CN117437039A - 一种基于纵向联邦学习的商业银行贷款风控方法 - Google Patents
一种基于纵向联邦学习的商业银行贷款风控方法 Download PDFInfo
- Publication number
- CN117437039A CN117437039A CN202311764963.4A CN202311764963A CN117437039A CN 117437039 A CN117437039 A CN 117437039A CN 202311764963 A CN202311764963 A CN 202311764963A CN 117437039 A CN117437039 A CN 117437039A
- Authority
- CN
- China
- Prior art keywords
- data
- loan
- bank loan
- model
- encryption
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 102
- 230000009467 reduction Effects 0.000 claims abstract description 68
- 239000013598 vector Substances 0.000 claims abstract description 61
- 238000005516 engineering process Methods 0.000 claims abstract description 59
- 230000005540 biological transmission Effects 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000012502 risk assessment Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 32
- 230000002452 interceptive effect Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000007726 management method Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000000873 masking effect Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000010129 solution processing Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 14
- 230000002829 reductive effect Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 8
- 230000004224 protection Effects 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method Methods 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
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Finance (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (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)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及银行贷款风控技术领域，尤其涉及一种基于纵向联邦学习的商业银行贷款风控方法。所述方法包括以下步骤：获取商业银行贷款借款人的信息数据，通过信息降噪算法对商业银行贷款借款人的信息数据进行降噪处理，得到商业银行贷款降噪数据；利用敏感数据隐蔽算法对商业银行贷款降噪数据进行数据隐蔽处理，得到银行贷款隐蔽信息数据；利用数据筛选技术对银行贷款隐蔽信息数据进行筛选处理，得到银行贷款数字类数据和银行贷款文本类数据；利用无线传输技术将银行贷款数字类数据和银行贷款文本类数据分别传输至相应的分支服务器进行数据预处理，得到银行贷款数字类数据特征和银行贷款文本类向量。本发明能够提高贷款风险评估的准确性和可靠性。
Description
技术领域
本发明涉及银行贷款风控技术领域，尤其涉及一种基于纵向联邦学习的商业银行贷款风控方法。
背景技术
随着银行普惠金融的发展，各类贷款产品应运而生，准确评估贷款申请人的信誉对于最大限度地降低贷款违约风险至关重要，贷款风控技术亟待提升。目前，银行贷款风控方面尚未充分运用人工智能算法，传统的贷款风险控制方法依赖于集中的数据存储，主要从贷前准入和贷后预警着手，利用银行内外数据，基于经验编写筛选算法，得出授信或预警清单。然而，传统的贷款风险控制方法依赖于集中的数据存储，该方法容易受到数据泄露和隐私侵犯的影响，同时会涉及到数据隐私安全以及数据孤岛等问题。
发明内容
基于此，本发明有必要提供一种基于纵向联邦学习的商业银行贷款风控方法，以解决至少一个上述技术问题。
为实现上述目的，一种基于纵向联邦学习的商业银行贷款风控方法，包括以下步骤：
步骤S1：获取商业银行贷款借款人的信息数据，通过信息降噪算法对商业银行贷款借款人的信息数据进行降噪处理，得到商业银行贷款降噪数据；利用敏感数据隐蔽算法对商业银行贷款降噪数据进行数据隐蔽处理，得到银行贷款隐蔽信息数据；
步骤S2：利用数据筛选技术对银行贷款隐蔽信息数据进行筛选处理，得到银行贷款数字类数据和银行贷款文本类数据；并利用无线传输技术将银行贷款数字类数据和银行贷款文本类数据分别传输至相应的分支服务器进行数据预处理，得到银行贷款数字类数据特征和银行贷款文本类向量；
步骤S3：基于纵向联邦学习技术在分支服务器中构建本地模型，并在中央服务器中构建联邦模型；利用傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，得到银行贷款联合加密数据；通过本地模型对银行贷款联合加密数据进行加密交互计算，得到本地模型加密梯度和本地模型加密损失；
步骤S4：利用掩码处理技术对本地模型加密梯度进行掩码填充处理，得到本地模型加密掩码梯度；将本地模型加密掩码梯度和本地模型加密损失发送至联邦模型进行模型参数聚合和更新优化处理，得到贷款风控模型；
步骤S5：利用贷款风控模型对银行贷款数字类数据特征和银行贷款文本类向量进行风险预测分析，得到贷款风险推断结果；对贷款风险推断结果进行预测和风险评估处理以执行相应的贷款决策。
本发明通过在获取商业银行贷款借款人的信息数据后，使用信息降噪算法对数据进行处理，可以减少数据中的噪声和冗余信息，从而提高数据的质量和准确性。随后，通过使用敏感数据隐蔽算法对降噪后的数据进行处理，将敏感信息进行隐蔽化或加密，以确保借款人的个人隐私和数据安全性。通过数据筛选技术对银行贷款隐蔽信息数据进行筛选处理，可以提取出贷款数字类数据和银行贷款文本类数据。这些数据的筛选可以基于特定的规则、模型或算法进行，以满足后续建模和分析的需求。并通过使用无线传输技术将筛选后的数据传输至相应的分支服务器，保证数据的快速传输和存储，为后续的数据预处理做准备。然后，基于纵向联邦学习技术，在分支服务器中构建本地模型，并在中央服务器中构建联邦模型。这种纵向联邦学习的方式可以实现模型的协同训练，保护敏感信息的同时利用不同服务器上的数据进行模型的整合和更新。通过采用傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，确保数据在传输和处理过程中的安全性。本地模型通过加密交互计算获得加密梯度和加密损失，避免了真实数据的泄露。利用掩码处理技术对本地模型加密梯度进行掩码填充处理，可保护模型更新的隐私信息，并防止对模型参数的逆向推导。将本地模型加密掩码梯度和本地模型加密损失发送至联邦模型，进行模型参数的聚合和更新优化处理。这样，贷款风控模型可以获得来自不同分支服务器的加密梯度和损失信息，达到模型更新的效果，同时保护了敏感数据的隐私性。最后，利用贷款风控模型对银行贷款数字类数据特征和银行贷款文本类向量进行风险预测分析，通过模型训练和参数优化，可以基于数据特征和文本信息评估贷款申请人的风险。根据贷款风险推断结果，可以进行预测和风险评估，帮助决策者做出相应的贷款决策。这样，商业银行可以更加准确地评估借款人的信用风险，降低贷款风险，从而提高贷款审批和管理的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明基于纵向联邦学习的商业银行贷款风控方法的步骤流程示意图；
