CN117151859A - 模型训练及评估方法、相关装置、设备、介质及产品 - Google Patents
模型训练及评估方法、相关装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN117151859A CN117151859A CN202311099670.9A CN202311099670A CN117151859A CN 117151859 A CN117151859 A CN 117151859A CN 202311099670 A CN202311099670 A CN 202311099670A CN 117151859 A CN117151859 A CN 117151859A
- Authority
- CN
- China
- Prior art keywords
- participant
- model
- node
- joint
- federal learning
- 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
- 238000012549 training Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000011156 evaluation Methods 0.000 claims abstract description 236
- 238000003860 storage Methods 0.000 claims description 21
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Abstract
本说明书实施例公开了一种模型训练及评估方法、相关装置、设备、介质及产品。其中,上述模型训练方法应用于第一参与方对应的第一联邦学习节点,该方法包括:接收区块链网络中第一参与方节点发送的联邦学习模型;基于上述第一联邦学习节点的本地数据和/或上述区块链网络中第二参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型;上述第二参与方节点的模型参数基于第二参与方对应第二联邦学习节点的本地数据对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种模型训练及评估方法、相关装置、设备、介质及产品。
背景技术
随着金融市场的不断发展,消费金融公司扮演着越来越重要的角色。由于消费金融场景零售客群场景下的市场需求多变,零售产品的特征也复杂多样,这使得大部分深耕某领域的消费金融公司在面对快速变化的市场以及开拓新业务新领域时,缺乏可靠的用户信用评估模型和欺诈评估模型,这严重影响了公司的风控能力。
发明内容
本说明书实施例提供了一种模型训练及评估方法、相关装置、设备、介质及产品,既采用了联邦学习和区块链技术,在各参与方不泄露本地数据即充分保障数据安全的情况下,提高模型训练的效率和精度,又通过将信用评估和欺诈评估两个任务进行联合训练,将信用评估和欺诈评估两个任务之间的相互关系更好地建立起来,既使得模型训练的过程更高效,又让联合训练得到的模型更加稳健,准确度更高。上述技术方案如下:
第一方面,本说明书实施例提供了一种模型训练方法,上述方法应用于第一参与方对应的第一联邦学习节点,上述方法包括:
接收区块链网络中第一参与方节点发送的联邦学习模型;
基于上述第一联邦学习节点的本地数据和/或上述区块链网络中第二参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型;上述第二参与方节点的模型参数基于第二参与方对应第二联邦学习节点的本地数据对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
在一种可能的实现方式中,上述基于上述第一联邦学习节点的本地数据和/或上述区块链网络中第二参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型,包括:
基于上述第一联邦学习节点的本地数据对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型;
基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一种可能的实现方式中,上述基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到更新后的联合模型之后,上述方法还包括:
基于上述第一联邦学习节点的测试数据集以及上述第一参与方对应更新后的联合模型确定上述第二参与方节点的模型参数对上述第一参与方对应的联合模型预测结果的贡献度;
基于上述贡献度确定待向上述第二参与方支付的费用。
在一种可能的实现方式中,上述区块链网络包括上述第一参与方节点以及除了上述第一参与方节点之外的多个其他参与方节点;
上述基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型之前,上述方法还包括:
基于上述多个其他参与方节点各自的模型参数对上述第一参与方对应的联合模型预测结果的贡献度排名,从上述多个其他参与方节点中选择至少一个第二参与方节点;
上述基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型,包括:
基于上述至少一个第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一种可能的实现方式中,上述第二参与方节点的数量为多个;
上述基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型,包括:
将上述区块链网络中多个第二参与方节点各自的模型参数进行聚合,得到上述多个第二参与方节点对应的聚合参数;
基于上述聚合参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一种可能的实现方式中,上述第二参与方节点的模型参数基于上述第二联邦学习节点的本地数据以及上述区块链网络中第三参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
在一种可能的实现方式中,上述第一参与方对应的联合模型随着上述第一联邦学习节点的本地数据和/或上述第二参与方节点的模型参数的更新而更新。
在一种可能的实现方式中,上述基于上述第一联邦学习节点的本地数据和/或上述区块链网络中第二参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型之后,上述方法还包括:
将上述第一参与方对应的联合模型的模型参数上传至上述第一参与方节点存储。
第二方面,本说明书实施例提供了一种评估方法,上述方法应用于第一参与方对应的第一联邦学习节点,上述方法包括:
获取目标用户的目标用户信息;上述目标用户信息包括上述目标用户的目标基本信息、目标消费行为信息以及上述目标用户对应上述第一参与方的目标消费金融产品的目标额度信息和目标使用频度信息;
将上述目标用户信息输入上述第一参与方对应的联合模型中,基于上述联合模型中的信用评估网络和欺诈评估网络分别输出上述目标用户对应的目标信用评估结果和目标欺诈评估结果;上述第一参与方对应的联合模型基于第一方面的任意一种可能的实现方式提供的模型训练方法进行训练得到。
在一种可能的实现方式中,上述将上述目标用户信息输入上述第一参与方对应的联合模型中,基于上述联合模型中的信用评估网络和欺诈评估网络分别输出上述目标用户对应的目标信用评估结果和目标欺诈评估结果之后,上述方法还包括:
将上述目标信用评估结果和上述目标欺诈评估结果上传至区块链网络中上述第一参与方对应的第一参与方节点,以供上述区块链网络中其他参与方对应的参与方节点通过调用智能合约从上述第一参与方节点中获取上述目标信用评估结果和上述目标欺诈评估结果。
第三方面,本说明书实施例提供了一种模型训练装置,上述模型训练装置应用于第一参与方对应的第一联邦学习节点,上述模型训练装置包括:
接收模块,用于接收区块链网络中第一参与方节点发送的联邦学习模型;
模型训练模块,用于基于上述第一联邦学习节点的本地数据和/或上述区块链网络中第二参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型;上述第二参与方节点的模型参数基于第二参与方对应第二联邦学习节点的本地数据对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
