CN116596656A - 信用识别模型确定方法、信用识别方法、装置和设备 - Google Patents
信用识别模型确定方法、信用识别方法、装置和设备 Download PDFInfo
- Publication number
- CN116596656A CN116596656A CN202310524658.1A CN202310524658A CN116596656A CN 116596656 A CN116596656 A CN 116596656A CN 202310524658 A CN202310524658 A CN 202310524658A CN 116596656 A CN116596656 A CN 116596656A
- Authority
- CN
- China
- Prior art keywords
- local
- credit
- terminal
- model
- model parameters
- 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 88
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及区块链技术领域,提供了一种信用识别模型确定方法、信用识别方法、装置、计算机设备、存储介质和计算机程序产品,可具体应用于金融领域或其他相关领域。本申请能够实现提高确定信用识别模型的安全性和准确性。该方法包括:获取金融系统中的初始信用识别模型;利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到局部信用识别模型;将局部信用识别模型中的局部模型参数上传至区块链;第二终端用于从区块链中获取各第一终端的局部信用识别模型中的局部模型参数,并利用各局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
Description
技术领域
本申请涉及区块链技术领域,特别是涉及一种信用识别模型确定方法、信用识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着信息技术的发展,金融服务为社会经济发展作出了很大的贡献。在金融服务中,如何准确地对需求方的信用进行识别,成为了重要的研究方向。
传统技术中,通过从不同信息部门处获取需求方的多方面的信息,根据需求方的多方面的信息,构建出信用识别模型;但是,该技术由于涉及需求方的信息的交互,存在信息安全的风险,所以通过该技术确定信用识别模型的安全性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种信用识别模型确定方法、信用识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种信用识别模型确定方法。应用于第一终端,所述方法包括:
获取金融系统中的初始信用识别模型;所述初始信用识别模型中包含初始模型参数;
利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;
将所述第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;所述第二终端用于从所述区块链中获取各所述第一终端对应的局部信用识别模型中的局部模型参数,并利用各所述第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
在其中一个实施例中,所述将所述第一终端对应的局部信用识别模型中的局部模型参数上传至区块链,包括:
对所述第一终端对应的局部信用识别模型中的局部模型参数进行加密处理,得到所述第一终端的加密局部模型参数;
将所述第一终端的加密局部模型参数上传至区块链,并将所述第一终端的加密局部模型参数对应的解密信息发送至所述第二终端;所述第二终端用于从所述区块链中获取各所述第一终端的加密局部模型参数,在各所述第一终端的加密局部模型参数对应的解密信息满足解密阈值条件的情况下,利用各所述第一终端的加密局部模型参数对应的解密信息,对各所述第一终端的加密局部模型参数进行解密处理,得到各所述第一终端对应的局部信用识别模型中的局部模型参数。
在其中一个实施例中,在利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型之前,还包括:
根据各所述第一终端本地存储的与初始样本用户对应的用户标记,从所述初始样本用户中,确定出各所述第一终端的共同样本用户;
根据所述共同样本用户的用户标记,确定出所述第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息;
将所述第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息,作为所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息。
在其中一个实施例中,所述利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型,包括:
根据所述第一终端本地存储的与样本用户对应的局部用户信息的信息维度,从所述初始信用识别模型中的初始模型参数中,确定出与所述信息维度对应的模型参数,作为所述初始模型参数中的部分模型参数;
利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述部分模型参数的更新后模型参数;
根据所述部分模型参数的更新后模型参数,确定所述第一终端对应的局部信用识别模型。
第二方面,本申请提供了一种信用识别模型确定方法。应用于第二终端,所述方法包括:
从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数;所述各第一终端分别用于获取金融系统中的初始信用识别模型,并利用所述各第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述各第一终端对应的局部信用识别模型,并将所述各第一终端对应的局部信用识别模型中的局部模型参数上传至所述区块链;所述初始信用识别模型中包含初始模型参数;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;
利用所述各第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
在其中一个实施例中,所述从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数,包括:
分别接收所述各第一终端发送的所述各第一终端的加密局部模型参数对应的解密信息,并从区块链中获取所述各第一终端上传的所述各第一终端的加密局部模型参数;所述各第一终端的加密局部模型参数分别由所述各第一终端对所述各第一终端对应的局部信用识别模型中的局部模型参数进行加密处理得到;
在所述各第一终端的加密局部模型参数对应的解密信息满足解密阈值条件的情况下,利用所述各第一终端的加密局部模型参数对应的解密信息,对所述各第一终端的加密局部模型参数进行解密处理,得到所述各第一终端对应的局部信用识别模型中的局部模型参数。
在其中一个实施例中,所述利用所述各第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型,包括:
利用所述各第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到更新后的信用识别模型;
在所述更新后的信用识别模型满足预设收敛条件的情况下,将所述更新后的信用识别模型作为目标信用识别模型。
第三方面,本申请提供了一种信用识别方法。所述方法包括:
获取当前用户的当前用户信息;
将所述当前用户的当前用户信息输入至目标信用识别模型中进行信用识别,得到所述当前用户的预测信用信息;所述目标信用识别模型通过第一方面和/或第二方面所述的信用识别模型确定方法得到。
第四方面,本申请还提供了一种信用识别模型确定装置。应用于第一终端,所述装置包括:
模型获取模块,用于获取金融系统中的初始信用识别模型;所述初始信用识别模型中包含初始模型参数;
模型训练模块,用于利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;
参数上传模块,用于将所述第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;所述第二终端用于从所述区块链中获取各所述第一终端对应的局部信用识别模型中的局部模型参数,并利用各所述第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