图2为图1中步骤S1的详细步骤流程示意图；
图3为图2中步骤S12的详细步骤流程示意图；
图4为图1中步骤S2的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，本发明提供了一种基于纵向联邦学习的商业银行贷款风控方法，所述方法包括以下步骤：
步骤S1：获取商业银行贷款借款人的信息数据，通过信息降噪算法对商业银行贷款借款人的信息数据进行降噪处理，得到商业银行贷款降噪数据；利用敏感数据隐蔽算法对商业银行贷款降噪数据进行数据隐蔽处理，得到银行贷款隐蔽信息数据；
本发明实施例通过从商业银行贷款系统中提取商业银行贷款借款人的信息数据，包括个人身份信息、贷款金额、还款期限等数据，并通过结合噪声频率谱密度函数、噪声信号滤波器响应卷积核、傅里叶频域变换函数、噪声方差以及相关参数构建一个适当的信息降噪算法，对商业银行贷款借款人的信息数据进行降噪处理，以消除商业银行贷款信息数据中噪声源的影响，以得到商业银行贷款降噪数据。然后，通过设置一个合适的敏感数据隐蔽算法对商业银行贷款降噪数据进行隐蔽处理，将商业银行贷款降噪数据中的敏感数据用加噪值进行替代，以确保商业银行贷款敏感数据在存储和传输过程中的安全性和私密性，最终得到银行贷款隐蔽信息数据。
步骤S2：利用数据筛选技术对银行贷款隐蔽信息数据进行筛选处理，得到银行贷款数字类数据和银行贷款文本类数据；并利用无线传输技术将银行贷款数字类数据和银行贷款文本类数据分别传输至相应的分支服务器进行数据预处理，得到银行贷款数字类数据特征和银行贷款文本类向量；
本发明实施例通过使用数据筛选技术根据银行贷款隐蔽信息数据中的数据类型和特定的要求进行过滤和分离，将银行贷款隐蔽信息数据分成数字类和文本类数据两个组别，以得到银行贷款数字类数据和银行贷款文本类数据。然后，通过使用无线传输技术将银行贷款数字类数据传输至数字分支服务器，将银行贷款文本类数据传输至文本分支服务器。最后，通过在相应的分支服务器内根据数据的特点和任务需求，使用相应的技术对银行贷款数字类数据和银行贷款文本类数据进行数据预处理，最终得到银行贷款数字类数据特征和银行贷款文本类向量。
步骤S3：基于纵向联邦学习技术在分支服务器中构建本地模型，并在中央服务器中构建联邦模型；利用傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，得到银行贷款联合加密数据；通过本地模型对银行贷款联合加密数据进行加密交互计算，得到本地模型加密梯度和本地模型加密损失；
具体地，例如基于纵向联邦学习技术构建本地模型和联邦模型，如在预设的分支服务器/终端服务器中构建本地模型，并在预设的中央服务器中构建联邦模型，通过联邦模型利用傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，得到银行贷款联合加密数据，以传输至本地模型；通过本地模型对银行贷款联合加密数据进行加密交互计算，得到本地模型加密梯度和本地模型加密损失。
具体地，例如本地模型构建：在预设的分支服务器/终端服务器上，银行构建本地模型。通常，本地模型是机器学习模型，使用常见的深度学习框架（如TensorFlow、PyTorch）来实现，这些服务器上的本地模型可以训练用于银行贷款的模型，例如逻辑回归、神经网络。联邦模型构建：在预设的中央服务器上，银行构建联邦学习模型。这个模型是一个聚合模型，用于汇总来自各个本地模型的信息。联邦模型是一个具有相同架构的机器学习模型，但在每个本地模型上进行全局参数的更新和聚合，使用联邦学习框架，如TensorFlowFederated（TFF）。步骤2：利用傅立叶加密算法进行数据加密，数字类数据特征加密：银行使用傅立叶加密算法来对数字类数据特征进行加密。具体来说，将数据特征进行傅立叶变换，然后对傅立叶变换后的数据应用加密算法，如AES（高级加密标准）来保护数据的隐私，这确保了数据在传输过程中不会泄露。文本类向量加密：对于文本类向量，使用同样的傅立叶加密算法，但在进行傅立叶变换之前需要将文本数据转化为数值表示，通过词嵌入技术（如Word2Vec或BERT）将文本转化为向量，然后再进行傅立叶变换和加密。步骤3：传输至本地模型，银行贷款联合加密数据传输：一旦数据被傅立叶加密，通过安全通道（如SSL/TLS）传输至本地模型所在的分支服务器/终端服务器。在传输过程中，数据保持加密状态，只有本地模型能够解密和处理它们。步骤4：本地模型加密交互计算，加密计算：在本地模型所在的分支服务器/终端服务器上，加密的数据被解密以进行计算。本地模型使用解密后的数据执行预测、梯度计算等操作。在计算完成后，模型的输出再次被加密，以确保结果的隐私性。本地模型加密梯度和损失：在本地模型中，计算本地模型的梯度和损失函数，涉及到具体的数值，例如梯度值或损失值。这些数值使用安全协议（如安全多方计算或同态加密）来保护，以确保梯度和损失的隐私性。
具体地，例如本地模型构建：银行有多个分支机构，每个分支机构都有本地的客户信用数据。每个分支机构可以构建本地的信用评分模型，使用本地客户的信用数据，这些本地模型是逻辑回归模型。联邦模型构建：在银行的总部，构建一个联邦学习模型，用于汇总和聚合各个分支机构的模型参数。这个联邦模型可以是一个具有相同架构的逻辑回归模型。数字类数据特征加密：每个分支机构对本地客户的数字类数据特征进行傅立叶加密。例如，客户的收入、负债情况的数值特征可以进行傅立叶变换，然后使用AES的加密算法进行加密。文本类向量加密：如果分支机构需要处理文本数据（例如，客户的信用报告文本），将文本转换为词嵌入向量，然后进行傅立叶变换和加密。银行贷款联合加密数据传输：加密后的客户数据通过安全通道（如SSL/TLS）传输至分支机构的本地模型所在服务器。在传输过程中，数据仍然保持加密状态，只有本地模型能够解密和处理它们。加密计算：分支机构的本地模型可以解密数据以进行信用评分预测。模型可以对客户的信用进行预测，并生成信用评分，涉及具体的数值，如信用评分值。本地模型加密梯度和损失：如果需要更新本地模型参数，分支机构计算本地模型的梯度和损失函数，其中包括特定的数值，如梯度值或损失值，使用安全协议（如同态加密）来保护。
本发明实施例通过基于纵向联邦学习技术在商业银行的分支服务器中构建本地模型，并在商业银行的中央服务器中构建联邦模型。然后，通过设置一个合适的傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，并通过傅里叶加密调整相位角将数据联合加密为复杂的频谱信号，得到银行贷款联合加密数据。最后，通过使用本地模型对银行贷款联合加密数据进行加密交互计算，采用相应的算法对模型梯度和模型损失进行计算，最终得到本地模型加密梯度和本地模型加密损失。
步骤S4：利用掩码处理技术对本地模型加密梯度进行掩码填充处理，得到本地模型加密掩码梯度；将本地模型加密掩码梯度和本地模型加密损失发送至联邦模型进行模型参数聚合和更新优化处理，得到贷款风控模型；
本发明实施例通过使用掩码处理技术生成与本地模型加密梯度维度相匹配的掩码，将本地模型加密梯度与生成的掩码进行按位异或运算，以得到本地模型加密掩码梯度。并通过安全通信协议将计算得到的本地模型加密掩码梯度和本地模型加密损失发送至中央服务器的联邦模型，然后，通过设置一个合适的下载算法将解密后的本地模型加密掩码梯度和本地模型加密损失回传到本地模型进行模型参数聚合计算，根据下载算法更新优化本地模型参数，最终得到贷款风控模型。
步骤S5：利用贷款风控模型对银行贷款数字类数据特征和银行贷款文本类向量进行风险预测分析，得到贷款风险推断结果；对贷款风险推断结果进行预测和风险评估处理以执行相应的贷款决策。