在一种可能的实现方式中,上述模型训练模块包括:
联合训练单元,用于基于上述第一联邦学习节点的本地数据对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型;
更新单元,用于基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一种可能的实现方式中,上述模型训练装置还包括:
第一确定模块,用于基于上述第一联邦学习节点的测试数据集以及上述第一参与方对应更新后的联合模型确定上述第二参与方节点的模型参数对上述第一参与方对应的联合模型预测结果的贡献度;
第二确定模块,用于基于上述贡献度确定待向上述第二参与方支付的费用。
在一种可能的实现方式中,上述区块链网络包括上述第一参与方节点以及除了上述第一参与方节点之外的多个其他参与方节点;
上述模型训练装置还包括:
选择模块,用于基于上述多个其他参与方节点各自的模型参数对上述第一参与方对应的联合模型预测结果的贡献度排名,从上述多个其他参与方节点中选择至少一个第二参与方节点;
上述更新单元具体用于:
基于上述至少一个第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一种可能的实现方式中,上述第二参与方节点的数量为多个;
上述更新单元包括:
参数聚合子单元,用于将上述区块链网络中多个第二参与方节点各自的模型参数进行聚合,得到上述多个第二参与方节点对应的聚合参数;
更新子单元,用于基于上述聚合参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一种可能的实现方式中,上述第二参与方节点的模型参数基于上述第二联邦学习节点的本地数据以及上述区块链网络中第三参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
在一种可能的实现方式中,上述第一参与方对应的联合模型随着上述第一联邦学习节点的本地数据和/或上述第二参与方节点的模型参数的更新而更新。
在一种可能的实现方式中,上述模型训练装置还包括:
第一上传模块,用于将上述第一参与方对应的联合模型的模型参数上传至上述第一参与方节点存储。
第四方面,本说明书实施例提供了一种评估装置,上述装置应用于第一参与方对应的第一联邦学习节点,上述装置包括:
获取模块,用于获取目标用户的目标用户信息;上述目标用户信息包括上述目标用户的目标基本信息、目标消费行为信息以及上述目标用户对应上述第一参与方的目标消费金融产品的目标额度信息和目标使用频度信息;
信用评估和欺诈评估模块,用于将上述目标用户信息输入上述第一参与方对应的联合模型中,基于上述联合模型中的信用评估网络和欺诈评估网络分别输出上述目标用户对应的目标信用评估结果和目标欺诈评估结果;上述第一参与方对应的联合模型基于第一方面的任意一种可能的实现方式提供的模型训练方法进行训练得到。
在一种可能的实现方式中,上述评估装置还包括:
第二上传模块,用于将上述目标信用评估结果和上述目标欺诈评估结果上传至区块链网络中上述第一参与方对应的第一参与方节点,以供上述区块链网络中其他参与方对应的参与方节点通过调用智能合约从上述第一参与方节点中获取上述目标信用评估结果和上述目标欺诈评估结果。
第五方面,本说明书实施例提供了一种电子设备,包括:处理器以及存储器;
上述处理器与上述存储器相连;
上述存储器,用于存储可执行程序代码;
上述处理器通过读取上述存储器中存储的可执行程序代码来运行与上述可执行程序代码对应的程序,以用于执行本说明书实施例第一方面或第一方面的任意一种可能的实现方式或第二方面或第二方面的任意一种可能的实现方式提供的方法。
第六方面,本说明书实施例提供了一种计算机存储介质,上述计算机存储介质存储有多条指令,上述指令适于由处理器加载并执行本说明书实施例第一方面或第一方面的任意一种可能的实现方式或第二方面或第二方面的任意一种可能的实现方式提供的方法。
第七方面,本说明书实施例提供了一种包含指令的计算机程序产品,当上述计算机程序产品在计算机或处理器上运行时,使得上述计算机或上述处理器执行本说明书实施例第一方面或第一方面的任意一种可能的实现方式或第二方面或第二方面的任意一种可能的实现方式提供的方法。
本说明书实施例中,一方面,既通过区块链技术共享各参与方利用自身的本地数据训练得到的模型参数,解决不同参与方之间存在客户信息“孤岛现象”,互相之间难以共享客户信息的问题;另一方面,既采用联邦学习和区块链技术,在各参与方不泄露本地数据即充分保障数据安全的情况下,使得各参与方能够在本地利用自身的数据和/或结合同一区块链网络中其他参数方节点共享的模型参数训练模型,提高了模型训练的效率和精度,又通过将信用评估和欺诈评估两个任务进行联合训练,选择性地更关注对信用评估和欺诈评估具有重要意义的特征,不仅使得模型训练的过程更高效,还可以更充分地利用数据,将信用评估和欺诈评估两个任务之间的相互关系更好地建立起来,让联合训练得到的模型更加稳健,准确度更高,能够更好地评估用户的信用和欺诈,提高参与方的风险控制水平。
附图说明
为了更清楚地说明本说明书实施例中的技术方案,下面将对实施例中所需使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,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为本说明书一示例性实施例提供的一种模型训练系统的架构示意图;
图2为本说明书一示例性实施例提供的一种模型训练方法的流程示意图;
图3为本说明书一示例性实施例提供的一种联合训练的实现流程示意图;
图4为本说明书一示例性实施例提供的一种模型更新的实现过程示意图;
图5为本说明书一示例性实施例提供的另一种模型更新的实现过程示意图;
图6为本说明书一示例性实施例提供的另一种模型更新的实现过程示意图;
图7为本说明书一示例性实施例提供的另一种模型训练方法的流程示意图;
图8为本说明书一示例性实施例提供的一种评估方法的流程示意图;
图9为本说明书一示例性实施例提供的一种模型训练的实现过程示意图;
图10为本说明书一示例性实施例提供的一种模型训练装置的结构示意图;
图11为本说明书一示例性实施例提供的一种评估装置的结构示意图;
图12为本说明书一示例性实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述。
本说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
需要说明的是,本说明书实施例所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、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)以及信号,均为经用户授权或者经过各方充分授权的,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。例如,本说明书中涉及的本地数据、模型参数、联邦学习模型等都是在充分授权的情况下获取的。
首先,对本说明书一个或多个实施例所涉及的名词术语进行解释说明。
联邦学习:联邦学习(Federated Learning)本质是一种分布式机器学可框架,它做到了在保障数据隐私安全及合法合规的基础上,实现数据共享,共同建模。它的核心思想是在多个数据源(参与方)共同参与模型训练时,不需要进行原始数据(本地数据)流转的前提下,仅通过交互模型(联邦学习模型)中间参数进行模型联合训练,原始数据(本地数据)可以不出数据源(参与方)本地。这种方式能够实现数据隐私保护和数据共享分析的平衡,即为“数据可用不可见”的数据应用模式。
区块链:区块链是一项集成计算机科学、数学、经济学等多领域研究成果的组合式创新技术,有潜力为金融、政务、产权、供应链等诸多行业提供变革机会,已成为社会关注的热点名词和市场追捧的热门对象。其主要技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。
信用评估:指公司或机构根据个人的消费行为和信用记录,对个人的信用水平进行评估,以此来决定是否给予信贷或提供金融服务。消费金融公司通常会根据个人的信用评分来决定贷款额度、利率和还款期限等,因此信用评分对于个人在消费金融领域中是否能够获得贷款以及贷款成本等方面都具有非常重要的作用。在消费金融场景下,信用评分通常会考虑个人近期的还款记录、借款金额、借款用途、工作稳定性、社交网络等因素,这些因素都可能对个人的贷款申请或消费金融服务申请产生影响。