第五方面,本申请还提供了一种信用识别模型确定装置。应用于第二终端,所述装置包括:
参数获取模块,用于从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数;所述各第一终端分别用于获取金融系统中的初始信用识别模型,并利用所述各第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述各第一终端对应的局部信用识别模型,并将所述各第一终端对应的局部信用识别模型中的局部模型参数上传至所述区块链;所述初始信用识别模型中包含初始模型参数;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;
参数更新模块,用于利用所述各第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
第六方面,本申请还提供了一种信用识别装置。所述装置包括:
信息获取模块,用于获取当前用户的当前用户信息;
信息输入模块,用于将所述当前用户的当前用户信息输入至目标信用识别模型中进行信用识别,得到所述当前用户的预测信用信息;所述目标信用识别模型通过第一方面和/或第二方面所述的信用识别模型确定方法得到。
第七方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取金融系统中的初始信用识别模型;所述初始信用识别模型中包含初始模型参数;利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;将所述第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;所述第二终端用于从所述区块链中获取各所述第一终端对应的局部信用识别模型中的局部模型参数,并利用各所述第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
第八方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数;所述各第一终端分别用于获取金融系统中的初始信用识别模型,并利用所述各第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述各第一终端对应的局部信用识别模型,并将所述各第一终端对应的局部信用识别模型中的局部模型参数上传至所述区块链;所述初始信用识别模型中包含初始模型参数;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;利用所述各第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
第九方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取当前用户的当前用户信息;将所述当前用户的当前用户信息输入至目标信用识别模型中进行信用识别,得到所述当前用户的预测信用信息;所述目标信用识别模型通过第一方面和/或第二方面所述的信用识别模型确定方法得到。
第十方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取金融系统中的初始信用识别模型;所述初始信用识别模型中包含初始模型参数;利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;将所述第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;所述第二终端用于从所述区块链中获取各所述第一终端对应的局部信用识别模型中的局部模型参数,并利用各所述第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
第十一方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数;所述各第一终端分别用于获取金融系统中的初始信用识别模型,并利用所述各第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述各第一终端对应的局部信用识别模型,并将所述各第一终端对应的局部信用识别模型中的局部模型参数上传至所述区块链;所述初始信用识别模型中包含初始模型参数;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;利用所述各第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
第十二方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取当前用户的当前用户信息;将所述当前用户的当前用户信息输入至目标信用识别模型中进行信用识别,得到所述当前用户的预测信用信息;所述目标信用识别模型通过第一方面和/或第二方面所述的信用识别模型确定方法得到。
第十三方面,本申请还提供了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,该计算机程序被处理器执行时实现以下步骤:
获取金融系统中的初始信用识别模型;所述初始信用识别模型中包含初始模型参数;利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;将所述第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;所述第二终端用于从所述区块链中获取各所述第一终端对应的局部信用识别模型中的局部模型参数,并利用各所述第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
第十四方面,本申请还提供了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,该计算机程序被处理器执行时实现以下步骤:
从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数;所述各第一终端分别用于获取金融系统中的初始信用识别模型,并利用所述各第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述各第一终端对应的局部信用识别模型,并将所述各第一终端对应的局部信用识别模型中的局部模型参数上传至所述区块链;所述初始信用识别模型中包含初始模型参数;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;利用所述各第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
第十五方面,本申请还提供了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,该计算机程序被处理器执行时实现以下步骤:
获取当前用户的当前用户信息;将所述当前用户的当前用户信息输入至目标信用识别模型中进行信用识别,得到所述当前用户的预测信用信息;所述目标信用识别模型通过第一方面和/或第二方面所述的信用识别模型确定方法得到。
上述信用识别模型确定方法、信用识别方法、装置、计算机设备、存储介质和计算机程序产品,获取金融系统中的初始信用识别模型;所述初始信用识别模型中包含初始模型参数;利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;将所述第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;所述第二终端用于从所述区块链中获取各所述第一终端对应的局部信用识别模型中的局部模型参数,并利用各所述第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。该方案通过第一终端利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到第一终端对应的局部优化后的局部信用识别模型,只需将第一终端对应的局部信用识别模型中的局部模型参数上传至区块链,无需上传样本用户的信息,从而保证了样本用户的信息的安全性和隐私性,第二终端从区块链中获取各第一终端对应的已局部优化后的局部信用识别模型中的局部模型参数,利用各第一终端对应的已优化的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到全局更新后的目标信用识别模型,从而有利于提高确定信用识别模型的安全性和准确性。
附图说明
图1为一个实施例中信用识别模型确定方法的应用环境图;
