风险标签包含好客户标签、坏客户标签和不确定客户标签等。
本发明实施例提供的信用风险预测方法，通过获取征信识别特征数据和客户风险标签，有利于提高信用风险预测的准确度。
在获取人脸特征数据和金融特征数据之后，对人脸特征数据和金融特征数据进行加密样本对齐，找出二者之间的重叠数据，基于重叠数据获取人脸识别机构和金融机构之间的共有客户。
可选地，所述对所述人脸特征数据和所述金融特征数据进行加密样本对齐，获取所述人脸识别机构和所述金融机构之间的共有客户，包括：
对所述人脸特征数据和所述金融特征数据进行加密；
基于哈希算法对加密后的人脸特征数据和金融特征数据进行样本对齐，获取所述人脸识别机构和所述金融机构之间的共有客户。
具体地，基于Blind RSA加密算法对人脸特征数据和金融特征数据进行加密。
利用哈希算法对加密后的人脸特征数据和金融特征数据进行哈希计算处理，使得二者的数据长度相同即完成样本对齐。
将完成样本对齐之后的人脸特征数据和金融特征数据进行匹配，获取二者之间重叠的数据，基于重叠数据获取人脸识别机构和金融机构之间的共有客户。
本发明实施例提供的信用风险预测方法，通过对人脸特征数据和金融特征数据进行加密样本对齐，获取人脸识别机构和金融机构之间的共有客户，为确定信用风险状态联合预测模型的训练数据提供基础。
获取人脸识别机构和金融机构之间的共有客户之后，从人脸识别机构处获取共有客户对应的人脸特征数据，从金融机构处获取共有客户对应的金融特征数据，将二者进行整合，获取共有客户对应的特征数据。图2是本发明实施例提供的共有客户对应的特征数据的获取示意图，如图2所示，金融机构中有客户1、客户2和客户3，每个客户具有特征1、特征2和风险标识；人脸识别机构中有客户1、客户2和客户4，每个客户具有特征3、特征4和特征5。
由此可知，人脸识别机构和金融机构之间的共有客户为客户1和客户2，将客户1分别在人脸识别机构和金融机构的特征数据进行整合，将客户2分别在人脸识别机构和金融机构的特征数据进行整合，从而得到了共有客户对应的特征数据。
可选地，所述基于所述共有客户获取所述共有客户对应的特征数据，包括：
基于所述共有客户的身份信息和时间信息获取所述共有客户对应的特征数据。
具体地，由于共有客户对应的特征数据中存在无用数据，无用数据可以是距离当前时间久远的特征数据，比如将存在年限在10年以上的特征数据作为无用数据，因此需要对共有客户对应的特征数据进行筛选，以获取真正有用的特征数据。
可以利用共有客户的身份信息和时间信息进行筛选，身份信息可以是身份证信息。
先利用身份信息锁定客户，再利用时间信息将锁定的客户对应的特征信息根据预设的时间阈值进行筛选，获取真正有用的共有客户对应的特征数据。
本发明实施例提供的信用风险预测方法，通过共有客户的身份信息和时间信息获取正有用的共有客户对应的特征数据，进一步有利于提高信用风险预测的准确度。
对共有客户对应的特征数据进行筛选之后，利用同态加密对筛选之后共有客户对应的特征数据进行加密，获取共有客户对应的特征加密数据。
同态加密是一种允许在加密之后的密文上直接进行计算，且密文的计算结果在解密后与明文的计算结果一致的加密算法。这个特殊属性对于保护信息的安全具有重要意义，利用同态加密技术可以先对多个密文进行计算之后再解密，不必对每一个密文解密而花费高昂的计算代价；利用同态加密技术可以实现无密钥方对密文的计算，密文计算无须经过密钥方，既可以减少通信代价，又可以转移计算任务，由此可平衡各方的计算代价，利用同态加密技术可以实现让解密方只能获知最后的结果，而无法获得每一个密文的消息，可以提高信息的安全性。
目前云计算应用中，从安全角度来说，不能将密钥信息直接放到第三方平台上进行处理，通过实用的同态加密技术，可以让参与到联邦学习的各方放心使用各种云服务，同时各种数据在分析过程中也不会泄露用户隐私。第三方平台对加密后的数据处理后得到加密后的处理结果，这个结果只有用户自身可以进行解密，整个过程第三方平台无法获知任何有效的数据信息。
获取共有客户对应的特征加密数据之后，构建卷积循环神经网络，通过联邦学习对共有客户对应的特征加密数据进行训练，训练好之后的卷积循环神经网络即为信用风险状态联合预测模型。
信用风险状态联合预测模型的具体训练过程如下：
第一步，协调者创建密钥对，并将公共密钥发送给人脸识别机构和金融机构。
第二步，人脸识别机构和金融机构对中间结果进行加密和交换，中间结果包含模型参数，中间结果用来帮助计算梯度和损失值。