欺诈评估:欺诈是消费金融公司面临的一个严峻的问题,包括申请欺诈、虚假交易、账户盗刷等等类型,并可分为欺诈性申请和欺诈性交易两大类型。欺诈识别是指公司或者机构根据个人的欺诈风险指标,对其进行评估,以预防欺诈行为的发生。欺诈评分通常会考虑个人的身份证明、信用记录、社交网络、历史欺诈记录、消费记录、设备指纹等因素。通过这些因素的分析和比对,可以判断个人是否存在欺诈行为的风险。消费金融公司通常会利用欺诈评分来对借款人进行风险管理,决定是否向某个个人提供信贷或金融服务,以及给予何种程度的信贷或金融服务,以此来保护自身和借款人的利益。
接下来请参考图1,其为本说明书一示例性实施例提供的一种模型训练系统的架构示意图。如图1所示,该模型训练系统可以包括:参与方节点和联邦学习节点。其中:
联邦学习节点可以但不限于包括一个或多个参与方对应的终端或服务器,例如但不限于机构端、企业端等。联邦学习节点中可安装用户版的软件,用于实现企业机构(参与方)等在本地实现模型训练以及信用评估和欺诈评估等功能。任意一个联邦学习节点可以建立与网络之间的数据关系,并通过该网络和区块链网络中对应参与方节点建立数据连接关系,例如发送本地训练后的模型参与、接收联邦学习模型或其他参与方的模型参数等。其中,任意一个联邦学习节点可以但不限于是安装有用户版软件的手机、平板电脑、笔记本电脑等设备。
具体地,各参与方的联邦学习节点可以共建区块链网络,并从区块链网络中对应参与方节点处下载联邦学习模型和其他参与方的模型参数,即各联邦学习节点可以接收区块链网络中对应参与方节点发送的联邦学习模型,并基于该联邦学习节点的本地数据和/或区块链网络中其他参与方节点的模型参数对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到对应参与方的联合模型。上述其他参与方节点的模型参数基于对应其他联邦学习节点的本地数据对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
可选地,联邦学习节点利用本地数据训练联邦学习模型,得到联合模型后,可以将上述联合模型的模型参数上传至区块链网络中对应的参与方节点进行存储。
参与方节点与联邦学习节点对应,可以但不限于为参与方对应的服务器等,用于下发未训练过的联邦学习模型、存储对应联邦学习节点利用本地数据进行模型训练后得到的联合模型的模型参数以及获取其他参与方节点存储的其他参与方的模型参数等。上述服务器可以但不限于是硬件服务器、虚拟服务器、云服务器等。
网络可以是在区块链网络中任意多个参与方节点之间或同一参与方对应的联邦学习节点与参与方节点之间提供通信链路的介质,也可以是包含网络设备和传输介质的互联网,不限于此。传输介质可以是有线链路,例如但不限于,同轴电缆、光纤和数字用户线路(digital subscriber line,DSL)等,或无线链路,例如但不限于,无线上网(wirelessfidelity,WIFI)、蓝牙和移动设备网络等。
可以理解地,图1所示的模型训练系统中的参与方节点和联邦学习节点的数目仅作为示例,在具体实现中,该模型训练系统中可以包含任意数目的参与方节点和联邦学习节点,且参与方节点的数目和联邦学习节点的数目对应。
接下来结合图1,介绍本说明书实施例提供的模型训练方法。具体请参考图2,其为本说明书一示例性实施例提供的一种模型训练方法的流程示意图。如图2所示,该模型训练方法可以包括以下几个步骤:
S202,接收区块链网络中第一参与方节点发送的联邦学习模型。
具体地,可以预先建立多个参与方的联邦学习框架,将各参与方的数据分散存储,并通过网络进行通信和计算。当第一参与方需要对其用户进行信用评估和欺诈评估时,第一参与方对应的第一联邦学习节点可以先接收区块链网络中该第一参与方对应的第一参与方节点下发的联邦学习模型。
可以理解地,上述多个参与方可以属于同一个领域,上述联邦学习模型可以为预先针对该领域的参与方设计的原始模型,本说明书实施例对此不作限定。
可以理解地,区块链网络中包括多个参与方对应的参与方节点,当多个参与方需要对各自的用户进行信用评估和欺诈评估时,各参与方对应的联邦学习节点均可以触发区块链网络中其对应参与方节点向其下发的预先设计的联邦学习模型,进而能够在参与方本地(即对应联邦学习节点)对下发的联邦学习模型进行训练和运用。
可以理解地,上述参与方可以但不限于为消费金融公司或企业等。上述联邦学习节点可以但不限于为参与方对应的终端或服务器,可以但不限于用于存储该参与方的本地数据,以及基于该本地数据在本地训练区块链网络中对应参与方节点下发的联邦学习模型等。
S204,基于第一联邦学习节点的本地数据和/或区块链网络中第二参与方节点的模型参数对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到第一参与方对应的联合模型。
具体地,上述第二参与方节点的模型参数基于第二参与方对应第二联邦学习节点的本地数据对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。当参与方为消费金融公司或企业时,该参与方的本地数据可以包括该参与方的用户的消费行为和历史记录等,以及该用户所购买的参与方的产品特性,例如但不限于信用卡的额度、使用频度等。上述联邦学习模型可以包括信用评估网络和欺诈评估网络,可以但不限于通过深度学习技术将信用评估和欺诈评估两个任务进行联合训练,使得联邦学习模型可以充分地利用本地数据,更好地建立两个任务之间的相互关系,从而提高模型的准确度,使其能够更好地评估用户的信用和欺诈风险。在训练过程中,还可以通过注意力机制,让模型可以选择性地关注特定的特征,将两个任务之间的相似性和不同之处展现出来,从而更好地解释模型的决策过程,使得模型更加透明,更容易解释。同时,联邦学习模型在进行联合训练时,可以在一个模型中同时解决两个模型(信用评估模型和欺诈评估模型)的训练问题,联合训练完成后,也可以在一个模型中同时解决信用评估和欺诈评估这两个问题,从而使得模型的计算过程更高效,极大地提高了模型训练以及信用评估和欺诈评估的准确性和效率。
可以理解地,本说明书实施例中,第一参与方对应的联合模型随着第一联邦学习节点的本地数据和/或第二参与方节点的模型参数的更新而更新,即具有很强的可扩展性。随着市场的变化和客户需求的变化,信用评估和欺诈评估的需求也在不断地变化,进而联合模型也会随之不断地调整和更新。
本说明书实施例中,一方面,既通过区块链技术共享各参与方利用自身的本地数据训练得到的模型参数,解决不同参与方之间存在客户信息“孤岛现象”,互相之间难以共享客户信息的问题;另一方面,既采用联邦学习和区块链技术,在各参与方不泄露本地数据即充分保障数据安全的情况下,使得各参与方能够在本地利用自身的数据和/或结合同一区块链网络中其他参数方节点共享的模型参数训练模型,提高了模型训练的效率和精度,又通过将信用评估和欺诈评估两个任务进行联合训练,选择性地更关注对信用评估和欺诈评估具有重要意义的特征,不仅使得模型训练的过程更高效,还可以更充分地利用数据,将信用评估和欺诈评估两个任务之间的相互关系更好地建立起来,让联合训练得到的模型更加稳健,准确度更高,能够更好地评估用户的信用和欺诈,提高参与方的风险控制水平。
可选地,当第一参与方能够采集到足够的本地数据进行模型训练时,上述S204可以包括:直接基于第一联邦学习节点的本地数据对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到第一参与方对应的联合模型,从而可以在第一参与方本地(第一联邦学习节点)实现较准确高效地模型训练。
可以理解地,当第一参与方为大公司或大企业时,可以采集到较多较广的本地数据,从而可以使得训练出来的联合模型更具普适性;当第一参与方为小公司或小企业时,其采集到的本地数据,往往集中在地方性人群,更具地方人群特点,从而使得训练出来的模型更具有针对性。
可选地,目前,参与方基本都是只用自身数据(本地数据)训练模型,随着大模型chatGPT的出现,能够明显看到大模型的潜力,但是大模型往往也需要更大量的数据。然而各个参与方的数据基本都包含用户的私人信息,因而导致各个参与方之间的数据无法共享。本说明书实施例中,当第一参与方想要进军其他地方业务或者第一参与方为新成立的公司或企业,其没有足够的本地数据时,为了确保第一参与方能够在本地实现模型训练以及精准地信用评估和欺诈评估,可以先通过第一参与方节点接收区块链网络中第二参与方节点存储的模型参数,然后第一联邦学习节点可以接收到第一参与方节点下发的上述模型参数,并基于接收到的区块链网络中第二参与方节点的模型参数对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到第一参与方对应的联合模型。上述第二参与方节点的模型参数可以但不限于基于第二参与方对应的第二联邦学习节点的本地数据和/或区块链网络中第三参与方节点的模型参数对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