图2为一个实施例中信用识别模型确定方法的流程示意图;
图3为另一个实施例中信用识别模型确定方法的应用环境图;
图4为另一个实施例中信用识别模型确定方法的流程示意图;
图5为一个实施例中信用识别方法的流程示意图;
图6为一个实施例中信用识别模型确定装置的结构框图;
图7为另一个实施例中信用识别模型确定装置的结构框图;
图8为一个实施例中信用识别装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的信用识别模型确定方法及信用识别方法,可以应用于如图1所示的应用环境中。该应用场景可以包括:第一终端、区块链和第二终端,第一终端和区块链可以进行通信连接,第二终端和区块链可以进行通信连接。具体的,第一终端获取金融系统中的初始信用识别模型,利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到第一终端对应的局部信用识别模型,将第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;第二终端从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数,利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。其中,第一终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑;第二终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑;区块链可以用多个服务器组成的服务器集群来实现,其中多个服务器可组成为一区块链,而服务器为区块链上的节点。
在一个实施例中,如图2所示,提供了一种信用识别模型确定方法,以该方法应用于图1中的第一终端为例进行说明,包括以下步骤:
步骤S201,获取金融系统中的初始信用识别模型。
本步骤中,初始信用识别模型中包含初始模型参数,例如,初始信用识别模型可以是初始化模型LR0,初始化模型
LR0=ζ+θ1x1′+θ2x2′+...θkxk′,
其中ζ可以是设置的常数,θ1至θk可以是指初始模型参数,x1'至xk'可以是指输入至模型的不同维度的信息,例如用户对应的不同维度的用户信息,其中不同维度的用户信息可以是资源存储信息、信用信息、账单信息等。
具体的,如图3所示,初始信用识别模型的发布方(发布方可以是第三终端或服务器)在区块链中发布金融系统中的初始信用识别模型,第一终端从区块链中下载金融系统中的初始信用识别模型。
步骤S202,利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到第一终端对应的局部信用识别模型。
本步骤中,局部信用识别模型中包含局部模型参数;局部模型参数为初始模型参数中的部分模型参数的更新后模型参数;第一终端本地存储的与样本用户对应的局部用户信息可以是指在第一终端的本地数据库中存储的样本用户信息中,与样本用户相关的局部用户信息,其中局部用户信息可以是样本用户的不同维度的用户信息中的一种或多种维度的信息,可以包括资源存储信息、信用信息、账单信息等;第一终端本地存储的与样本用户对应的真实信用信息可以是指在第一终端的本地数据库中存储的样本用户的真实信用信息,例如样本用户的真实信用值。
具体的,第一终端将第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,输入至初始信用识别模型中,对初始信用识别模型进行训练,得到训练后的初始信用识别模型,作为第一终端对应的局部信用识别模型。
步骤S203,将第一终端对应的局部信用识别模型中的局部模型参数上传至区块链。
本步骤中,第二终端用于从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数,并利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型;局部模型参数可以是初始模型参数中的部分模型参数的更新后模型参数,例如,模型参数θ1至θk中只有部分模型参数更新了,那么上传至区块链的局部模型参数可以只是进行了更新的模型参数,也可以是更新后的局部信用识别模型中的所有模型参数,其中没有进行更新的模型参数可以用0的方式来表示。
具体的,第一终端将第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;第二终端从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数,并利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
上述信用识别模型确定方法中,获取金融系统中的初始信用识别模型;初始信用识别模型中包含初始模型参数;利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到第一终端对应的局部信用识别模型;局部信用识别模型中包含局部模型参数;局部模型参数为初始模型参数中的部分模型参数的更新后模型参数;将第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;第二终端用于从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数,并利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。该方案通过第一终端利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到第一终端对应的局部优化后的局部信用识别模型,只需将第一终端对应的局部信用识别模型中的局部模型参数上传至区块链,无需上传样本用户的信息,从而保证了样本用户的信息的安全性和隐私性,第二终端从区块链中获取各第一终端对应的已局部优化后的局部信用识别模型中的局部模型参数,利用各第一终端对应的已优化的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到全局更新后的目标信用识别模型,从而有利于提高确定信用识别模型的安全性和准确性。
在一个实施例中,在步骤S203中,将第一终端对应的局部信用识别模型中的局部模型参数上传至区块链,具体包括如下内容:对第一终端对应的局部信用识别模型中的局部模型参数进行加密处理,得到第一终端的加密局部模型参数;将第一终端的加密局部模型参数上传至区块链,并将第一终端的加密局部模型参数对应的解密信息发送至第二终端;第二终端用于从区块链中获取各第一终端的加密局部模型参数,在各第一终端的加密局部模型参数对应的解密信息满足解密阈值条件的情况下,利用各第一终端的加密局部模型参数对应的解密信息,对各第一终端的加密局部模型参数进行解密处理,得到各第一终端对应的局部信用识别模型中的局部模型参数。
本实施例中,第一终端的加密局部模型参数可以是利用公钥对第一终端对应的局部信用识别模型中的局部模型参数进行加密处理,得到的加密局部模型参数;解密信息可以是指加密对应的用于解密的信息,例如私钥,可以是指秘密份额,举例来说,发布方运用秘密共享技术将门限密码算法的私钥skm分成n份(n可以是第一终端的数量),得到n份秘密份额,分别将每份秘密份额分发给各个第一终端(各个第一终端可以是指不同机构对应的第一终端,例如A机构的第一终端、B机构的第一终端、C机构的第一终端等);解密阈值条件可以是指设定的秘密份额的数量,例如,需要满足设定数量的解密信息(秘密份额)才能对加密局部模型参数进行解密处理。
具体的,第一终端对第一终端对应的局部信用识别模型中的局部模型参数进行加密处理,得到第一终端的加密局部模型参数;将第一终端的加密局部模型参数上传至区块链,并将第一终端的加密局部模型参数对应的解密信息发送至第二终端;第二终端从区块链中获取多个第一终端的加密局部模型参数,并接收多个第一终端发送的解密信息,在多个第一终端的加密局部模型参数对应的解密信息满足解密阈值条件的情况下,利用接收到的多个第一终端的加密局部模型参数对应的解密信息,对获取到的多个第一终端的加密局部模型参数进行协同解密处理,得到多个第一终端对应的局部信用识别模型中的局部模型参数。
本实施例的技术方案,通过第一终端对局部信用识别模型中的局部模型参数进行加密处理,将加密后的加密局部模型参数上传至区块链,并提供对应的解密信息至第二终端,第二终端从区块链中获取多个第一终端更新后的加密局部模型参数,并在获取到满足解密阈值条件的解密信息的情况下,即表示已得到足够数量的第一终端的协同解密的同意,将获取到的多个解密信息,对多个第一终端的加密局部模型参数进行协同解密处理,得到解密后的多个局部模型参数,有利于提高局部模型参数传输的安全性,从而有利于后续提高确定信用识别模型的安全性。