第三步，人脸识别机构和金融机构分别对各自计算出的梯度和损失值进行加密，得到加密梯度和加密损失，并给加密梯度加入附加掩码(additional mask)，人脸识别机构和金融机构分别将各自的加密梯度和加密损失发送给协调者。
第四步，协调者对获取的加密梯度和加密损失进行解密，并将解密后的梯度信息和损失信息发送给人脸识别机构和金融机构，人脸识别机构和金融机构各自解除梯度信息上的掩码信息，并根据解除掩码之后的梯度信息更新模型参数。
在最开始训练卷积循环神经网络时，人脸识别机构和金融机构各自使用自己有的共有客户对应的特征加密数据进行训练，初始化各自的模型参数，开始计算之后，需要引入一个第三方即协调者。
协调者最开始需要下发一个公共密钥给到人脸识别机构和金融机构，人脸识别机构和金融机构将计算出来模型中间结果经过公共密钥加密后发送给对方。然后人脸识别机构和金融机构再计算各自的下降梯度，并给梯度加一些附加掩码，附加掩码可以是随机数，附加掩码可以防止协调者直接获取梯度信息，再将包含附加掩码的梯度进行加密，在加密后上传给协调者，协调者进行解密后汇总双方结果得到一个最终的梯度值然后再回传给双方，人脸识别机构和金融机构在收到最终的梯度值后减去最开始加上的附加掩码得到真实最终的梯度值，再根据最终的梯度值更新模型的参数。
循环重复模型训练过程，直到最终模型收敛才停止训练，最终人脸识别机构处的卷积循环神经网络模型的参数和金融机构的卷积循环神经网络模型的参数都更新完毕，将两处的模型参数结合在一起就是可以得到一个信用风险状态联合预测模型。
下面对本发明提供的信用风险预测装置进行描述，下文描述的信用风险预测装置与上文描述的信用风险预测方法可相互对应参照。
图3是本发明实施例提供的信用风险预测装置的结构示意图，如图3所示，本发明还提供一种信用风险预测装置，包括：第一获取模块301和第二获取模块302，其中：
第一获取模块301，用于获取待预测客户的人脸特征加密数据和金融特征加密数据；
第二获取模块302，用于将所述人脸特征加密数据和所述金融特征加密数据输入信用风险状态联合预测模型，获取所述客户的信用风险状态；
其中，所述信用风险状态联合预测模型是通过联邦学习对人脸识别机构和金融机构之间的共有客户对应的特征加密数据进行训练获取的。
可选地，所述装置还包括：第三获取模块、第四获取模块和第五获取模块和第六获取模块；其中：
所述第三获取模块用于从人脸识别机构处获取人脸特征数据，并从金融机构处获取金融特征数据；
所述第四获取模块用于对所述人脸特征数据和所述金融特征数据进行加密样本对齐，获取所述人脸识别机构和所述金融机构之间的共有客户；
所述第五获取模块用于基于所述共有客户获取所述共有客户对应的特征数据；
所述第六获取模块用于通过联邦学习对同态加密后的所述共有客户对应的特征数据进行训练，获取所述信用风险状态联合预测模型。
可选地，所述第四获取模块具体用于对所述人脸特征数据和所述金融特征数据进行加密；基于哈希算法对加密后的人脸特征数据和金融特征数据进行样本对齐，获取所述人脸识别机构和所述金融机构之间的共有客户。
可选地，所述第五获取模块具体用于基于所述共有客户的身份信息和时间信息获取所述共有客户对应的特征加密数据。
可选地，所述人脸特征数据包括以下中至少一项：
视觉识别特征数据；
环境识别特征数据。
可选地，所述金融特征数据包括以下中至少一项：
征信识别特征数据；
客户风险标签。
具体来说，本发明实施例提供的信用风险预测装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图4是本发明实施例提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行信用风险预测方法，该方法包括：获取待预测客户的人脸特征加密数据和金融特征加密数据；将所述人脸特征加密数据和所述金融特征加密数据输入信用风险状态联合预测模型，获取所述客户的信用风险状态；其中，所述信用风险状态联合预测模型是通过联邦学习对人脸识别机构和金融机构之间的共有客户对应的特征加密数据进行训练获取的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明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，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的信用风险预测方法，该方法包括：获取待预测客户的人脸特征加密数据和金融特征加密数据；将所