可以理解地,上述第一参与方节点、第二参与方节点以及第三参与方节点为均为同一领域不同参与方对应的参与方节点。
可选地,如图3所示,上述S204,基于第一联邦学习节点的本地数据和/或区块链网络中第二参与方节点的模型参数对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到第一参与方对应的联合模型的实现流程可以包括:
S302,基于第一联邦学习节点的本地数据对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到第一参与方对应的联合模型。
具体地,第一联邦学习节点的本地数据可以包括第一参与方的已知信用评估结果和欺诈评估结果的多个用户的消费行为、历史记录以及所购买的第一参与方的产品特性,例如但不限于信用卡的额度、使用频度等。
S304,基于区块链网络中第二参与方节点的模型参数对联合模型进行更新,得到第一参与方对应更新后的联合模型。
可选地,上述区块链网络包括第一参与方节点以及除了第一参与方节点之外的多个其他参与方节点。在基于第一联邦学习节点的本地数据对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到第一参与方对应的联合模型之后,可以先基于上述多个其他参与方节点各自的模型参数对第一参与方对应的联合模型预测结果的贡献度排名,从多个其他参与方节点中选择至少一个第二参与方节点。上述至少一个第二参与方节点可以但不限于包括多个其他参与方节点中贡献度大于贡献度阈值的参与节点或者贡献度排名前3或第一的参与方节点,本说明书实施例对此不作限定。在从多个其他参与方节点中选择至少一个第二参与方节点后,可以基于上述至少一个第二参与方节点的模型参数对上述训练后的联合模型进行更新,得到第一参与方对应更新后的联合模型。
本说明书实施例中,各联邦学习节点将模型训练后得到的模型参数上传至各自对应的参与方节点存储后,第一参与方节点并非需要将接收到的所有的其他参与方节点存储的模型参数下发至第一联邦学习节点进行第一参与方本地的联合模型的更新,可以根据其他参与方节点各自上传的模型参数对第一参与方对应的联合模型预测结果的贡献度排名,适应性地选择贡献度较高地第二参与方节点上传的模型参数进行更新。
示例性地,如图4所示,在基于第一联邦学习节点的本地数据对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到第一参与方对应的联合模型之后,若多个其他参与方节点(参与方节点A、参与方节点B、参与方节点C等)各自的模型参数(模型参数a、模型参数b、模型参数c等)对第一参与方对应的联合模型预测结果的贡献度排名为参与方节点A-贡献度0.9、参与方节点B-贡献度0.8、参与方节点C-贡献度0.7等,若选择参与第一参与方的联合模型更新的贡献度阈值为0.7,则可以从上述多个其他参与方节点(参与方节点A、参与方节点B、参与方节点C等)中选择贡献度大于贡献度阈值的两个第二参与方节点(参与方节点A和参与方节点B)。
可选地,上述第二参与方节点的数量为多个。上述S304,基于区块链网络中第二参与方节点的模型参数对联合模型进行更新,得到第一参与方对应更新后的联合模型可以包括:先将区块链网络中多个第二参与方节点各自的模型参数进行聚合,得到多个第二参与方节点对应的聚合参数,然后,基于该聚合参数对联合模型进行更新,得到第一参与方对应更新后的联合模型。上述多个第二参与方节点可以但不限于为区块链网络中除了第一参与方节点之外的其他参与方节点。上述参数聚合的方式可以但不限于为均方差、去正态分布等。
可以理解地,上述多个第二参与方节点可以理解为区块链网络中多个不同的第二参与方各自对应的节点,第二参与方可以理解为第一参与方更新联合模型时选择使用的模型参数对应的参与方。
示例性地,如图5所示,若第二参与方节点包括参与方节点A和参与方节点B,参与方节点A中存储有参与方A对应的模型参数a,参与方节点B中存储有参与方B对应的模型参数b,在基于第一联邦学习节点的本地数据对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到第一参与方对应的联合模型之后,可以直接将参与方节点A对应的模型参数a和参与方节点B对应的模型参数b进行聚合得到聚合参数,并基于该聚合参数对第一参与方节点基于本地数据训练后的联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
可选地,如图6所示,上述第一参与方节点的联合模型可以但不限于基于第一联邦学习节点的本地数据对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到,并基于区块链网络中第二参与方节点的模型参数对训练后的联合模型进行更新;上述第二参与方节点的模型参数可以但不限于基于第二联邦学习节点的本地数据对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到,并基于区块链网络中第三参与方节点的模型参数对训练后的联合模型进行更新。上述第三参与方节点的联合模型可以但不限于基于第三联邦学习节点的本地数据对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到,并基于区块链网络中第一参与方节点的模型参数对训练后的联合模型的模型参数进行更新。
本说明书实施例中,可以单次更新一个参与方的模型参数,然后再将更新后的模型参数上传至区块链网络中对应参与方节点进行共享,传输给另一个参与方对应的参与方节点,让另一个参与方对自身的联合模型能够在本地(其对应的联邦学习节点)进行训练更新,依次重复此过程,直至区块链网络中所有的参与方对应的联合模型均已完成更新,从而既通过区块链技术保证参数传递的隐私性和安全性,实现模型的加密训练,又可以通过各参与方模型参数的共享让各参与方可以更加高效准确地进行模型训练。
可以理解地,在联邦学习中,每个参与设备或组织(即参与方)可以通过本地训练更新自己的模型,然后将更新后的模型参数上传到区块链网络中进行共享聚合。由于每个参与方即联邦学习节点的数据集(本地数据)都是独立的,因此各参与方模型更新的结果可以更好地适应各自的数据集。同时,联邦学习使用的压缩技术和差分隐私技术可以降低通信带宽和通信开销,实现各参与方直接高效的通信。
接下来请参考图7,其为本说明书一示例性实施例提供的另一种模型训练方法的流程示意图。如图7所示,该模型训练方法可以包括以下几个步骤:
S702,接收区块链网络中第一参与方节点发送的联邦学习模型。
具体地,S702与S202一致,此处不再赘述。
S704,基于第一联邦学习节点的本地数据对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到第一参与方对应的联合模型。
具体地,S704与S302一致,此处不再赘述。
S706,基于区块链网络中第二参与方节点的模型参数对联合模型进行更新,得到第一参与方对应更新后的联合模型。
具体地,S706与S304一致,此处不再赘述。
S708,基于第一联邦学习节点的测试数据集以及第一参与方对应更新后的联合模型确定第二参与方节点的模型参数对第一参与方对应的联合模型预测结果的贡献度。
具体地,上述第一联邦学习节点的测试数据集可以包括已知信用评估结果和欺诈评估结果的多个用户的用户信息,上述用户信息可以但不限于包括用户的消费行为和历史记录以及用户所购买第一参与方的产品的特性,例如但不限于信用卡的额度、使用频度等。在基于区块链网络中第二参与方节点的模型参数对联合模型进行更新,得到第一参与方对应更新后的联合模型后,可以先将第一联邦学习节点的测试数据集中多个用户的用户信息输入更新后的联合模型中,输出上述多个用户各自对应的预测信用评估结果和预测欺诈评估结果。然后,基于上述多个用户各自对应的预测信用评估结果和预测欺诈评估结果以及上述多个用户各自对应实际的信用评估结果和欺诈评估结果确定更新后的联合模型的准确率。最后,可以基于该准确率确定第二参与方节点的模型参数对第一参与方对应的联合模型预测结果的贡献度,例如但不限于直接将更新后的联合模型的准确率确定为第二参与方节点的模型参数对第一参与方对应的联合模型预测结果的贡献度。