在一个实施例中,上述步骤S202,在利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到第一终端对应的局部信用识别模型之前,还包括确定第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息的步骤,具体包括如下内容:根据各第一终端本地存储的与初始样本用户对应的用户标记,从初始样本用户中,确定出各第一终端的共同样本用户;根据共同样本用户的用户标记,确定出第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息;将第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息,作为第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息。
本实施例中,用户标记可以是指用户的ID(名称),也可以是其他能够表示用户的唯一标记;共同样本用户可以是各第一终端都存储有对应的信息的样本用户。
具体的,第一终端根据各第一终端本地存储的与初始样本用户对应的用户标记,从各第一终端(其中,发布方也可以属于第一终端)的初始样本用户中,确定出各第一终端的共同样本用户;根据共同样本用户的用户标记,确定出第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息;将第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息,作为第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息。
本实施例的技术方案,通过先确定出各第一终端之间的共同样本用户,将共同样本用户对应的局部用户信息和真实信用信息,作为第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,有利于确定出更有效的用于对初始信用识别模型训练的局部用户信息和真实信用信息,从而有利于后续提高确定信用识别模型的准确性。
在一个实施例中,在步骤S202中,利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到第一终端对应的局部信用识别模型,具体包括如下内容:根据第一终端本地存储的与样本用户对应的局部用户信息的信息维度,从初始信用识别模型中的初始模型参数中,确定出与信息维度对应的模型参数,作为初始模型参数中的部分模型参数;利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到部分模型参数的更新后模型参数;根据部分模型参数的更新后模型参数,确定第一终端对应的局部信用识别模型。
本实施例中,局部用户信息的信息维度可以是指局部用户信息的信息类型,例如属于资源存储信息、信用信息、账单信息等中的哪一种信息维度;各模型参数可以分别与一个信息维度对应。
具体的,第一终端确定出第一终端本地存储的与样本用户对应的局部用户信息所属的信息维度,根据第一终端本地存储的与样本用户对应的局部用户信息所属的信息维度,从初始信用识别模型中的初始模型参数中,确定出与信息维度对应的模型参数,作为初始模型参数中的部分模型参数;利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,训练后得到部分模型参数的更新后模型参数;将部分模型参数的更新后模型参数,替换初始信用识别模型中的对应位置的模型参数,得到第一终端对应的局部信用识别模型。
本实施例的技术方案,通过根据第一终端本地存储的与样本用户对应的局部用户信息所属的信息维度,确定出初始模型参数中与该所属的信息维度对应的部分模型参数,对初始信用识别模型进行训练,训练后得到部分模型参数更新后的模型参数,并确定出第一终端对应的局部信用识别模型,有利于提高确定第一终端对应的局部信用识别模型和更新后模型参数的准确性,从而有利于后续提高确定信用识别模型的准确性。
在一个实施例中,如图4所示,提供了一种信用识别模型确定方法,以该方法应用于图1中的第二终端为例进行说明,包括以下步骤:
步骤S401,从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数;各第一终端分别用于获取金融系统中的初始信用识别模型,并利用各第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到各第一终端对应的局部信用识别模型,并将各第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;初始信用识别模型中包含初始模型参数;局部信用识别模型中包含局部模型参数;局部模型参数为初始模型参数中的部分模型参数的更新后模型参数。
其中,第二终端可以是从各第一终端中选取出的终端。
具体的,各第一终端分别获取金融系统中的初始信用识别模型,并利用各第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到各第一终端对应的局部信用识别模型,并将各第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;第二终端从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数。
步骤S402,利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
具体的,第二终端对各第一终端对应的局部信用识别模型中的局部模型参数进行聚合,将聚合后的局部模型参数,替换初始信用识别模型中的初始模型参数,得到目标信用识别模型。
示例性的,第二终端获取各第一终端对应的局部信用识别模型中的局部模型参数之后,对于同一维度,如果有多个参数,则可以通过聚合的方式(例如取平均值的方式),求得该维度的聚合参数,来表示为该维度的参数;对于同一维度,如果只有一个参数,则直接用该参数来表示为该维度的参数;将各维度的参数进行聚合之后,得到各维度的聚合参数,分别将各维度的聚合参数对应替换初始信用识别模型中的初始模型参数(例如针对每一维度,将该维度的聚合参数替换初始信用识别模型中的初始模型参数),得到目标信用识别模型。
举例来说,例如只有三个参与方(第一终端)a、b、c,其中a计算出了模型的参数为β0a、β1a、β2a……βka,b计算出了模型的参数为β0b、β1b、β2b……βkb,c计算出了模型的参数为β0c、β1c、β2c……βkc,然后聚合的过程是最终的参数(β0、β1、β2……βk)为β0=(β0a+β0b+β0c)/3,β1=(β1a+β1b+β1c)/3,β2=(β2a+β2b+β2c)/3,βk=(βka+βkb+βkc)/3。
上述信用识别模型确定方法中,第一终端获取金融系统中的初始信用识别模型;初始信用识别模型中包含初始模型参数;利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到第一终端对应的局部信用识别模型;局部信用识别模型中包含局部模型参数;局部模型参数为初始模型参数中的部分模型参数的更新后模型参数;将第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;第二终端从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数,并利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。该方案通过第一终端利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到第一终端对应的局部优化后的局部信用识别模型,只需将第一终端对应的局部信用识别模型中的局部模型参数上传至区块链,无需上传样本用户的信息,从而保证了样本用户的信息的安全性和隐私性,第二终端从区块链中获取各第一终端对应的已局部优化后的局部信用识别模型中的局部模型参数,利用各第一终端对应的已优化的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到全局更新后的目标信用识别模型,从而有利于提高确定信用识别模型的安全性和准确性。
在一个实施例中,在步骤S401中,从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数,具体包括如下内容:分别接收各第一终端发送的各第一终端的加密局部模型参数对应的解密信息,并从区块链中获取各第一终端上传的各第一终端的加密局部模型参数;各第一终端的加密局部模型参数分别由各第一终端对各第一终端对应的局部信用识别模型中的局部模型参数进行加密处理得到;在各第一终端的加密局部模型参数对应的解密信息满足解密阈值条件的情况下,利用各第一终端的加密局部模型参数对应的解密信息,对各第一终端的加密局部模型参数进行解密处理,得到各第一终端对应的局部信用识别模型中的局部模型参数。