本发明实施例通过得到的贷款风控模型对银行贷款数字类数据特征和银行贷款文本类向量进行风险预测，对预测结果进行解释和分析，根据设定的阈值或规则，判断贷款的风险程度，如低风险、中风险或高风险，以得到贷款风险推断结果。然后，基于贷款风险推断结果进行风险的评估和预测处理，根据商业银行的风险管理策略和业务流程，生成具体的银行贷款风险报告，并通过使用生成的银行贷款风险报告以执行相应的贷款决策。
本发明通过在获取商业银行贷款借款人的信息数据后，使用信息降噪算法对数据进行处理，减少数据中的噪声和冗余信息，从而提高数据的质量和准确性。随后，通过使用敏感数据隐蔽算法对降噪后的数据进行处理，将敏感信息进行隐蔽化或加密，以确保借款人的个人隐私和数据安全性。通过数据筛选技术对银行贷款隐蔽信息数据进行筛选处理，提取出贷款数字类数据和银行贷款文本类数据。这些数据的筛选基于特定的规则、模型或算法进行，以满足后续建模和分析的需求。并通过使用无线传输技术将筛选后的数据传输至相应的分支服务器，保证数据的快速传输和存储，为后续的数据预处理做准备。然后，基于纵向联邦学习技术，在分支服务器中构建本地模型，并在中央服务器中构建联邦模型。这种纵向联邦学习的方式实现模型的协同训练，保护敏感信息的同时利用不同服务器上的数据进行模型的整合和更新。通过采用傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，确保数据在传输和处理过程中的安全性。本地模型通过加密交互计算获得加密梯度和加密损失，避免了真实数据的泄露。利用掩码处理技术对本地模型加密梯度进行掩码填充处理，可保护模型更新的隐私信息，并防止对模型参数的逆向推导。将本地模型加密掩码梯度和本地模型加密损失发送至联邦模型，进行模型参数的聚合和更新优化处理。这样，贷款风控模型获得来自不同分支服务器的加密梯度和损失信息，达到模型更新的效果，同时保护了敏感数据的隐私性。最后，利用贷款风控模型对银行贷款数字类数据特征和银行贷款文本类向量进行风险预测分析，通过模型训练和参数优化，基于数据特征和文本信息评估贷款申请人的风险。根据贷款风险推断结果，进行预测和风险评估，帮助决策者做出相应的贷款决策。这样，商业银行更加准确地评估借款人的信用风险，降低贷款风险，从而提高贷款审批和管理的效率。
优选地，步骤S1包括以下步骤：
步骤S11：从商业银行贷款系统中获取商业银行贷款借款人的信息数据，并对商业银行贷款借款人的信息数据进行数据清洗处理，得到商业银行贷款信息数据；
步骤S12：通过信息降噪算法对商业银行贷款信息数据进行降噪处理，得到商业银行贷款降噪数据；
步骤S13：对商业银行贷款降噪数据进行数据识别处理，得到商业银行贷款敏感数据；
步骤S14：利用敏感数据隐蔽算法对商业银行贷款敏感数据进行数据隐蔽处理，得到银行贷款隐蔽信息数据。
作为本发明的一个实施例，参考图2所示，为图1中步骤S1的详细步骤流程示意图，在本实施例中步骤S1包括以下步骤：
步骤S11：从商业银行贷款系统中获取商业银行贷款借款人的信息数据，并对商业银行贷款借款人的信息数据进行数据清洗处理，得到商业银行贷款信息数据；
本发明实施例通过从商业银行贷款系统中提取商业银行贷款借款人的信息数据，包括个人身份信息、贷款金额、还款期限等数据，并对提取到的数据进行校验，以确保数据的完整性和准确性。然后，通过对商业银行贷款借款人的信息数据进行去除重复数据、异常数据、无效数据以及缺失值填充等清洗过程后，最终得到商业银行贷款信息数据。
步骤S12：通过信息降噪算法对商业银行贷款信息数据进行降噪处理，得到商业银行贷款降噪数据；
本发明实施例通过结合噪声频率谱密度函数、噪声信号滤波器响应卷积核、傅里叶频域变换函数、噪声方差以及相关参数构建一个适当的信息降噪算法，对商业银行贷款信息数据进行降噪处理，以消除商业银行贷款信息数据中噪声源的影响，最终得到商业银行贷款降噪数据。
步骤S13：对商业银行贷款降噪数据进行数据识别处理，得到商业银行贷款敏感数据；
本发明实施例通过基于统计算法的机器学习模型对商业银行贷款降噪数据中的敏感数据进行识别，例如个人身份证号、银行账号等敏感数据，将已经识别出来的敏感数据进行归类，以得到敏感性等级，敏感性等级包括高级别、中级别和低级别，同时根据敏感性等级逐级划分出不同的区域，过滤出非敏感的数据，最终得到商业银行贷款敏感数据。
步骤S14：利用敏感数据隐蔽算法对商业银行贷款敏感数据进行数据隐蔽处理，得到银行贷款隐蔽信息数据。
本发明实施例通过设置一个合适的敏感数据隐蔽算法对商业银行贷款敏感数据进行隐蔽处理，将商业银行贷款降噪数据中的商业银行贷款敏感数据真实值用加噪值进行替代，以确保商业银行贷款敏感数据在存储和传输过程中的安全性和私密性，最终得到银行贷款隐蔽信息数据。
本发明通过从商业银行贷款系统中获取相关数据，商业银行贷款系统中存储了借款人的个人信息和贷款信息，其中可能包含一些冗余、不完整或错误的数据，可能会影响到商业银行贷款信息数据的准确性和可靠性，所以需要对其进行清洗处理，去除数据中的空值、异常值等问题，以保证数据的准确性和可靠性，为后续的信息降噪过程提供可靠的数据基础。另外，商业银行贷款信息数据在传输和存储过程中可能会受到噪声干扰，这些噪声会对后续的数据建模和分析造成不必要的干扰，通过设置一个合适的信息降噪算法对商业银行贷款信息数据进行降噪处理，去除商业银行贷款信息数据中的噪声和冗余数据，从而提高数据的质量和可用性。然后，通过对降噪后的商业银行贷款降噪数据进行敏感信息识别处理，并进行标记和分类，为后续的数据隐蔽保护处理提供数据支持。最后，为保护商业银行贷款敏感数据，利用合适的敏感数据隐蔽算法对商业银行贷款敏感数据进行隐蔽加噪处理，使得敏感信息被泄露或侵犯时无法被直接识别出来，同时又不影响数据的完整性和可用性，从而保护银行贷款数据中的个人隐私信息，为保护借贷人隐私提供了有效的措施。
优选地，步骤S12包括以下步骤：
步骤S121：通过信息降噪算法对商业银行贷款信息数据进行噪声值计算，得到银行贷款信息噪声值；
其中，信息降噪算法的函数公式如下所示：
；
式中，为第个商业银行贷款信息数据的银行贷款信息噪声值，为商业银行贷款信息数据的数量，为第个商业银行贷款信息数据的噪声信号，为第个商业银行贷款信息数据的噪声频率值，为噪声频率谱密度函数，为噪声信号滤波器响应卷积核，为第个商业银行贷款信息数据的傅里叶频域变换函数，为第个商业银行贷款信息数据的噪声方差，为银行贷款信息噪声值的修正值；
步骤S122：根据预设的银行贷款信息噪声阈值对银行贷款信息噪声值进行判断，当银行贷款信息噪声值大于或等于预设的银行贷款信息噪声阈值时，则剔除该银行贷款信息噪声值对应的商业银行贷款信息数据，得到商业银行贷款降噪数据；
步骤S123：根据预设的银行贷款信息噪声阈值对银行贷款信息噪声值进行判断，当银行贷款信息噪声值小于预设的银行贷款信息噪声阈值时，则直接将该银行贷款信息噪声值对应的商业银行贷款信息数据定义为商业银行贷款降噪数据。
作为本发明的一个实施例，参考图3所示，为图2中步骤S12的详细步骤流程示意图，在本实施例中步骤S12包括以下步骤：
步骤S121：通过信息降噪算法对商业银行贷款信息数据进行噪声值计算，得到银行贷款信息噪声值；
本发明实施例通过结合噪声频率谱密度函数、噪声信号滤波器响应卷积核、傅里叶频域变换函数、噪声方差以及相关参数构建一个适当的信息降噪算法，通过构建的信息降噪算法对商业银行贷款信息数据进行噪声值计算，最终得到银行贷款信息噪声值。
其中，信息降噪算法的函数公式如下所示：
；
式中，为第个商业银行贷款信息数据的银行贷款信息噪声值，为商业银行贷款信息数据的数量，为第个商业银行贷款信息数据的噪声信号，为第个商业银行贷款信息数据的噪声频率值，为噪声频率谱密度函数，为噪声信号滤波器响应卷积核，为第个商业银行贷款信息数据的傅里叶频域变换函数，为第个商业银行贷款信息数据的噪声方差，为银行贷款信息噪声值的修正值；
本发明构建了一个信息降噪算法的函数公式，用于对商业银行贷款信息数据进行噪声值计算，为了消除商业银行贷款信息数据中的噪声源对后续的贷款风控模型构建过程的影响，需要对商业银行贷款信息数据进行降噪处理，以得到更加干净、准确的商业银行贷款信息数据，通过该信息降噪算法能够有效地去除商业银行贷款信息数据中的噪声和干扰数据，从而提高商业银行贷款信息数据的准确性和可靠性。该算法函数公式充分考虑了商业银行贷款信息数据的数量，第个商业银行贷款信息数据的噪声信号，第个商业银行贷款信息数据的噪声频率值，噪声频率谱密度函数，噪声信号滤波器响应卷积核，第个商业银行贷款信息数据的傅里叶频域变换函数，为第个商业银行贷款信息数据的噪声方差，并需要对计算得到的银行贷款信息噪声值进行归一化处理，根据第个商业银行贷款信息数据的银行贷款信息噪声值与以上各参数之间的相互关联关系构成了一种函数关系，该算法函数公式实现了对商业银行贷款信息数据的噪声值计算，同时，该算法函数公式中的银行贷款信息噪声值的修正值可以根据实际情况进行调整，从而提高信息降噪算法的准确性和适用性。