S710,基于贡献度确定待向第二参与方支付的费用。
具体地,本说明书实施例中,可以预先设置权重化贡献衡量机制,当第一参与对应的第一联邦学习节点在使用其他节点的模型参数更新联合模型时,可以记录下其他节点对第一联邦学习节点测试集数据集预测的准确率,并据此衡量不同节点对第一联邦学习节点的贡献,并以此付费。本说明书实施例中,可以根据第二参与方节点的模型参数对第一参与方对应的联合模型预测结果的贡献度,给予不同第二参与方差异化的价格,有效地促进了各参与方数据贡献的积极性。
可选地,在上述S704,基于第一联邦学习节点的本地数据对联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到第一参与方对应的联合模型之后,和/或,上述S706,基于区块链网络中第二参与方节点的模型参数对联合模型进行更新,得到第一参与方对应更新后的联合模型之后,如图8所示,该模型训练方法还可以包括:
S712,将第一参与方对应的联合模型的模型参数上传至第一参与方节点存储。
具体地,第一联邦学习节点训练完联合模型或者更新完联合模型后,均可以将对应的模型参数上传至区块链网络中第一参与方节点存储,以便区块链网络中的其他参与方节点能够将第一参与方共享的模型参数下发至对应的联邦学习节点进行模型训练或更新。
可以理解地,将各参与方对应的联合模型的模型参数上传至对应参与方节点存储时,可以通过智能合约来进行管理和验证,利用区块链的授权机制和身份管理等为联邦学习各参与方提供一个安全可信的合作机制。结合区块链防篡改、可追溯的关键特性,将联邦建模的关键模型参数上链,使得用户和服务器对数据进行的操作被忠实记录,参与方的一切恶意行为都可以被事后追溯,有效保障数据的安全性。同时,还通过联邦学习技术保证各参与方之间的数据隔离和互相信任。
接下来请参考图8,其为本说明书一示例性实施例提供的一种评估方法的流程示意图。如图8所示,该评估方法可以包括以下几个步骤:
S802,获取目标用户的目标用户信息。
具体地,当目标用户购买第一参与方的目标消费金融产品时,可以先获取目标用户的目标用户信息。上述目标用户信息可以但不限于包括目标用户的目标基本信息、目标消费行为信息以及目标用户对应第一参与方的目标消费金融产品的目标额度信息和目标使用频度信息。上述目标基本信息可以但不限于目标用户的年纪、身份信息、职业信息等。
S804,将目标用户信息输入第一参与方对应的联合模型中,基于联合模型中的信用评估网络和欺诈评估网络分别输出目标用户对应的目标信用评估结果和目标欺诈评估结果。
具体地,上述第一参与方对应的联合模型基于上述任一实施例所述的模型训练方法进行训练得到。上述目标信用评估结果可以但不限于包括目标用户的信用评分,上述目标欺诈评估结果可以但不限于包括目标用户的欺诈评分等。
可选地,第一参与方确定目标用户的信用评分后,可以根据该信用评分来决定目标用户的贷款额度、利率和还款期限等。第一参与方确定目标用户的欺诈评分后,可以根据该欺诈评分来对目标用户进行风险管理,决定是否向目标用户提供信贷或金融服务,以及给予何种程度的信贷或金融服务,以此来保护自身和目标用户的利益。
可选地,在将目标用户信息输入第一参与方对应的联合模型中,基于联合模型中的信用评估网络和欺诈评估网络分别输出目标用户对应的目标信用评估结果和目标欺诈评估结果之后,还可以将目标信用评估结果和目标欺诈评估结果上传至区块链网络中第一参与方对应的第一参与方节点,以供区块链网络中其他参与方对应的参与方节点通过调用智能合约从第一参与方节点中获取该目标用户的目标信用评估结果和目标欺诈评估结果。
本说明书实施例中,可以通过将各参与方评估得到的各用户的信用评估结果和欺诈评估结果上传至区块链网络中各参与方对应的参与方节点,实现将各用户的评估结果共享给区块链网络中的各参与方节点,为在某些方面数据匮乏的参与方提供一项用户信用评估与欺诈评估的获取途径,各个参与方可以通过调用智能合约来获取其他参与方的用户信用评估与欺诈评估结果,且评估结果使用加密算法等方式进行保护,确保数据安全。
接下来请参考图9,其为本说明书一示例性实施例提供的模型训练的实现过程示意图。如图9所示,各联邦学习的参与方例如但不限于参与方A、参与方B以及参与方C等可以获取各自用户的用户信息(本地数据),并利用上述用户信息(本地数据)参与联邦学习模型的训练,得到对应的联合模型。其中,联合模型包括进行联合训练后的信用评估网络和欺诈评估网络。在各参与方本地训练得到联合模型后,可以将对应的模型参数上链(上传)至区块链网络中对应的参与方节点。同时,各参与方训练完联合模型后,可以通过其他参与方节点的模型参数以及本地数据计算联合模型对应的梯度和损失,进而对本地训练后的联合模型进行更新。上述用户可以但不限于为零售客群,上述用户信息可以但不限于为零售客群交易的零售产品信息等。本说明书实施例的区块链网络中,可以设置有数据存储模块、数据溯源模块、激励机制以及共识机制。数据存储模块用于存储各参与方对应联邦学习节点上传的模型参数。数据溯源采用“数字签名“技术,用来验证数据的来源和真实性。每个数据都有一个与之对应的数字签名,该签名由数据的发送方(联邦学习节点)生成,并且由公钥和私钥组成。公钥公开,私钥只有发送方(联邦学习节点)拥有。接收方(参与方节点)可以通过公钥来验证数字签名是否有效,从而确保数据(模型参数)的真实性和来源。激励机制采用贡献度奖励机制,贡献度奖励机制是指通过对参与方的贡献度进行评估,并给予一定的奖励(费用)来激励参与方的积极性。参与方的贡献来源于其贡献的模型参数。共识机制采用PBFT(拜占庭容错)机制,PBFT机制是一种拜占庭容错的共识机制,它通过让参与方不断地进行投票,来决定下一个区块的产生权,PBFT机制可以在短时间内达成共识。同时,各参与方也可以将用户的信用评估结果和欺诈评估结果共享给区块链网络中的各个参与方,为在某些方面数据匮乏的参与方提供一项用户信用评估与欺诈评估的获取途径。各个参与方可以通过调用智能合约来获取评估结果,且评估结果使用加密算法等方式进行保护,确保数据安全。
接下来请参考图10,其为本说明书一示例性实施例提供的一种模型训练装置的结构示意图。上述模型训练装置应用于第一参与方对应的第一联邦学习节点,如图10所示,该模型训练装置1000包括:
接收模块1010,用于接收区块链网络中第一参与方节点发送的联邦学习模型;
模型训练模块1020,用于基于上述第一联邦学习节点的本地数据和/或上述区块链网络中第二参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型;上述第二参与方节点的模型参数基于第二参与方对应第二联邦学习节点的本地数据对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
在一种可能的实现方式中,上述模型训练模块1020包括:
联合训练单元,用于基于上述第一联邦学习节点的本地数据对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型;
更新单元,用于基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一种可能的实现方式中,上述模型训练装置1000还包括:
第一确定模块,用于基于上述第一联邦学习节点的测试数据集以及上述第一参与方对应更新后的联合模型确定上述第二参与方节点的模型参数对上述第一参与方对应的联合模型预测结果的贡献度;
第二确定模块,用于基于上述贡献度确定待向上述第二参与方支付的费用。
在一种可能的实现方式中,上述区块链网络包括上述第一参与方节点以及除了上述第一参与方节点之外的多个其他参与方节点;
上述模型训练装置1000还包括:
选择模块,用于基于上述多个其他参与方节点各自的模型参数对上述第一参与方对应的联合模型预测结果的贡献度排名,从上述多个其他参与方节点中选择至少一个第二参与方节点;
上述更新单元具体用于:基于上述至少一个第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一种可能的实现方式中,上述第二参与方节点的数量为多个;
上述更新单元包括:
参数聚合子单元,用于将上述区块链网络中多个第二参与方节点各自的模型参数进行聚合,得到上述多个第二参与方节点对应的聚合参数;