具体的,各第一终端分别对各第一终端对应的局部信用识别模型中的局部模型参数进行加密处理,得到各第一终端的加密局部模型参数,将各第一终端的加密局部模型参数发送至第二终端;第二终端分别接收各第一终端发送的各第一终端的加密局部模型参数对应的解密信息,并从区块链中获取各第一终端上传的各第一终端的加密局部模型参数;在各第一终端的加密局部模型参数对应的解密信息满足解密阈值条件的情况下,利用各第一终端的加密局部模型参数对应的解密信息,对各第一终端的加密局部模型参数进行解密处理,得到各第一终端对应的局部信用识别模型中的局部模型参数。
本实施例的技术方案,通过第一终端对局部信用识别模型中的局部模型参数进行加密处理,将加密后的加密局部模型参数上传至区块链,并提供对应的解密信息至第二终端,第二终端从区块链中获取多个第一终端更新后的加密局部模型参数,并在获取到满足解密阈值条件的解密信息的情况下,即表示已得到足够数量的第一终端的协同解密的同意,将获取到的多个解密信息,对多个第一终端的加密局部模型参数进行协同解密处理,得到解密后的多个局部模型参数,有利于提高局部模型参数传输的安全性,从而有利于后续提高确定信用识别模型的安全性。
在一个实施例中,在步骤S402中,利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型,具体包括如下内容:利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到更新后的信用识别模型;在更新后的信用识别模型满足预设收敛条件的情况下,将更新后的信用识别模型作为目标信用识别模型。
本实施例中,预设收敛条件可以是预先设置的模型收敛条件,例如信用识别模型的损失部分小于预先设定的值或者迭代次数达到预先设定的迭代最大次数的条件。
具体的,第二终端利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到更新后的信用识别模型;判断更新后的信用识别模型是否满足预设收敛条件,在更新后的信用识别模型不满足预设收敛条件的情况下,将更新后的信用识别模型作为初始信用识别模型,发布在区块链中,并跳转至各第一终端获取金融系统中的初始信用识别模型的步骤,直到最新的更新后的信用识别模型满足预设收敛条件;在更新后的信用识别模型满足预设收敛条件的情况下,将更新后的信用识别模型作为目标信用识别模型。
本实施例的技术方案,通过在更新后的信用识别模型满足预设收敛条件的情况时,才将更新后的信用识别模型作为目标信用识别模型,从而有利于提高确定信用识别模型的准确性。
在一个实施例中,如图5所示,提供了一种信用识别方法,以该方法应用于图1中的第一终端(也可以是第二终端或第三终端)为例进行说明,包括以下步骤:
步骤S501,获取当前用户的当前用户信息。
其中,当前用户可以是申请金融服务的用户;当前用户信息可以是当前用户的全局用户信息,例如当前用户所申请的金融服务所需要提交或审核的信息,也可以是目标信用识别模型中的所对应的数据维度的信息。
具体的,第一终端响应于当前用户的金融服务请求,获取当前用户的当前用户信息。
步骤S502,将当前用户的当前用户信息输入至目标信用识别模型中进行信用识别,得到当前用户的预测信用信息。
其中,目标信用识别模型通过上述实施例中任意一个实施例提供的信用识别模型确定方法得到;预测信用信息可以是当前用户的信用预测值。
具体的,第一终端从区块链中获取第二终端上传的目标信用识别模型,将当前用户的当前用户信息输入至目标信用识别模型中进行信用识别,得到当前用户的预测信用信息。
上述信用识别模型确定方法中,获取当前用户的当前用户信息,将当前用户的当前用户信息输入至目标信用识别模型中进行信用识别,得到当前用户的预测信用信息。该方案通过目标信用识别模型,基于当前用户的当前用户信息,对当前用户进行信用识别,得到当前用户的信用信息,从而有利于提高信用识别的准确性。
以下以一个实施例说明本申请提供的信用识别模型确定方法,本实施例以该方法应用于第一终端和第二终端进行举例说明,主要步骤包括:
第一步,第一终端获取金融系统中的初始信用识别模型;初始信用识别模型中包含初始模型参数。
第二步,第一终端根据各第一终端本地存储的与初始样本用户对应的用户标记,从初始样本用户中,确定出各第一终端的共同样本用户;根据共同样本用户的用户标记,确定出第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息;将第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息,作为第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息。
第三步,第一终端根据第一终端本地存储的与样本用户对应的局部用户信息的信息维度,从初始信用识别模型中的初始模型参数中,确定出与信息维度对应的模型参数,作为初始模型参数中的部分模型参数;利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到部分模型参数的更新后模型参数;根据部分模型参数的更新后模型参数,确定第一终端对应的局部信用识别模型。
第四步,第一终端对第一终端对应的局部信用识别模型中的局部模型参数进行加密处理,得到第一终端的加密局部模型参数;将第一终端的加密局部模型参数上传至区块链,并将第一终端的加密局部模型参数对应的解密信息发送至第二终端。
第五步,第二终端分别接收各第一终端发送的各第一终端的加密局部模型参数对应的解密信息,并从区块链中获取各第一终端上传的各第一终端的加密局部模型参数;在各第一终端的加密局部模型参数对应的解密信息满足解密阈值条件的情况下,利用各第一终端的加密局部模型参数对应的解密信息,对各第一终端的加密局部模型参数进行解密处理,得到各第一终端对应的局部信用识别模型中的局部模型参数。
第六步,第二终端利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到更新后的信用识别模型;在更新后的信用识别模型满足预设收敛条件的情况下,将更新后的信用识别模型作为目标信用识别模型。
本实施例的技术方案,通过第一终端利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到第一终端对应的局部优化后的局部信用识别模型,只需将第一终端对应的局部信用识别模型中的局部模型参数上传至区块链,无需上传样本用户的信息,从而保证了样本用户的信息的安全性和隐私性,第二终端从区块链中获取各第一终端对应的已局部优化后的局部信用识别模型中的局部模型参数,利用各第一终端对应的已优化的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到全局更新后的目标信用识别模型,从而有利于提高确定信用识别模型的安全性和准确性。
以下以一个应用实例说明本申请提供的信用识别模型确定方法,本应用实例以该方法应用于第一终端、第二终端和发布方(第三终端)进行举例说明,如图3所示,主要步骤包括:
第一步,发布方(第三终端)发布初始信用识别模型:发布联邦学习模型训练任务的需求,将随机选择参数的初始化模型LR0上传到区块链中。
其中,用Logistic(回归)模型作为发布方与参与方(第一终端)构建风险评分模型(信用识别模型),构建Logistic回归模型的过程如下:
(1)建立一般线性模型
E(Y)=ω0+ω1x1+ω2x2+...+ωkxk (1.1)
对于0-1变量Y,E(Y)=P(Y=1)=P,即
P=ω0+ω1x1+ω2x2+...+ωkxk+ζ
(2)对P进行Logit(逻辑回归)变换
Logit(P)=ln(P/1-P)=ω0+ω1x1+ω2x2+...+ωkxk+ζ (1.2)
损失函数
梯度
由此可以得到Logistic回归关于P={Y=1|x}的预测,若P的估计值大于0.5,则Y=1,若P的估计值小于0.5,则Y=0;其中ω可表示为模型参数。
假定因变量Y=1为违约用户,Y=0为非违约用户,在模型中,如果某用户得到的P的估计值,x则为发布方或参与方掌握的用户信息,相当于评价指标。对于数值型变量可以直接引入模型,而非数值型的变量则应事先量化再进入模型。量化过程可以将不同信息或不同数值区间赋予具体的数值(如0、1、2……),其中虚拟变量的个数可设置为比该项总指标少一个。通过Logistic回归统计分析本地数据,可以得到虚拟变量所对应的系数。则初始化信贷评分模型