步骤S122：根据预设的银行贷款信息噪声阈值对银行贷款信息噪声值进行判断，当银行贷款信息噪声值大于或等于预设的银行贷款信息噪声阈值时，则剔除该银行贷款信息噪声值对应的商业银行贷款信息数据，得到商业银行贷款降噪数据；
本发明实施例根据预设的银行贷款信息噪声阈值，判断计算得到的银行贷款信息噪声值是否超过预设的银行贷款信息噪声阈值，当银行贷款信息噪声值大于或等于预设的银行贷款信息噪声阈值时，说明该银行贷款信息噪声值对应的商业银行贷款信息数据中的噪声源的干扰影响较大，则剔除该银行贷款信息噪声值对应的商业银行贷款信息数据，最终得到商业银行贷款降噪数据。
步骤S123：根据预设的银行贷款信息噪声阈值对银行贷款信息噪声值进行判断，当银行贷款信息噪声值小于预设的银行贷款信息噪声阈值时，则直接将该银行贷款信息噪声值对应的商业银行贷款信息数据定义为商业银行贷款降噪数据。
本发明实施例根据预设的银行贷款信息噪声阈值，判断计算得到的银行贷款信息噪声值是否超过预设的银行贷款信息噪声阈值，当银行贷款信息噪声值小于预设的银行贷款信息噪声阈值时，说明该银行贷款信息噪声值对应的商业银行贷款信息数据中的噪声源的干扰影响较小，则直接将该银行贷款信息噪声值对应的商业银行贷款信息数据定义为商业银行贷款降噪数据。
本发明首先通过使用合适的信息降噪算法对得到的商业银行贷款信息数据进行噪声值计算，由于商业银行贷款信息数据中可能存在噪声干扰或异常噪声源等情况，会对后续的模型构建过程的准确度和可靠性造成不良影响，所以需要设置一个适当的信息降噪算法对商业银行贷款信息数据进行噪声值计算，能够识别和测量出商业银行贷款信息数据中存在的噪声和干扰信号，从源头上去除噪声信号，从而提高商业银行贷款信息数据的准确性和可靠性。该信息降噪算法通过结合噪声频率谱密度函数、噪声信号滤波器响应卷积核、傅里叶频域变换函数、噪声方差以及相关参数对商业银行贷款信息数据的噪声信号和噪声频率值进行处理，并利用修正值对降噪过程进行调整和优化处理，以获得最佳的降噪效果和计算结果，从而较为精确地计算出银行贷款信息噪声值。然后，根据具体的数据降噪处理需求和质量标准，通过设定合适的银行贷款信息噪声阈值对计算得到的银行贷款信息噪声值进行判断，判断哪些商业银行贷款信息数据需要进行剔除，哪些商业银行贷款信息数据被保留，能够有效地剔除银行贷款信息噪声值较大的商业银行贷款信息数据，避免这些银行贷款信息噪声值较大的商业银行贷款信息数据对整体数据的影响，有助于进一步提高数据的质量，减少不必要的干扰和误差，从而保证了商业银行贷款信息数据的准确性和可靠性。最后，使用预设的银行贷款信息噪声阈值对银行贷款信息噪声值进行判断，将银行贷款信息噪声值较小的商业银行贷款信息数据定义为银行贷款降噪数据，得到更加准确和可靠的商业银行贷款信息数据，这些数据较少受到噪声的干扰，为后续的贷款风控模型构建过程提供更加稳定的数据基础，从而提高商业银行贷款信息数据的可用性和有效性。
优选地，步骤S14中的敏感数据隐蔽算法的函数公式具体为：
；
；
式中，为第个商业银行贷款敏感数据进行隐蔽处理后的银行贷款隐蔽信息数据，为第个商业银行贷款敏感数据的协方差矩阵，为商业银行贷款敏感数据的数量，为商业银行贷款敏感数据特征值的数量，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽值，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽平均值，为第个商业银行贷款敏感数据的协方差矩阵中第个特征值与第个特征值之间的逆矩阵，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽值，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽平均值，为特征值加噪分布函数，为第个特征值的标准差，为指数函数，为第个商业银行贷款敏感数据的第个特征值的加噪值，为第个特征值的均值。
本发明构建了一个敏感数据隐蔽算法的函数公式，用于对商业银行贷款敏感数据进行数据隐蔽处理，该敏感数据隐蔽算法通过对敏感数据进行隐蔽处理，使其在数据传输和存储过程中更难以被未经授权的用户访问或识别，能够保护银行贷款借款人的隐私和个人信息安全。通过敏感数据隐蔽算法，商业银行贷款敏感数据的真实值会被加噪值替代，从而保护了敏感数据的原始信息，有助于防止数据外泄和数据滥用，降低了潜在的安全风险。该算法函数公式充分考虑了第个商业银行贷款敏感数据的协方差矩阵，商业银行贷款敏感数据的数量，商业银行贷款敏感数据特征值的数量，第个商业银行贷款敏感数据的第个特征值的数据隐蔽值，第个商业银行贷款敏感数据的第个特征值的数据隐蔽平均值，第个商业银行贷款敏感数据的协方差矩阵中第个特征值与第个特征值之间的逆矩阵，第个商业银行贷款敏感数据的第个特征值的数据隐蔽值，第个商业银行贷款敏感数据的第个特征值的数据隐蔽平均值，特征值加噪分布函数，第个特征值的标准差，第个商业银行贷款敏感数据的第个特征值的加噪值，第个特征值的均值，其中，通过商业银行贷款敏感数据特征值的数量，第个商业银行贷款敏感数据的第个特征值的数据隐蔽值，第个特征值的标准差，第个商业银行贷款敏感数据的第个特征值的加噪值，第个特征值的均值以及指数函数构成了一种特征值加噪分布函数关系，根据第个商业银行贷款敏感数据进行隐蔽处理后的银行贷款隐蔽信息数据与以上各参数之间的相互关联关系构成了一种函数关系，该算法函数公式实现了对商业银行贷款敏感数据的数据隐蔽处理，从而提高敏感数据隐蔽算法的准确性和适用性。
优选地，步骤S2包括以下步骤：
步骤S21：利用数据筛选技术对银行贷款隐蔽信息数据进行筛选处理，得到银行贷款数字类数据和银行贷款文本类数据；
步骤S22：利用无线传输技术将银行贷款数字类数据传输至数字分支服务器，并将银行贷款文本类数据传输至文本分支服务器；
步骤S23：通过数字分支服务器利用特征提取技术对银行贷款数字类数据进行特征提取处理，得到银行贷款数字类数据特征；
步骤S24：通过文本分支服务器利用向量转换技术对银行贷款文本类数据进行向量化处理，得到银行贷款文本类向量。
作为本发明的一个实施例，参考图4所示，为图1中步骤S2的详细步骤流程示意图，在本实施例中步骤S2包括以下步骤：
步骤S21：利用数据筛选技术对银行贷款隐蔽信息数据进行筛选处理，得到银行贷款数字类数据和银行贷款文本类数据；
本发明实施例通过使用数据筛选技术根据银行贷款隐蔽信息数据中的数据类型和特定的要求进行过滤和分离，将银行贷款隐蔽信息数据分成数字类和文本类数据两个组别，最终得到银行贷款数字类数据和银行贷款文本类数据。
步骤S22：利用无线传输技术将银行贷款数字类数据传输至数字分支服务器，并将银行贷款文本类数据传输至文本分支服务器；
本发明实施例通过使用无线传输技术采用无线网络、蓝牙等方式将银行贷款数字类数据传输至数字分支服务器，将银行贷款文本类数据传输至文本分支服务器，以确保快速、可靠地将数据传输到相应的分支服务器。
步骤S23：通过数字分支服务器利用特征提取技术对银行贷款数字类数据进行特征提取处理，得到银行贷款数字类数据特征；
本发明实施例通过在数字分支服务器内根据银行贷款数字类数据的特点和任务需求，使用特征提取技术对银行贷款数字类数据进行特征提取，从银行贷款数字类数据中提取出具有区分性和代表性的特征，最终得到银行贷款数字类数据特征。
步骤S24：通过文本分支服务器利用向量转换技术对银行贷款文本类数据进行向量化处理，得到银行贷款文本类向量。
本发明实施例通过在文本分支服务器内使用基于词袋模型、TF-IDF等的向量转换技术将银行贷款文本类数据转换为数值型向量表示，最终得到银行贷款文本类向量。