更新子单元,用于基于上述聚合参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一种可能的实现方式中,上述第二参与方节点的模型参数基于上述第二联邦学习节点的本地数据以及上述区块链网络中第三参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
在一种可能的实现方式中,上述第一参与方对应的联合模型随着上述第一联邦学习节点的本地数据和/或上述第二参与方节点的模型参数的更新而更新。
在一种可能的实现方式中,上述模型训练装置1000还包括:
第一上传模块,用于将上述第一参与方对应的联合模型的模型参数上传至上述第一参与方节点存储。
上述模型训练装置中各模块的划分仅用于举例说明,在其他实施例中,可将模型训练装置按照需要划分为不同的模块,以完成上述模型训练装置的全部或部分功能。本说明书实施例中提供的模型训练装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时,实现本说明书实施例中所描述的模型训练方法的全部或部分步骤。
接下来请参考图11,其为本说明书一示例性实施例提供的一种评估装置的结构示意图。上述评估装置应用于第一参与方对应的第一联邦学习节点,如图11所示,该评估装置1100包括:
获取模块1110,用于获取目标用户的目标用户信息;上述目标用户信息包括上述目标用户的目标基本信息、目标消费行为信息以及上述目标用户对应上述第一参与方的目标消费金融产品的目标额度信息和目标使用频度信息;
信用评估和欺诈评估模块1120,用于将上述目标用户信息输入上述第一参与方对应的联合模型中,基于上述联合模型中的信用评估网络和欺诈评估网络分别输出上述目标用户对应的目标信用评估结果和目标欺诈评估结果;上述第一参与方对应的联合模型基于第一方面的任意一种可能的实现方式提供的模型训练方法进行训练得到。
在一种可能的实现方式中,上述评估装置1100还包括:
第二上传模块,用于将上述目标信用评估结果和上述目标欺诈评估结果上传至区块链网络中上述第一参与方对应的第一参与方节点,以供上述区块链网络中其他参与方对应的参与方节点通过调用智能合约从上述第一参与方节点中获取上述目标信用评估结果和上述目标欺诈评估结果。
上述评估装置中各模块的划分仅用于举例说明,在其他实施例中,可将评估装置按照需要划分为不同的模块,以完成上述评估装置的全部或部分功能。本说明书实施例中提供的评估装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时,实现本说明书实施例中所描述的评估方法的全部或部分步骤。
接下来请参阅图12,其为本说明书一示例性实施例提供的一种电子设备的结构示意图。如图12所示,该电子设备1200可以包括:至少一个处理器1210、至少一个通信总线1220、用户接口1230、至少一个网络接口1240、存储器1250。
其中,通信总线1220可用于实现上述各个组件的连接通信。
其中,用户接口1230可以包括显示屏(Display)和摄像头(Camera),可选用户接口还可以包括标准的有线接口、无线接口。
其中,网络接口1240可选的可以包括蓝牙模块、近场通信(Near FieldCommunication,NFC)模块、无线保真(Wireless Fidelity,Wi-Fi)模块等。
其中,处理器1210可以包括一个或者多个处理核心。处理器1210利用各种接口和线路连接整个电子设备1200内的各个部分,通过运行或执行存储在存储器1250内的指令、程序、代码集或指令集,以及调用存储在存储器1250内的数据,执行路由电子设备1200的各种功能和处理数据。可选的,处理器1210可以采用数字信号处理(Digital SignalProcessing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1210可集成处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1210中,单独通过一块芯片进行实现。
其中,存储器1250可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。可选的,该存储器1250包括非瞬时性计算机可读介质。存储器1250可用于存储指令、程序、代码、代码集或指令集。存储器1250可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如获取功能、模型训练功能、信用评估和欺诈评估功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1250可选的还可以是至少一个位于远离前述处理器1210的存储装置。如图12所示,作为一种计算机存储介质的存储器1250中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
在一些可能的实施例中,上述电子设备1200可以是前述模型训练装置,处理器1210可以用于调用存储器1250中存储的程序指令,并具体执行以下操作:
接收区块链网络中第一参与方节点发送的联邦学习模型;基于上述第一联邦学习节点的本地数据和/或上述区块链网络中第二参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型;上述第二参与方节点的模型参数基于第二参与方对应第二联邦学习节点的本地数据对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
在一些可能的实施例中,上述处理器1210执行基于上述第一联邦学习节点的本地数据和/或上述区块链网络中第二参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型时,具体用于执行:基于上述第一联邦学习节点的本地数据对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型;基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一些可能的实施例中,上述处理器1210执行基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到更新后的联合模型之后,还用于执行:
基于上述第一联邦学习节点的测试数据集以及上述第一参与方对应更新后的联合模型确定上述第二参与方节点的模型参数对上述第一参与方对应的联合模型预测结果的贡献度;基于上述贡献度确定待向上述第二参与方支付的费用。
在一些可能的实施例中,上述区块链网络包括上述第一参与方节点以及除了上述第一参与方节点之外的多个其他参与方节点;
上述处理器1210执行基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型之前,还用于执行:基于上述多个其他参与方节点各自的模型参数对上述第一参与方对应的联合模型预测结果的贡献度排名,从上述多个其他参与方节点中选择至少一个第二参与方节点。
上述处理器1210执行基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型时,具体用于执行:
基于上述至少一个第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一些可能的实施例中,上述第二参与方节点的数量为多个;
上述处理器1210执行基于上述区块链网络中第二参与方节点的模型参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型时,具体用于执行:将上述区块链网络中多个第二参与方节点各自的模型参数进行聚合,得到上述多个第二参与方节点对应的聚合参数;基于上述聚合参数对上述联合模型进行更新,得到上述第一参与方对应更新后的联合模型。
在一些可能的实施例中,上述第二参与方节点的模型参数基于上述第二联邦学习节点的本地数据以及上述区块链网络中第三参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
在一些可能的实施例中,上述第一参与方对应的联合模型随着上述第一联邦学习节点的本地数据和/或上述第二参与方节点的模型参数的更新而更新。
在一些可能的实施例中,上述处理器1210执行基于上述第一联邦学习节点的本地数据和/或上述区块链网络中第二参与方节点的模型参数对上述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到上述第一参与方对应的联合模型之后,还用于执行:
将上述第一参与方对应的联合模型的模型参数上传至上述第一参与方节点存储。
在一些可能的实施例中,上述电子设备1200可以是前述评估装置,上述处理器1210可以用于调用存储器1250中存储的程序指令,并具体执行以下操作:
获取目标用户的目标用户信息;上述目标用户信息包括上述目标用户的目标基本信息、目标消费行为信息以及上述目标用户对应上述第一参与方的目标消费金融产品的目标额度信息和目标使用频度信息;将上述目标用户信息输入上述第一参与方对应的联合模型中,基于上述联合模型中的信用评估网络和欺诈评估网络分别输出上述目标用户对应的目标信用评估结果和目标欺诈评估结果;上述第一参与方对应的联合模型基于第一方面的任意一种可能的实现方式提供的模型训练方法进行训练得到。
在一些可能的实施例中,上述处理器1210执行将上述目标用户信息输入上述第一参与方对应的联合模型中,基于上述联合模型中的信用评估网络和欺诈评估网络分别输出上述目标用户对应的目标信用评估结果和目标欺诈评估结果之后,还用于执行:将上述目标信用评估结果和上述目标欺诈评估结果上传至区块链网络中上述第一参与方对应的第一参与方节点,以供上述区块链网络中其他参与方对应的参与方节点通过调用智能合约从上述第一参与方节点中获取上述目标信用评估结果和上述目标欺诈评估结果。
本说明书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中存储有指令,当其在计算机或处理器上运行时,使得计算机或处理器执行上述实施例中的一个或多个步骤。上述模型训练装置或评估装置的各组成模块如果以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,可以存储在上述计算机可读取存储介质中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。上述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行上述计算机程序指令时,全部或部分地产生按照本说明书实施例上述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中,或者通过上述计算机可读存储介质进行传输。上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DigitalSubscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字多功能光盘(DigitalVersatile Disc,DVD))、或者半导体介质(例如,固态硬盘(Solid State Disk,SSD))等。
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,可以通过计算机程序来指令相关的硬件来完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。在不冲突的情况下,本实施例和实施方案中的技术特征可以任意组合。
以上所述的实施例仅仅是本说明书的优选实施例方式进行描述,并非对本说明书的范围进行限定,在不脱离本说明书的设计精神的前提下,本领域普通技术人员对本说明书的技术方案作出的各种变形及改进,均应落入权利要求书确定的保护范围内。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书和说明书中记载的动作或步骤可以按照不同于说明书记载的实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
Claims (15)
1.一种模型训练方法,所述方法应用于第一参与方对应的第一联邦学习节点,所述方法包括:
接收区块链网络中第一参与方节点发送的联邦学习模型;
基于所述第一联邦学习节点的本地数据和/或所述区块链网络中第二参与方节点的模型参数对所述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到所述第一参与方对应的联合模型;所述第二参与方节点的模型参数基于第二参与方对应第二联邦学习节点的本地数据对所述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
2.如权利要求1所述的方法,所述基于所述第一联邦学习节点的本地数据和/或所述区块链网络中第二参与方节点的模型参数对所述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到所述第一参与方对应的联合模型,包括:
基于所述第一联邦学习节点的本地数据对所述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到所述第一参与方对应的联合模型;
基于所述区块链网络中第二参与方节点的模型参数对所述联合模型进行更新,得到所述第一参与方对应更新后的联合模型。
3.如权利要求2所述的方法,所述基于所述区块链网络中第二参与方节点的模型参数对所述联合模型进行更新,得到更新后的联合模型之后,所述方法还包括:
基于所述第一联邦学习节点的测试数据集以及所述第一参与方对应更新后的联合模型确定所述第二参与方节点的模型参数对所述第一参与方对应的联合模型预测结果的贡献度;
基于所述贡献度确定待向所述第二参与方支付的费用。
4.如权利要求2所述的方法,所述区块链网络包括所述第一参与方节点以及除了所述第一参与方节点之外的多个其他参与方节点;
所述基于所述区块链网络中第二参与方节点的模型参数对所述联合模型进行更新,得到所述第一参与方对应更新后的联合模型之前,所述方法还包括:
基于所述多个其他参与方节点各自的模型参数对所述第一参与方对应的联合模型预测结果的贡献度排名,从所述多个其他参与方节点中选择至少一个第二参与方节点;
所述基于所述区块链网络中第二参与方节点的模型参数对所述联合模型进行更新,得到所述第一参与方对应更新后的联合模型,包括:
基于所述至少一个第二参与方节点的模型参数对所述联合模型进行更新,得到所述第一参与方对应更新后的联合模型。
5.如权利要求2所述的方法,所述第二参与方节点的数量为多个;
所述基于所述区块链网络中第二参与方节点的模型参数对所述联合模型进行更新,得到所述第一参与方对应更新后的联合模型,包括:
将所述区块链网络中多个第二参与方节点各自的模型参数进行聚合,得到所述多个第二参与方节点对应的聚合参数;
基于所述聚合参数对所述联合模型进行更新,得到所述第一参与方对应更新后的联合模型。
6.如权利要求1-5任一项所述的方法,所述第二参与方节点的模型参数基于所述第二联邦学习节点的本地数据以及所述区块链网络中第三参与方节点的模型参数对所述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
7.如权利要求1-5任一项所述的方法,所述第一参与方对应的联合模型随着所述第一联邦学习节点的本地数据和/或所述第二参与方节点的模型参数的更新而更新。
8.如权利要求1所述的方法,所述基于所述第一联邦学习节点的本地数据和/或所述区块链网络中第二参与方节点的模型参数对所述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到所述第一参与方对应的联合模型之后,所述方法还包括:
将所述第一参与方对应的联合模型的模型参数上传至所述第一参与方节点存储。
9.一种评估方法,所述方法应用于第一参与方对应的第一联邦学习节点,所述方法包括:
获取目标用户的目标用户信息;所述目标用户信息包括所述目标用户的目标基本信息、目标消费行为信息以及所述目标用户对应所述第一参与方的目标消费金融产品的目标额度信息和目标使用频度信息;
将所述目标用户信息输入所述第一参与方对应的联合模型中,基于所述联合模型中的信用评估网络和欺诈评估网络分别输出所述目标用户对应的目标信用评估结果和目标欺诈评估结果;所述第一参与方对应的联合模型基于权利要求1-8任一项所述的模型训练方法进行训练得到。
10.如权利要求9所述的方法,所述将所述目标用户信息输入所述第一参与方对应的联合模型中,基于所述联合模型中的信用评估网络和欺诈评估网络分别输出所述目标用户对应的目标信用评估结果和目标欺诈评估结果之后,所述方法还包括:
将所述目标信用评估结果和所述目标欺诈评估结果上传至区块链网络中所述第一参与方对应的第一参与方节点,以供所述区块链网络中其他参与方对应的参与方节点通过调用智能合约从所述第一参与方节点中获取所述目标信用评估结果和所述目标欺诈评估结果。