LR0=ζ+θ1x1′+θ2x2′+...θkxk′,
将该模型上传到区块链中。
第二步,第一终端和发布方进行样本匹配(发布方与参与方进行样本匹配):第一终端或发布方确定出各第一终端和发布方之间的共同样本用户。
举例来说,假设A,B,C三方共同拥有样本用户u1、u2的数据,A、B为参与方(第一终端),C为任务发布方。A不想让B、C知道他有用户u3的数据,同理,B、C都不想泄露除了三者交集的数据。所以在满足各方保护隐私的要求下,求出各方样本用户的交集,过程如下:
(1)任务发布方C通过RSA算法(加密算法)生成n(公有密钥)、e(加密算法)、d(解密算法),然后将公钥(n、e)上传到区块链节点,参与方A和B从区块链节点中下载公钥;
(2)A将自己所有的样本用户id(如名称)通过哈希函数进行数字签名,使得C可以验证该数据是来自于A,然后再通过加密函数e加密并加入随机噪声生成E_A上传到区块链。B也通过该步骤生成E_B上传到区块链;
(3)C从区块链上下载E_A之后,首先使用解密算法d解密,这时候的e和d抵消了,但是由于还是存在随机噪声ri和A的哈希函数,所以C无法得知A的用户id。C计算Z_A和Z_C并上传至区块链的节点。其中,Z_C是根据C解密A传回来的结果中的一部分加了一个哈希映射;
(4)A从区块链中下载Z_A和Z_C,消除Z_A中的随机噪声,然后再做一次哈希映射,生成与Z_C形式一致的X_A,两者求交,A就可以得到两者的交集I,将I上传至区块链节点。
(5)C获得I后,用I与Z_C求交集,推出两者的交集为{u1,u2}
对于B和C或者推广至多参与方,也是经过上述步骤完成样本对齐。
第三步,发布方成立联邦学习委员会:假定有N个参与方Pi,i∈{1,2,3……N},任务发布方随机选择M(M=[N/2])个参与方组成联邦学习委员会,通过双线性映射累加器GenKey(α)能高效证明元素是否为联邦成员,并且在验证过程中不会暴露集合中的成员信息。GenKey(α)生成私钥ska和公钥pka的过程如下:
GenKey(a)→(ska,pka)(3.1)
其中a为安全参数,ska=s(s∈Zp *),pka=(w,w^s,w^(s^2)……w^(s^q)),w是给定的元素。
然后运用门限Paillier(同态)加密技术对参与方传递的参数信息进行加密,保证即使在受到攻击的情况下也不会泄露模型信息。门限同态加密将私钥分割为多份,保证多个参与方持有并协同解密。生成密钥的过程如下:
GenKey(p,q)→(pkm,skm)(3.2)
其中pkm为门限密码算法的公钥,skm为门限密码算法的私钥,p,q是随机选择的两个大质数,另p=2p^'+1,q=2q^'+1,其中p^'和q^'为不同于p,q的两个大质数。
接着运用秘密共享技术将门限密码算法的私钥skm分成n份,任意取n-1个随机数,构造如下多项式:
sn=a0+a1x+a2x2+...+an-1xn-1 (3.3)
其中,a0=skm,所有运算均在有限域中进行。取任意n个数,x1,x2……xn分别代入多项式,得到秘密份额集合S={(x1,s1),(x2,s2)……(xn,sn)},并将累加值acc(S)上传到区块链,为每个秘密份额si生成证据ρi,使得每个参与方Pi均得到pka,pkm,si,ρi,最后将ska,skm销毁。
第四步,各第一终端下载全局模型后,初始化参数后,更新上传加密后的特征数据到区块链节点上。
举例来说,以参与方A和任务发布方C为例,展开描述联邦建模的过程。参与方A完成样本对齐后的数据集用D_A={x_1^A,x_2^A,……x_n^A}表示,任务发布方C的对齐样本集用D_C={(x_1^C,y_1),(x_2^C,y_2)……(x_n^C,y_n)}表示,两者的n相等。损失函数:
梯度:
其中λ为本地模型参数的二范数正则系数,令z=-ωTxi,则log(1+e^(-z))=log2-1/2z+1/8z^2-1/192z^4+O(z^6),代入梯度公式后转化为梯度矩阵:
参与方A计算使用公钥pk_a加密后生成/>任务发布方计算并使用其公钥加密生成/>双方把加密后的密文c_i^l和本地训练的时间t_i^l上传到区块链节点。
第五步,第二终端更新局部模型w_i^l:委员会成员(第二终端)从区块链节点上下载任务发布方和参与方的加密梯度,协同解密后得到完整的梯度,然后按照比例把A的梯度返回给A,/>返回给C,这样A、C可以完成局部模型w_i^l的更新(协同解密各方的加密梯度并按比例返回给各方)。
第六步,第二终端更新全局模型(主要包括聚合模型和协同解密更新全局模型两个过程):在整合局部密文阶段,委员会的领导者(第二终端中的一个第二终端)从区块链上下载所有的局部模型密文,并根据t_i^l和本地数据量来衡量参与方的贡献,根据贡献从奖池中发放奖励。该领导者通过聚合局部模型的密文,生成全局模型密文c^l,当且仅当至少有M/2个成员计算得到c^l一致时,验证通过该聚合结果,领导者将得到一笔计算贡献奖励,否则由下一位领导者聚合模型的结果。聚合模型的过程如下:对损失函数进行加密后上传到区块链;委员会成员领导者计算加密后的损失函数并进行协同解密,判断损失函数是否收敛(聚合模型并判断损失函数是否收敛),发送是否终止训练过程的信号给任务发布方和各参与方。在协同解密更新全局模型的过程中,参与方发送相应信息(如累加值和证据)至验证方(委员会成员)验证。验证方从区块链上读取累加值对整个过程进行验证,如果是正确的秘密份额,则通过协同解密计算得到明文θ^l(模型的参数),其中上述未解释的符号或字母可以是可设置的参数。不断迭代上述第一步至第六步,直至信用识别模型收敛,收敛的条件是损失部分小于预先设定的值或者迭代次数达到预先设定的迭代最大次数,最终任务发布方从区块链上下载最终的信用识别模型。
本应用实例的技术方案,实现打破“信息孤岛”,消除各参与方的顾虑,充分利用信息资源评估用户信用;构建了一种融合纵向联邦学习与区块链的方式,运用Logistic回归模型评估用户信用,在保障多方协作的环境下,以去中心化的方式训练模型,将全局模型和局部模型的参数上传至区块链中,实现数据资源不出本地、模型参数的防篡改性和不可抵赖性,从而消除各参与方的隐私顾虑问题;将参与方训练的Logistic回归局部模型以及最终的全局模型都上传至区块链,通过选举的联邦学习委员会进行模型聚合和协同解密,解密过程通过秘密共享方案实现安全的密钥管理,能够保障在多方协作的环境下,有效实现各参与方的隐私保护,提高确定信用识别模型的安全性和准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的信用识别模型确定方法的信用识别模型确定装置,和一种用于实现上述所涉及的信用识别方法的信用识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个信用识别模型确定装置实施例和信用识别装置实施例中的具体限定可以参见上文中对于信用识别模型确定方法和信用识别方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种信用识别模型确定装置,该装置600可以包括:
模型获取模块601,用于获取金融系统中的初始信用识别模型;初始信用识别模型中包含初始模型参数;
模型训练模块602,用于利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到第一终端对应的局部信用识别模型;局部信用识别模型中包含局部模型参数;局部模型参数为初始模型参数中的部分模型参数的更新后模型参数;
参数上传模块603,用于将第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;第二终端用于从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数,并利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
在一个实施例中,参数上传模块603,还用于对第一终端对应的局部信用识别模型中的局部模型参数进行加密处理,得到第一终端的加密局部模型参数;将第一终端的加密局部模型参数上传至区块链,并将第一终端的加密局部模型参数对应的解密信息发送至第二终端;第二终端用于从区块链中获取各第一终端的加密局部模型参数,在各第一终端的加密局部模型参数对应的解密信息满足解密阈值条件的情况下,利用各第一终端的加密局部模型参数对应的解密信息,对各第一终端的加密局部模型参数进行解密处理,得到各第一终端对应的局部信用识别模型中的局部模型参数。