本发明通过使用数据筛选技术根据业务需求和目标确认需要的数据，并对银行贷款隐蔽信息数据进行筛选处理，以得到银行贷款数字类数据和银行贷款文本类数据。这有助于使后续的数据处理和分析更加高效和精确，同时避免不必要的开销和时间浪费。利用无线传输技术将银行贷款数字类数据传输至数字分支服务器，并将银行贷款文本类数据传输至文本分支服务器。这种分布式的数据处理方式，将不同类型的数据分别传输至专门的处理服务器，使得数据处理效率得到提高。同时，也能够有效降低数据传输的延迟和网络拥塞等问题，提高数据传输的稳定性和可靠性。并且有助于将数据进行分离和分类处理，从而提高数据处理的效率和效果。然后，通过在数字分支服务器内使用特征提取技术对银行贷款数字类数据进行特征提取，提取出数字类数据中的相关特征，用以反映数据的重要信息和统计特性，这有助于提高数据的拟合和预测能力，同时也为后续的本地模型建模提供了有效的数据基础。最后，通过在文本分支服务器内使用向量转换技术将银行贷款文本类数据转化为向量形式，并选取相关的文本特征用以反映数据的信息和影响因素，能够有效提高数据挖掘和文本分析的能力，促进银行贷款信息数据的利用和应用。
优选地，步骤S3包括以下步骤：
步骤S31：基于纵向联邦学习技术在商业银行的分支服务器中构建本地模型，并在商业银行的中央服务器中构建联邦模型；
本发明实施例通过基于纵向联邦学习技术在商业银行的分支服务器中构建本地模型，并在商业银行的中央服务器中构建联邦模型，该纵向联邦学习技术是一种隐私保护的分布式机器学习方法，它允许分布在不同地方的多个参与方共同训练模型，而无需共享原始数据，在本地模型构建过程中，分支服务器将使用本地数据进行训练，而中央服务器将协调本地模型的训练过程并通过联邦模型整合各方的更新。
步骤S32：利用傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，得到银行贷款联合加密数据；
本发明实施例通过设置一个合适的傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，通过傅里叶加密调整相位角将数据联合加密为复杂的频谱信号，最终得到银行贷款联合加密数据。
步骤S33：对傅里叶加密算法进行反解处理，得到傅里叶解密算法，并通过数据备份技术将傅里叶解密算法备份到联邦模型中；
本发明实施例通过使用数学方式对傅里叶加密算法进行反解处理，以得到傅里叶解密算法，并通过使用数据备份技术将傅里叶解密算法备份到联邦模型中，以便后续的模型参数更新和计算。
步骤S34：通过本地模型对银行贷款联合加密数据进行加密交互计算，得到本地模型加密梯度和本地模型加密损失。
本发明实施例通过使用本地模型对银行贷款联合加密数据进行加密交互计算，采用相应的算法对模型梯度和模型损失进行计算，最终得到本地模型加密梯度和本地模型加密损失。
本发明通过采用纵向联邦学习技术在商业银行的分支服务器中构建本地模型，并在商业银行的中央服务器中构建联邦模型，并将本地模型和联邦模型相结合，实现商业银行的分布式机器学习任务。通过纵向联邦学习技术，实现本地模型和联邦模型之间的加密交互计算，保护银行贷款隐私数据，同时也能够通过数据共享，提高模型的预测和泛化能力。通过设置合适的傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，为了保证数据隐私性和机密性。该算法能够将数据加密为复杂的频谱信号，确保数据在传输过程中不会被篡改，从而提高数据安全性。该傅里叶加密算法中的不同参数，如时间参数、平滑调整因子、调整参数、相位角等，能够对数据进行多种保护，以此增强数据的安全性。这种加密方式能够保障数据的隐私性和安全性，避免了传统加密方式中的密钥传输和存储问题。然后，通过对傅里叶加密算法进行反解处理，以得到傅里叶解密算法，并通过数据备份技术将傅里叶解密算法备份到联邦模型，确保数据传输到联邦模型后能够被正确解密。由于傅里叶解密算法备份在联邦模型中，保证其安全性，同时保证了数据的完整性。这有助于商业银行实现数据隐私保护和数据共享，同时也能保障傅里叶解密算法的安全性和稳定性。最后，通过本地模型对银行贷款联合加密数据进行加密交互计算，而加密交互计算是纵向联邦学习技术的核心之一，能够实现模型参数的共同更新，同时确保纵向联邦学习过程中保护银行贷款数据的隐私。并且通过加密交互计算，商业银行提高数据隐私保护和数据分析能力，同时也能够在保护客户隐私的前提下，提高商业银行建模、预测和决策的能力。
优选地，步骤S32中的傅里叶加密算法的函数公式具体为：
；
式中，为银行贷款联合加密数据，为银行贷款数字类数据特征数据集，为银行贷款文本类向量数据集，为银行贷款数字类数据特征的数量，为银行贷款文本类向量的数量，为傅里叶加密初始时间，为傅里叶加密结束时间，为傅里叶加密处理时间，为傅里叶加密处理时间的均值，为傅里叶加密处理时间的标准差，为银行贷款数字类数据特征的平滑调整因子，为第个银行贷款数字类数据特征，为银行贷款数字类数据特征傅里叶加密调整参数，为银行贷款文本类向量的平滑调整因子，为第个银行贷款文本类向量，为银行贷款文本类向量傅里叶加密调整参数，为傅里叶加密调整相位角，为银行贷款联合加密数据的修正值。
本发明构建了一个傅里叶加密算法的函数公式，用于对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，该傅里叶加密算法通过对数据进行加密，有效保护数据的机密性，敏感的银行贷款数据在传输和存储时会变得不可读，只有授权的用户才能解密和访问原始数据，这样能够确保这些敏感信息数据在加密的状态下进行计算和处理，从而保护借款人隐私。另外，该傅里叶加密算法通过多种调整参数对加密结果进行调整，进一步增强数据的安全性和灵活性。该算法函数公式充分考虑了银行贷款数字类数据特征数据集，银行贷款文本类向量数据集，银行贷款数字类数据特征的数量，银行贷款文本类向量的数量，傅里叶加密初始时间，傅里叶加密结束时间，傅里叶加密处理时间，傅里叶加密处理时间的均值，傅里叶加密处理时间的标准差，银行贷款数字类数据特征的平滑调整因子，第个银行贷款数字类数据特征，银行贷款数字类数据特征傅里叶加密调整参数，银行贷款文本类向量的平滑调整因子，第个银行贷款文本类向量，银行贷款文本类向量傅里叶加密调整参数，傅里叶加密调整相位角，根据银行贷款联合加密数据与以上各参数之间的相互关联关系构成了一种函数关系，该算法函数公式实现了对银行贷款数字类数据特征和银行贷款文本类向量的加密处理，同时，通过银行贷款联合加密数据的修正值的引入根据实际情况进行调整，从而提高傅里叶加密算法的准确性和鲁棒性。
优选地，步骤S34包括以下步骤：
步骤S341：通过本地模型对银行贷款联合加密数据进行加密交互计算，其中本地模型包括随机梯度下降算法和模型损失算法；
本发明实施例通过本地模型对银行贷款联合加密数据进行加密交互计算，该本地模型由随机梯度下降算法和模型损失算法组成，其中随机梯度下降算法用于计算本地模型在银行贷款联合加密数据上的梯度，而模型损失算法用于计算本地模型在银行贷款联合加密数据上的损失。
步骤S342：利用随机梯度下降算法对银行贷款联合加密数据进行模型梯度计算，得到本地模型加密梯度；
本发明实施例通过使用随机梯度下降算法对银行贷款联合加密数据进行梯度计算，并对计算结果进行加密处理，以确保计算结果的安全性，最终得到本地模型加密梯度。
步骤S343：利用模型损失算法对银行贷款联合加密数据进行模型损失计算，得到本地模型加密损失。
本发明实施例通过使用模型损失算法对银行贷款联合加密数据进行模型损失计算，计算预测结果与真实标签之间的损失，并对计算结果进行加密处理，最终得到本地模型加密损失。
本发明通过采用本地模型对银行贷款联合加密数据进行加密交互计算，该本地模型由随机梯度下降算法和模型损失算法组成，其中随机梯度下降算法计算本地模型在训练集上的梯度，进而实现模型参数的更新；模型损失算法用于评估模型在训练集上的误差，从而控制和优化模型训练过程。本地模型的建立和训练是基于商业银行内部数据和计算资源的，能够大幅提高模型的精度和鲁棒性，同时也能够保护银行客户数据隐私。然后，通过随机梯度下降算法对银行贷款联合加密数据进行模型梯度计算，以得到本地模型加密梯度。该随机梯度下降算法是机器学习中常用的优化算法，能够根据计算出的误差梯度来更新模型的参数，使得模型的预测误差逐步降低。最后，通过利用模型损失算法对银行贷款联合加密数据进行模型损失计算，以得到本地模型加密损失。该模型损失算法是指针对给定的模型，在训练数据集上计算模型的预测误差，并最小化这些误差的一类算法。通过使用银行贷款联合加密数据，商业银行确保训练数据的隐私并最小化误差，提供更准确的模型预测能力。在加密交互计算中，本地模型的加密梯度和加密损失将由联邦模型集成并进行联合参数更新，进一步提升模型预测和泛化能力，同时也保障数据隐私。