11.一种模型训练装置,所述模型训练装置应用于第一参与方对应的第一联邦学习节点,所述模型训练装置包括:
接收模块,用于接收区块链网络中第一参与方节点发送的联邦学习模型;
模型训练模块,用于基于所述第一联邦学习节点的本地数据和/或所述区块链网络中第二参与方节点的模型参数对所述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练,得到所述第一参与方对应的联合模型;所述第二参与方节点的模型参数基于第二参与方对应第二联邦学习节点的本地数据对所述联邦学习模型中的信用评估网络和欺诈评估网络进行联合训练得到。
12.一种评估装置,所述装置应用于第一参与方对应的第一联邦学习节点,所述装置包括:
获取模块,用于获取目标用户的目标用户信息;所述目标用户信息包括所述目标用户的目标基本信息、目标消费行为信息以及所述目标用户对应所述第一参与方的目标消费金融产品的目标额度信息和目标使用频度信息;
信用评估和欺诈评估模块,用于将所述目标用户信息输入所述第一参与方对应的联合模型中,基于所述联合模型中的信用评估网络和欺诈评估网络分别输出所述目标用户对应的目标信用评估结果和目标欺诈评估结果;所述第一参与方对应的联合模型基于权利要求1-8任一项所述的模型训练方法进行训练得到。
13.一种电子设备,包括:处理器和存储器;
所述处理器与所述存储器相连;
所述存储器,用于存储可执行程序代码;
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行如权利要求1-10任一项所述的方法。
14.一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-10任一项的方法步骤。
15.一种包含指令的计算机程序产品,当所述计算机程序产品在计算机或处理器上运行时,使得所述计算机或所述处理器执行如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311099670.9A CN117151859A (zh) | 2023-08-29 | 2023-08-29 | 模型训练及评估方法、相关装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311099670.9A CN117151859A (zh) | 2023-08-29 | 2023-08-29 | 模型训练及评估方法、相关装置、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117151859A true CN117151859A (zh) | 2023-12-01 |
Family
ID=88907368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311099670.9A Pending CN117151859A (zh) | 2023-08-29 | 2023-08-29 | 模型训练及评估方法、相关装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151859A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786414A (zh) * | 2024-02-23 | 2024-03-29 | 云南联合视觉科技有限公司 | 一种构建医学指令数据集的方法 |
CN117786414B (zh) * | 2024-02-23 | 2024-05-10 | 云南联合视觉科技有限公司 | 一种构建医学指令数据集的方法 |
-
2023
- 2023-08-29 CN CN202311099670.9A patent/CN117151859A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786414A (zh) * | 2024-02-23 | 2024-03-29 | 云南联合视觉科技有限公司 | 一种构建医学指令数据集的方法 |
CN117786414B (zh) * | 2024-02-23 | 2024-05-10 | 云南联合视觉科技有限公司 | 一种构建医学指令数据集的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10783539B2 (en) | Incentive-based crowdvoting using a blockchain | |
Pasdar et al. | Connect api with blockchain: A survey on blockchain oracle implementation | |
US11126659B2 (en) | System and method for providing a graph protocol for forming a decentralized and distributed graph database | |
US20170200137A1 (en) | Combined security for electronic transfers | |
CN107274184A (zh) | 基于零知识证明的区块链数据处理 | |
CN112465627B (zh) | 基于区块链和机器学习的金融借贷审核方法及系统 | |
US10078851B2 (en) | Systems and methods for leveraging social queuing to identify and prevent ticket purchaser simulation | |
CN105122285A (zh) | 为用户生成的内容给出奖励 | |
CN111367965B (zh) | 目标对象确定方法、装置、电子设备及存储介质 | |
CN112862303B (zh) | 一种基于区块链的众包质量评估的系统及方法 | |
CN113568973B (zh) | 基于区块链和联邦学习的金融征信数据共享方法及装置 | |
CN110363636A (zh) | 基于关系网络的欺诈风险识别方法及装置 | |
US20210049640A1 (en) | Systems and methods for leveraging social queuing to simulate ticket purchaser behavior | |
Pouwelse et al. | Laws for creating trust in the blockchain age | |
CN114971841A (zh) | 风险管理方法、风险模型训练方法、装置、设备和介质 | |
CN109829593B (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
CN106302367B (zh) | 事务处理方法和系统 | |
CN112598132A (zh) | 模型训练方法及装置、存储介质、电子装置 | |
KR102136108B1 (ko) | 블록체인원장시스템을 이용한 부동산 안전거래 제공방법 | |
CN117151859A (zh) | 模型训练及评估方法、相关装置、设备、介质及产品 | |
Wachs | Making markets for information security: the role of online platforms in bug bounty programs | |
Hariyanti et al. | Conceptual Model for Adoption of Mobile Banking Technology in Savings and Loans Cooperatives | |
CN111260468A (zh) | 基于区块链的数据操作方法和相关设备及存储介质 | |
Malakani et al. | Trading 4.0: An online peer-to-peer money lending platform | |
US20240070774A1 (en) | Decentralized risk assessment framework using distributed ledger technology |
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 |