在一个实施例中,该装置600还包括:信息确定模块,用于根据各第一终端本地存储的与初始样本用户对应的用户标记,从初始样本用户中,确定出各第一终端的共同样本用户;根据共同样本用户的用户标记,确定出第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息;将第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息,作为第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息。
在一个实施例中,模型训练模块602,还用于根据第一终端本地存储的与样本用户对应的局部用户信息的信息维度,从初始信用识别模型中的初始模型参数中,确定出与信息维度对应的模型参数,作为初始模型参数中的部分模型参数;利用第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到部分模型参数的更新后模型参数;根据部分模型参数的更新后模型参数,确定第一终端对应的局部信用识别模型。
在一个实施例中,如图7所示,提供了一种信用识别模型确定装置,该装置700可以包括:
参数获取模块701,用于从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数;各第一终端分别用于获取金融系统中的初始信用识别模型,并利用各第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对初始信用识别模型进行训练,得到各第一终端对应的局部信用识别模型,并将各第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;初始信用识别模型中包含初始模型参数;局部信用识别模型中包含局部模型参数;局部模型参数为初始模型参数中的部分模型参数的更新后模型参数;
参数更新模块702,用于利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
在一个实施例中,参数获取模块701,还用于分别接收各第一终端发送的各第一终端的加密局部模型参数对应的解密信息,并从区块链中获取各第一终端上传的各第一终端的加密局部模型参数;各第一终端的加密局部模型参数分别由各第一终端对各第一终端对应的局部信用识别模型中的局部模型参数进行加密处理得到;在各第一终端的加密局部模型参数对应的解密信息满足解密阈值条件的情况下,利用各第一终端的加密局部模型参数对应的解密信息,对各第一终端的加密局部模型参数进行解密处理,得到各第一终端对应的局部信用识别模型中的局部模型参数。
在一个实施例中,参数更新模块702,还用于利用各第一终端对应的局部信用识别模型中的局部模型参数,对初始信用识别模型中的初始模型参数进行全局更新,得到更新后的信用识别模型;在更新后的信用识别模型满足预设收敛条件的情况下,将更新后的信用识别模型作为目标信用识别模型。
在一个实施例中,如图8所示,提供了一种信用识别装置,该装置800可以包括:
信息获取模块801,用于获取当前用户的当前用户信息;
信息输入模块802,用于将当前用户的当前用户信息输入至目标信用识别模型中进行信用识别,得到当前用户的预测信用信息;目标信用识别模型通过上述实施例中任意一个实施例提供的信用识别模型确定方法得到。
上述信用识别模型确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
需要说明的是,本申请提供的信用识别模型确定的方法和装置可用于金融领域涉及信用识别模型确定的应用领域中,也可用于除金融领域之外的任意领域涉及信用识别模型确定的处理中,本申请提供的信用识别模型确定的方法和装置的应用领域不做限定。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种信用识别模型确定方法和/或信用识别方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种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上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (14)
1.一种信用识别模型确定方法,其特征在于,应用于第一终端,所述方法包括:
获取金融系统中的初始信用识别模型;所述初始信用识别模型中包含初始模型参数;
利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;
将所述第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;所述第二终端用于从所述区块链中获取各所述第一终端对应的局部信用识别模型中的局部模型参数,并利用各所述第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一终端对应的局部信用识别模型中的局部模型参数上传至区块链,包括:
对所述第一终端对应的局部信用识别模型中的局部模型参数进行加密处理,得到所述第一终端的加密局部模型参数;
将所述第一终端的加密局部模型参数上传至区块链,并将所述第一终端的加密局部模型参数对应的解密信息发送至所述第二终端;所述第二终端用于从所述区块链中获取各所述第一终端的加密局部模型参数,在各所述第一终端的加密局部模型参数对应的解密信息满足解密阈值条件的情况下,利用各所述第一终端的加密局部模型参数对应的解密信息,对各所述第一终端的加密局部模型参数进行解密处理,得到各所述第一终端对应的局部信用识别模型中的局部模型参数。
3.根据权利要求1所述的方法,其特征在于,在利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型之前,还包括:
根据各所述第一终端本地存储的与初始样本用户对应的用户标记,从所述初始样本用户中,确定出各所述第一终端的共同样本用户;
根据所述共同样本用户的用户标记,确定出所述第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息;
将所述第一终端本地存储的与共同样本用户对应的局部用户信息和真实信用信息,作为所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息。
4.根据权利要求1所述的方法,其特征在于,所述利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型,包括:
根据所述第一终端本地存储的与样本用户对应的局部用户信息的信息维度,从所述初始信用识别模型中的初始模型参数中,确定出与所述信息维度对应的模型参数,作为所述初始模型参数中的部分模型参数;
利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述部分模型参数的更新后模型参数;
根据所述部分模型参数的更新后模型参数,确定所述第一终端对应的局部信用识别模型。
5.一种信用识别模型确定方法,其特征在于,应用于第二终端,所述方法包括:
从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数;所述各第一终端分别用于获取金融系统中的初始信用识别模型,并利用所述各第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述各第一终端对应的局部信用识别模型,并将所述各第一终端对应的局部信用识别模型中的局部模型参数上传至所述区块链;所述初始信用识别模型中包含初始模型参数;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;
利用所述各第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
6.根据权利要求5所述的方法,其特征在于,所述从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数,包括:
分别接收所述各第一终端发送的所述各第一终端的加密局部模型参数对应的解密信息,并从区块链中获取所述各第一终端上传的所述各第一终端的加密局部模型参数;所述各第一终端的加密局部模型参数分别由所述各第一终端对所述各第一终端对应的局部信用识别模型中的局部模型参数进行加密处理得到;
在所述各第一终端的加密局部模型参数对应的解密信息满足解密阈值条件的情况下,利用所述各第一终端的加密局部模型参数对应的解密信息,对所述各第一终端的加密局部模型参数进行解密处理,得到所述各第一终端对应的局部信用识别模型中的局部模型参数。
7.根据权利要求5所述的方法,其特征在于,所述利用所述各第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型,包括:
利用所述各第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到更新后的信用识别模型;
在所述更新后的信用识别模型满足预设收敛条件的情况下,将所述更新后的信用识别模型作为目标信用识别模型。
8.一种信用识别方法,其特征在于,所述方法包括:
获取当前用户的当前用户信息;
将所述当前用户的当前用户信息输入至目标信用识别模型中进行信用识别,得到所述当前用户的预测信用信息;所述目标信用识别模型通过权利要求1-7中任一项所述的信用识别模型确定方法得到。
9.一种信用识别模型确定装置,其特征在于,应用于第一终端,所述装置包括:
模型获取模块,用于获取金融系统中的初始信用识别模型;所述初始信用识别模型中包含初始模型参数;
模型训练模块,用于利用所述第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述第一终端对应的局部信用识别模型;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;
参数上传模块,用于将所述第一终端对应的局部信用识别模型中的局部模型参数上传至区块链;所述第二终端用于从所述区块链中获取各所述第一终端对应的局部信用识别模型中的局部模型参数,并利用各所述第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
10.一种信用识别模型确定装置,其特征在于,应用于第二终端,所述装置包括:
参数获取模块,用于从区块链中获取各第一终端对应的局部信用识别模型中的局部模型参数;所述各第一终端分别用于获取金融系统中的初始信用识别模型,并利用所述各第一终端本地存储的与样本用户对应的局部用户信息和真实信用信息,对所述初始信用识别模型进行训练,得到所述各第一终端对应的局部信用识别模型,并将所述各第一终端对应的局部信用识别模型中的局部模型参数上传至所述区块链;所述初始信用识别模型中包含初始模型参数;所述局部信用识别模型中包含局部模型参数;所述局部模型参数为所述初始模型参数中的部分模型参数的更新后模型参数;
参数更新模块,用于利用所述各第一终端对应的局部信用识别模型中的局部模型参数,对所述初始信用识别模型中的初始模型参数进行全局更新,得到目标信用识别模型。
11.一种信用识别装置,其特征在于,所述装置包括:
信息获取模块,用于获取当前用户的当前用户信息;
信息输入模块,用于将所述当前用户的当前用户信息输入至目标信用识别模型中进行信用识别,得到所述当前用户的预测信用信息;所述目标信用识别模型通过权利要求1-7中任一项所述的信用识别模型确定方法得到。
12.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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8中任一项所述的方法的步骤。
13.一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权利要求1至8中任一项所述的方法的步骤。
14.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310524658.1A CN116596656A (zh) | 2023-05-10 | 2023-05-10 | 信用识别模型确定方法、信用识别方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310524658.1A CN116596656A (zh) | 2023-05-10 | 2023-05-10 | 信用识别模型确定方法、信用识别方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596656A true CN116596656A (zh) | 2023-08-15 |
Family
ID=87589148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310524658.1A Pending CN116596656A (zh) | 2023-05-10 | 2023-05-10 | 信用识别模型确定方法、信用识别方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596656A (zh) |
-
2023
- 2023-05-10 CN CN202310524658.1A patent/CN116596656A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085159B (zh) | 一种用户标签数据预测系统、方法、装置及电子设备 | |
Perifanis et al. | Federated neural collaborative filtering | |
US11580417B2 (en) | System and method for processing data and managing information | |
CN113032840B (zh) | 一种数据处理方法、装置、设备及计算机可读存储介质 | |
CN114401079B (zh) | 多方联合信息价值计算方法、相关设备及存储介质 | |
US20160004874A1 (en) | A method and system for privacy preserving matrix factorization | |
CN105009505A (zh) | 基于矩阵因子分解和岭回归的隐私保护推荐的方法和系统 | |
CN111081337B (zh) | 一种协同任务预测方法及计算机可读存储介质 | |
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 | |
CN111666460A (zh) | 基于隐私保护的用户画像生成方法、装置及存储介质 | |
Miao et al. | Federated deep reinforcement learning based secure data sharing for Internet of Things | |
JP7471445B2 (ja) | コンテンツの配信と分析のためのプライバシーを守る機械学習 | |
WO2022072415A1 (en) | Privacy preserving machine learning using secure multi-party computation | |
CN115037477A (zh) | 一种基于区块链的联邦学习隐私保护方法 | |
Qi et al. | A blockchain-enabled federated learning model for privacy preservation: System design | |
Xie et al. | An efficient learning framework for federated XGBoost using secret sharing and distributed optimization | |
US20230274183A1 (en) | Processing of machine learning modeling data to improve accuracy of categorization | |
EP4058951A1 (en) | Privacy preserving machine learning via gradient boosting | |
CN114448598A (zh) | 密文压缩方法、密文解压缩方法、装置、设备和存储介质 | |
CN112101609B (zh) | 关于用户还款及时性的预测系统、方法、装置及电子设备 | |
CN114465722B (zh) | 信息处理方法、装置、设备、存储介质及程序产品 | |
CN116596656A (zh) | 信用识别模型确定方法、信用识别方法、装置和设备 | |
CN112668037B (zh) | 一种模型训练方法、装置和电子设备 | |
Liu et al. | Quantum privacy-preserving price e-negotiation | |
Xu et al. | FedG2L: a privacy-preserving federated learning scheme base on “G2L” against poisoning attack |
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 |