优选地，步骤S4包括以下步骤：
步骤S41：利用掩码处理技术对本地模型加密梯度进行掩码填充处理，得到本地模型加密掩码梯度；
本发明实施例通过使用掩码处理技术生成与本地模型加密梯度维度相匹配的掩码，将本地模型加密梯度与生成的掩码进行按位异或运算，最终得到本地模型加密掩码梯度。
步骤S42：将本地模型加密掩码梯度和本地模型加密损失发送至中央服务器的联邦模型进行更新优化处理，并利用傅里叶解密算法进行解密处理，得到本地模型解密掩码梯度和本地模型解密损失；
本发明实施例通过安全通信协议将计算得到的本地模型加密掩码梯度和本地模型加密损失发送至中央服务器的联邦模型，联邦模型通过使用傅里叶解密算法对本地模型加密掩码梯度和本地模型加密损失进行解密处理，最终得到本地模型解密掩码梯度和本地模型解密损失。
步骤S43：利用下载算法将本地模型解密掩码梯度和本地模型解密损失回传到本地模型进行模型参数聚合处理，得到贷款风控模型；
本发明实施例通过设置一个合适的下载算法将本地模型解密掩码梯度和本地模型解密损失回传到本地模型进行模型参数聚合计算，根据下载算法更新本地模型参数，其中包括对本地模型解密掩码梯度和本地模型解密损失的加权求和、指数加权平均以及随机扰动项的添加，最终得到贷款风控模型。
其中，下载算法的函数公式如下所示：
；
；
；
；
；
式中，为第轮迭代模型参数上的本地模型解密掩码梯度，为第轮迭代模型参数上的本地模型解密损失，为本地模型每轮迭代的样本数量，为第个样本在第轮迭代模型参数上的本地模型解密掩码梯度，为第个样本在第轮迭代模型参数上的本地模型解密损失，和均为正则化系数，为第轮迭代中更新的模型参数值，为模型参数的正则化函数，为第轮迭代中梯度平方的指数加权平均，为指数加权平均的调和平滑参数，为当前轮次迭代中更新的模型参数观测值，为规避风险参数，为控制随机扰动强度的超参数，为高斯噪声函数，为噪声方差，为第轮迭代中更新的模型参数的修正值。
本发明构建了一个下载算法的函数公式，用于将本地模型解密掩码梯度和本地模型解密损失回传到本地模型进行模型参数聚合处理，该下载算法通过计算本地模型解密掩码梯度和本地模型解密损失，并对每轮迭代的本地模型解密掩码梯度和本地模型解密损失进行归一化处理，有助于实现纵向联邦学习技术中的模型参数聚合，在不泄露个体数据的情况下获得全局模型的更新。另外，还通过正则化项对模型参数进行约束，有助于控制模型的复杂性和过拟合情况，通过梯度平方的指数加权平均对本地模型解密掩码梯度进行平方和累加，有助于对梯度进行平滑处理，平滑后的梯度可以更好地指导模型参数的更新。然后，通过当前轮次迭代中更新的模型参数观测值结合控制随机扰动强度的超参数来计算梯度更新，有助于确保在全局模型更新过程中平衡模型的收敛速度和稳定性，为模型参数更新提供了可行性。该算法函数公式充分考虑了第轮迭代模型参数上的本地模型解密掩码梯度，第轮迭代模型参数上的本地模型解密损失，本地模型每轮迭代的样本数量，第个样本在第轮迭代模型参数上的本地模型解密掩码梯度，第个样本在第轮迭代模型参数上的本地模型解密损失，正则化系数和，第轮迭代中更新的模型参数值，模型参数的正则化函数，第轮迭代中梯度平方的指数加权平均，指数加权平均的调和平滑参数，当前轮次迭代中更新的模型参数观测值，规避风险参数，控制随机扰动强度的超参数，高斯噪声函数，噪声方差，第轮迭代中更新的模型参数的修正值，其中，通过本地模型每轮迭代的样本数量，第个样本在第轮迭代模型参数上的本地模型解密掩码梯度，正则化系数，第轮迭代中更新的模型参数值以及模型参数的正则化函数构成了第轮迭代模型参数上的本地模型解密掩码梯度，通过本地模型每轮迭代的样本数量，第个样本在第轮迭代模型参数上的本地模型解密损失，正则化系数，第轮迭代中更新的模型参数值以及模型参数的正则化函数构成了第轮迭代模型参数上的本地模型解密损失，通过本地模型每轮迭代的样本数量，第个样本在第轮迭代模型参数上的本地模型解密掩码梯度，正则化系数，第轮迭代中更新的模型参数值，模型参数的正则化函数以及指数加权平均的调和平滑参数构成了第轮迭代中梯度平方的指数加权平均，通过第轮迭代模型参数上的本地模型解密掩码梯度，第轮迭代模型参数上的本地模型解密损失，第轮迭代中梯度平方的指数加权平均以及规避风险参数构成了当前轮次迭代中更新的模型参数观测值，最后，根据第轮迭代中更新的模型参数值与第轮迭代中更新的模型参数值，当前轮次迭代中更新的模型参数观测值，控制随机扰动强度的超参数，高斯噪声函数以及噪声方差构成了一种函数关系，同时，通过第轮迭代中更新的模型参数的修正值的引入可以根据实际情况进行调整，从而提高下载算法的准确性和适用性。
本发明通过使用掩码填充技术将本地模型加密梯度进行掩码填充处理，该掩码填充技术是一种应用广泛的隐私保护方法，用于保护个体隐私和数据机密性。掩码填充技术被用于保护本地模型的隐私，使得本地模型加密梯度无法被轻易地解密获得真实的梯度值，可以有效防止梯度泄露和模型攻击。然后，通过无线传输技术将本地模型加密掩码梯度和本地模型加密损失发送至中央服务器的联邦模型进行更新优化处理，并利用傅里叶解密算法进行解密处理，其中联邦模型是一种分布式机器学习模型，具有强大的隐私保护能力和高度的模型可扩展性和泛化性。通过利用联邦模型进行模型参数的更新和优化，并利用傅里叶解密算法对加密的模型梯度和损失进行有效解密处理，从而实现数据的安全共享和模型的学习和优化。最后，通过使用合适的下载算法将本地模型解密掩码梯度和本地模型解密损失回传到本地模型进行模型参数聚合处理，以得到贷款风控模型。下载算法是一种迭代式的优化方法，用于近似计算模型的全局最优解。该下载算法被用于本地模型参数的聚合和更新，利用参数平均和梯度加权对本地模型参数进行优化，从而实现了数据的安全集成和模型的全局优化，使得贷款风控模型具备更高的准确性和泛化性能。
优选地，步骤S5包括以下步骤：
步骤S51：利用贷款风控模型对银行贷款数字类数据特征和银行贷款文本类向量进行风险预测分析，得到贷款风险推断结果；
本发明实施例通过得到的贷款风控模型对银行贷款数字类数据特征和银行贷款文本类向量进行风险预测，对预测结果进行解释和分析，根据设定的阈值或规则，判断贷款的风险程度，如低风险、中风险或高风险，最终得到贷款风险推断结果。
步骤S52：基于贷款风险推断结果利用增量学习算法对贷款风控模型进行参数调整处理，并重新进行风险预测分析，得到贷款风险推断优化结果；
本发明实施例基于贷款风险推断结果利用合适的增量学习算法对贷款风控模型进行参数调整处理，以使其能够更好地适应新的贷款风险场景，对调整后的贷款风控模型进行重新风险预测分析处理，进一步提高贷款风控模型的推断准确率和性能表现，最终得到贷款风险推断优化结果。
其中，增量学习算法的函数公式如下所示：
；
式中，为第轮迭代后的贷款风控模型参数，为第轮迭代后的贷款风控模型参数，为第轮迭代的贷款风控模型参数学习率，为贷款风险推断结果的数量，为第个贷款风险推断结果的真实标签值，为第个贷款风险推断结果的数据向量，为第个贷款风险推断结果的转置向量，为sigmoid激活函数，为经验风险最小化损失函数，为L1正则化超参数，为贷款风险推断结果，为经验风险最小化损失函数的二阶导数，为L2正则化超参数，为贷款风控模型参数的修正值；
本发明构建了一个增量学习算法的函数公式，用于对贷款风控模型进行参数调整处理，该增量学习算法在每次新模型参数到来时只需要对新模型参数进行训练，避免了对历史模型参数的重复训练，从而加快了模型训练速度。而且能够快速适应数据的变化，当新模型参数到来时可以通过在线学习的方式迅速更新模型，使得模型表现得更加鲁棒性。另外，增量学习算法能够在动态数据场景下实现在线学习，不需要对所有数据进行离线批量训练，从而能够节省计算资源。该算法函数充分考虑了第轮迭代后的贷款风控模型参数，第轮迭代的贷款风控模型参数学习率，贷款风险推断结果的数量，第个贷款风险推断结果的真实标签值，第个贷款风险推断结果的数据向量，第个贷款风险推断结果的转置向量，sigmoid激活函数，经验风险最小化损失函数，L1正则化超参数，贷款风险推断结果，经验风险最小化损失函数的二阶导数，L2正则化超参数，根据第轮迭代后的贷款风控模型参数与以上各参数之间的相互关联关系构成了一种函数关系，该算法函数公式实现了对贷款风控模型的参数调整处理过程，同时，通过贷款风控模型参数的修正值的引入可以根据实际情况进行调整，从而提高增量学习算法的准确性和鲁棒性。