述人脸特征加密数据和所述金融特征加密数据输入信用风险状态联合预测模型，获取所述客户的信用风险状态；其中，所述信用风险状态联合预测模型是通过联邦学习对人脸识别机构和金融机构之间的共有客户对应的特征加密数据进行训练获取的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的信用风险预测方法，该方法包括：获取待预测客户的人脸特征加密数据和金融特征加密数据；将所述人脸特征加密数据和所述金融特征加密数据输入信用风险状态联合预测模型，获取所述客户的信用风险状态；其中，所述信用风险状态联合预测模型是通过联邦学习对人脸识别机构和金融机构之间的共有客户对应的特征加密数据进行训练获取的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
本申请实施例中术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种信用风险预测方法，其特征在于，包括：
获取待预测客户的人脸特征加密数据和金融特征加密数据；
将所述人脸特征加密数据和所述金融特征加密数据输入信用风险状态联合预测模型，获取所述客户的信用风险状态；
其中，所述信用风险状态联合预测模型是通过联邦学习对人脸识别机构和金融机构之间的共有客户对应的特征加密数据进行训练获取的。
2.根据权利要求1所述的信用风险预测方法，其特征在于，所述信用风险状态联合预测模型是通过以下步骤获取的：
从人脸识别机构处获取人脸特征数据，并从金融机构处获取金融特征数据；
对所述人脸特征数据和所述金融特征数据进行加密样本对齐，获取所述人脸识别机构和所述金融机构之间的共有客户；
基于所述共有客户获取所述共有客户对应的特征数据；
通过联邦学习对同态加密后的所述共有客户对应的特征数据进行训练，获取所述信用风险状态联合预测模型。
3.根据权利要求2所述的信用风险预测方法，其特征在于，所述对所述人脸特征数据和所述金融特征数据进行加密样本对齐，获取所述人脸识别机构和所述金融机构之间的共有客户，包括：
对所述人脸特征数据和所述金融特征数据进行加密；
基于哈希算法对加密后的人脸特征数据和金融特征数据进行样本对齐，获取所述人脸识别机构和所述金融机构之间的共有客户。
4.根据权利要求2所述的信用风险预测方法，其特征在于，所述基于所述共有客户获取所述共有客户对应的特征加密数据，包括：
基于所述共有客户的身份信息和时间信息获取所述共有客户对应的特征加密数据。
5.根据权利要求2所述的信用风险预测方法，其特征在于，所述人脸特征数据包括以下中至少一项：
视觉识别特征数据；
环境识别特征数据。
6.根据权利要求2所述的信用风险预测方法，其特征在于，所述金融特征数据包括以下中至少一项：
征信识别特征数据；
客户风险标签。
7.一种信用风险预测装置，其特征在于，包括：
第一获取模块，用于获取待预测客户的人脸特征加密数据和金融特征加密数据；
第二获取模块，用于将所述人脸特征加密数据和所述金融特征加密数据输入信用风险状态联合预测模型，获取所述客户的信用风险状态；
其中，所述信用风险状态联合预测模型是通过联邦学习对人脸识别机构和金融机构之间的共有客户对应的特征加密数据进行训练获取的。
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如权利要求1至6中的任一项所述信用风险预测方法。
9.一种非暂态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6中的任一项所述信用风险预测方法。
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如权利要求1至6中的任一项所述信用风险预测方法。
CN202211171443.8A 2022-09-23 2022-09-23 信用风险预测方法及装置 Pending CN115456766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211171443.8A CN115456766A (zh) 2022-09-23 2022-09-23 信用风险预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211171443.8A CN115456766A (zh) 2022-09-23 2022-09-23 信用风险预测方法及装置