步骤S53：对贷款风险推断优化结果进行预测和风险评估处理，生成银行贷款风险报告，并利用银行贷款风险报告以执行相应的贷款决策。
本发明实施例基于贷款风险推断优化结果进行风险的评估和预测处理，根据商业银行的风险管理策略和业务流程，生成具体的银行贷款风险报告，并通过使用生成的银行贷款风险报告以执行相应的贷款决策。
本发明通过利用贷款风控模型对银行贷款数字类数据特征和银行贷款文本类向量进行预测和风险分析，可以为银行贷款风险管理提供有力的支持和帮助，使得银行能够更加准确地识别和评估贷款风险，为贷款决策提供更加可靠的依据。然后，基于贷款风险推断结果利用合适的增量学习算法对贷款风控模型进行参数调整处理，并重新进行风险预测分析，其中增量学习算法是一种适用于数据量大和动态数据的学习算法，可以避免模型过度拟合和过度调整，并可以随着数据的变化动态地更新模型参数。通过利用增量学习算法对贷款风控模型参数进行动态调整和优化，能够帮助商业银行更好地适应贷款市场变化和风险变化。最后，通过对贷款风险推断优化结果进行预测和风险评估处理，以生成银行贷款风险报告，并利用银行贷款风险报告以执行相应的贷款决策。生成的贷款风险报告可以为银行决策提供定量化和可视化的分析结果，从而帮助商业银行更好地了解贷款风险和流程，并根据风险评估结果做出相应的贷款决策，确保银行风险控制和业务流程的有效性和合规性。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于纵向联邦学习的商业银行贷款风控方法，其特征在于，包括以下步骤：
步骤S1：获取商业银行贷款借款人的信息数据，通过信息降噪算法对商业银行贷款借款人的信息数据进行降噪处理，得到商业银行贷款降噪数据；利用敏感数据隐蔽算法对商业银行贷款降噪数据进行数据隐蔽处理，得到银行贷款隐蔽信息数据；
步骤S2：利用数据筛选技术对银行贷款隐蔽信息数据进行筛选处理，得到银行贷款数字类数据和银行贷款文本类数据；并利用无线传输技术将银行贷款数字类数据和银行贷款文本类数据分别传输至相应的服务器进行数据预处理，得到银行贷款数字类数据特征和银行贷款文本类向量；
步骤S3：基于纵向联邦学习技术构建本地模型和联邦模型，利用傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，得到银行贷款联合加密数据；并通过本地模型对银行贷款联合加密数据进行加密交互计算，得到本地模型加密梯度和本地模型加密损失；
步骤S4：利用掩码处理技术对本地模型加密梯度进行掩码填充处理，得到本地模型加密掩码梯度；将本地模型加密掩码梯度和本地模型加密损失发送至联邦模型进行模型参数聚合和更新优化处理，得到贷款风控模型；
步骤S5：利用贷款风控模型对银行贷款数字类数据特征和银行贷款文本类向量进行风险预测分析，得到贷款风险推断结果；对贷款风险推断结果进行预测和风险评估处理以执行相应的贷款决策。
2.根据权利要求1所述的基于纵向联邦学习的商业银行贷款风控方法，其特征在于，步骤S1包括以下步骤：
步骤S11：从商业银行贷款系统中获取商业银行贷款借款人的信息数据，并对商业银行贷款借款人的信息数据进行数据清洗处理，得到商业银行贷款信息数据；
步骤S12：通过信息降噪算法对商业银行贷款信息数据进行降噪处理，得到商业银行贷款降噪数据；
步骤S13：对商业银行贷款降噪数据进行数据识别处理，得到商业银行贷款敏感数据；
步骤S14：利用敏感数据隐蔽算法对商业银行贷款敏感数据进行数据隐蔽处理，得到银行贷款隐蔽信息数据。
3.根据权利要求2所述的基于纵向联邦学习的商业银行贷款风控方法，其特征在于，步骤S12包括以下步骤：
步骤S121：通过信息降噪算法对商业银行贷款信息数据进行噪声值计算，得到银行贷款信息噪声值；
其中，信息降噪算法的函数公式如下所示：
；
式中，为第个商业银行贷款信息数据的银行贷款信息噪声值，为商业银行贷款信息数据的数量，为第个商业银行贷款信息数据的噪声信号，为第个商业银行贷款信息数据的噪声频率值，为噪声频率谱密度函数，为噪声信号滤波器响应卷积核，为第个商业银行贷款信息数据的傅里叶频域变换函数，为第个商业银行贷款信息数据的噪声方差，为银行贷款信息噪声值的修正值；
步骤S122：根据预设的银行贷款信息噪声阈值对银行贷款信息噪声值进行判断，当银行贷款信息噪声值大于或等于预设的银行贷款信息噪声阈值时，则剔除该银行贷款信息噪声值对应的商业银行贷款信息数据，得到商业银行贷款降噪数据；
步骤S123：根据预设的银行贷款信息噪声阈值对银行贷款信息噪声值进行判断，当银行贷款信息噪声值小于预设的银行贷款信息噪声阈值时，则直接将该银行贷款信息噪声值对应的商业银行贷款信息数据定义为商业银行贷款降噪数据。
4.根据权利要求2所述的基于纵向联邦学习的商业银行贷款风控方法，其特征在于，步骤S14中的敏感数据隐蔽算法的函数公式具体为：
；
；
式中，为第个商业银行贷款敏感数据进行隐蔽处理后的银行贷款隐蔽信息数据，为第个商业银行贷款敏感数据的协方差矩阵，为商业银行贷款敏感数据的数量，为商业银行贷款敏感数据特征值的数量，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽值，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽平均值，为第个商业银行贷款敏感数据的协方差矩阵中第个特征值与第个特征值之间的逆矩阵，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽值，为第个商业银行贷款敏感数据的第个特征值的数据隐蔽平均值，为特征值加噪分布函数，为第个特征值的标准差，为指数函数，为第个商业银行贷款敏感数据的第个特征值的加噪值，为第个特征值的均值。
5.根据权利要求1所述的基于纵向联邦学习的商业银行贷款风控方法，其特征在于，步骤S2包括以下步骤：
步骤S21：利用数据筛选技术对银行贷款隐蔽信息数据进行筛选处理，得到银行贷款数字类数据和银行贷款文本类数据；
步骤S22：利用无线传输技术将银行贷款数字类数据传输至数字分支服务器，并将银行贷款文本类数据传输至文本分支服务器；
步骤S23：通过数字分支服务器利用特征提取技术对银行贷款数字类数据进行特征提取处理，得到银行贷款数字类数据特征；
步骤S24：通过文本分支服务器利用向量转换技术对银行贷款文本类数据进行向量化处理，得到银行贷款文本类向量。
6.根据权利要求1所述的基于纵向联邦学习的商业银行贷款风控方法，其特征在于，步骤S3包括以下步骤：
步骤S31：基于纵向联邦学习技术在商业银行的分支服务器中构建本地模型，并在商业银行的中央服务器中构建联邦模型；
步骤S32：利用傅里叶加密算法对银行贷款数字类数据特征和银行贷款文本类向量进行加密处理，得到银行贷款联合加密数据；
步骤S33：对傅里叶加密算法进行反解处理，得到傅里叶解密算法，并通过数据备份技术将傅里叶解密算法备份到联邦模型中；
步骤S34：通过本地模型对银行贷款联合加密数据进行加密交互计算，得到本地模型加密梯度和本地模型加密损失。
7.根据权利要求6所述的基于纵向联邦学习的商业银行贷款风控方法，其特征在于，步骤S32中的傅里叶加密算法的函数公式具体为：
；
式中，为银行贷款联合加密数据，为银行贷款数字类数据特征数据集，为银行贷款文本类向量数据集，为银行贷款数字类数据特征的数量，为银行贷款文本类向量的数量，为傅里叶加密初始时间，为傅里叶加密结束时间，为傅里叶加密处理时间，为傅里叶加密处理时间的均值，为傅里叶加密处理时间的标准差，为银行贷款数字类数据特征的平滑调整因子，为第个银行贷款数字类数据特征，为银行贷款数字类数据特征傅里叶加密调整参数，为银行贷款文本类向量的平滑调整因子，为第个银行贷款文本类向量，为银行贷款文本类向量傅里叶加密调整参数，为傅里叶加密调整相位角，为银行贷款联合加密数据的修正值。
8.根据权利要求6所述的基于纵向联邦学习的商业银行贷款风控方法，其特征在于，步骤S34包括以下步骤：
步骤S341：通过本地模型对银行贷款联合加密数据进行加密交互计算，其中本地模型包括随机梯度下降算法和模型损失算法；
步骤S342：利用随机梯度下降算法对银行贷款联合加密数据进行模型梯度计算，得到本地模型加密梯度；
步骤S343：利用模型损失算法对银行贷款联合加密数据进行模型损失计算，得到本地模型加密损失。
9.根据权利要求1所述的基于纵向联邦学习的商业银行贷款风控方法，其特征在于，步骤S4包括以下步骤：