Publications (1)

Publication Number Publication Date
CN115456766A true CN115456766A (zh) 2022-12-09

Family

ID=84305979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211171443.8A Pending CN115456766A (zh) 2022-09-23 2022-09-23 信用风险预测方法及装置

Country Status (1)

Country Link
CN (1) CN115456766A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116566745A (zh) * 2023-07-11 2023-08-08 国网湖北省电力有限公司武汉供电公司 一种基于区块链的数据共享与监测系统及方法
CN117372151A (zh) * 2023-10-26 2024-01-09 上海腾桥信息技术有限公司 违约风险预测模型的训练方法、预测方法、系统及其设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116566745A (zh) * 2023-07-11 2023-08-08 国网湖北省电力有限公司武汉供电公司 一种基于区块链的数据共享与监测系统及方法
CN116566745B (zh) * 2023-07-11 2023-10-13 国网湖北省电力有限公司武汉供电公司 一种基于区块链的数据共享与监测系统及方法
CN117372151A (zh) * 2023-10-26 2024-01-09 上海腾桥信息技术有限公司 违约风险预测模型的训练方法、预测方法、系统及其设备

Similar Documents

Publication Publication Date Title
EP3933737B1 (en) Server based biometric authentication
WO2022206510A1 (zh) 联邦学习的模型训练方法、装置、设备及存储介质
CN111466097B (zh) 服务器辅助式隐私保护生物统计比较
Rahulamathavan et al. Privacy-preserving multi-class support vector machine for outsourcing the data classification in cloud
CN115456766A (zh) 信用风险预测方法及装置
CN105868678B (zh) 人脸识别模型的训练方法及装置
CN109660501A (zh) 用于提供基于区块链的多因素个人身份验证的系统和方法
CN113516256A (zh) 基于秘密共享、同态加密的无第三方联邦学习方法及系统
CN111680676B (zh) 训练人脸识别模型、图像注册、人脸识别方法和装置
CN114936650A (zh) 基于隐私保护的联合训练业务模型的方法及装置
CN112101531B (zh) 基于隐私保护的神经网络模型训练方法、装置及系统
EP4185976A1 (en) Facial recognition tokenization
CN114372871A (zh) 信用评分值的确定方法及其装置、电子设备及存储介质
Manisha et al. CBRC: a novel approach for cancelable biometric template generation using random permutation and Chinese Remainder Theorem
Upadhyay et al. Auditing metaverse requires multimodal deep learning
CN117436047A (zh) 验证码生成方法、装置、计算机设备和存储介质
CN113537516B (zh) 分布式机器学习模型的训练方法、装置、设备和介质
Hachim et al. Iris-based authentication model in cloud environment (iamce)
Sumaryanti et al. Improvement security in e-business systems using hybrid algorithm
CN115280309A (zh) 用于认证的方法、系统和计算机程序产品
Sheikh et al. ATM & Biometric Solutions: A Case Study
Das et al. An Efficient Visual Cryptography Approach for Intermodal Biometric Verification
Jogdand et al. Iot transaction security
Tao et al. Privacy-preserving outsourcing scheme of face recognition based on locally linear embedding
Yassin Efficiency and flexibility of fingerprint scheme using partial encryption and discrete wavelet transform to verify user in cloud computing

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