步骤S41：利用掩码处理技术对本地模型加密梯度进行掩码填充处理，得到本地模型加密掩码梯度；
步骤S42：将本地模型加密掩码梯度和本地模型加密损失发送至中央服务器的联邦模型进行更新优化处理，并利用傅里叶解密算法进行解密处理，得到本地模型解密掩码梯度和本地模型解密损失；
步骤S43：利用下载算法将本地模型解密掩码梯度和本地模型解密损失回传到本地模型进行模型参数聚合处理，得到贷款风控模型；
其中，下载算法的函数公式如下所示：
；
；
；
；
；
式中，为第轮迭代模型参数上的本地模型解密掩码梯度，为第轮迭代模型参数上的本地模型解密损失，为本地模型每轮迭代的样本数量，为第个样本在第轮迭代模型参数上的本地模型解密掩码梯度，为第个样本在第轮迭代模型参数上的本地模型解密损失，和均为正则化系数，为第轮迭代中更新的模型参数值，为模型参数的正则化函数，为第轮迭代中梯度平方的指数加权平均，为指数加权平均的调和平滑参数，为当前轮次迭代中更新的模型参数观测值，为规避风险参数，为控制随机扰动强度的超参数，为高斯噪声函数，为噪声方差，为第轮迭代中更新的模型参数的修正值。
10.根据权利要求1所述的基于纵向联邦学习的商业银行贷款风控方法，其特征在于，步骤S5包括以下步骤：
步骤S51：利用贷款风控模型对银行贷款数字类数据特征和银行贷款文本类向量进行风险预测分析，得到贷款风险推断结果；
步骤S52：基于贷款风险推断结果利用增量学习算法对贷款风控模型进行参数调整处理，并重新进行风险预测分析，得到贷款风险推断优化结果；
其中，增量学习算法的函数公式如下所示：
；
式中，为第轮迭代后的贷款风控模型参数，为第轮迭代后的贷款风控模型参数，为第轮迭代的贷款风控模型参数学习率，为贷款风险推断结果的数量，为第个贷款风险推断结果的真实标签值，为第个贷款风险推断结果的数据向量，为第个贷款风险推断结果的转置向量，为sigmoid激活函数，为经验风险最小化损失函数，为L1正则化超参数，为贷款风险推断结果，为经验风险最小化损失函数的二阶导数，为L2正则化超参数，为贷款风控模型参数的修正值；
步骤S53：对贷款风险推断优化结果进行预测和风险评估处理，生成银行贷款风险报告，并利用银行贷款风险报告以执行相应的贷款决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311764963.4A CN117437039B (zh) | 2023-12-21 | 2023-12-21 | 一种基于纵向联邦学习的商业银行贷款风控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311764963.4A CN117437039B (zh) | 2023-12-21 | 2023-12-21 | 一种基于纵向联邦学习的商业银行贷款风控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117437039A true CN117437039A (zh) | 2024-01-23 |
| CN117437039B CN117437039B (zh) | 2024-04-30 |
Family
ID=89558630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311764963.4A Active CN117437039B (zh) | 2023-12-21 | 2023-12-21 | 一种基于纵向联邦学习的商业银行贷款风控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117437039B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990612A (zh) * | 2021-05-17 | 2021-06-18 | 湖南三湘银行股份有限公司 | 一种基于联邦学习的预测系统及方法 |
| CN113240509A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 一种基于多源数据联邦学习的贷款风险评估方法 |
| CN113947214A (zh) * | 2021-11-23 | 2022-01-18 | 湖南三湘银行股份有限公司 | 一种基于客户端知识蒸馏的联邦学习实现方法 |
| CN114971841A (zh) * | 2022-04-11 | 2022-08-30 | 中国工商银行股份有限公司 | 风险管理方法、风险模型训练方法、装置、设备和介质 |
| CN115907970A (zh) * | 2023-01-05 | 2023-04-04 | 深圳前海微众银行股份有限公司 | 信贷风险识别方法、装置、电子设备及存储介质 |
| CN115907947A (zh) * | 2022-11-18 | 2023-04-04 | 中国建设银行股份有限公司湖南省分行 | 一种企业贷款风险的预测方法及系统 |
| CN116797346A (zh) * | 2023-06-07 | 2023-09-22 | 南京理工大学 | 基于联邦学习的金融欺诈行为检测方法及系统 |
-
2023
- 2023-12-21 CN CN202311764963.4A patent/CN117437039B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990612A (zh) * | 2021-05-17 | 2021-06-18 | 湖南三湘银行股份有限公司 | 一种基于联邦学习的预测系统及方法 |
| CN113240509A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 一种基于多源数据联邦学习的贷款风险评估方法 |
| CN113947214A (zh) * | 2021-11-23 | 2022-01-18 | 湖南三湘银行股份有限公司 | 一种基于客户端知识蒸馏的联邦学习实现方法 |
| CN114971841A (zh) * | 2022-04-11 | 2022-08-30 | 中国工商银行股份有限公司 | 风险管理方法、风险模型训练方法、装置、设备和介质 |
| CN115907947A (zh) * | 2022-11-18 | 2023-04-04 | 中国建设银行股份有限公司湖南省分行 | 一种企业贷款风险的预测方法及系统 |
| CN115907970A (zh) * | 2023-01-05 | 2023-04-04 | 深圳前海微众银行股份有限公司 | 信贷风险识别方法、装置、电子设备及存储介质 |
| CN116797346A (zh) * | 2023-06-07 | 2023-09-22 | 南京理工大学 | 基于联邦学习的金融欺诈行为检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王俊平;董俊磊;: "海上信息系统图像加密算法的关键技术", 舰船科学技术, no. 10, 23 May 2016 (2016-05-23) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117437039B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110941855B (zh) | 一种AIoT场景下的神经网络模型窃取防御方法 | |
| He et al. | A privacy-preserving decentralized credit scoring method based on multi-party information | |
| Rizvi et al. | Detection of stock price manipulation using kernel based principal component analysis and multivariate density estimation | |
| CN117521117B (zh) | 一种医疗数据应用安全与隐私保护方法及系统 | |
| CN113240129A (zh) | 一种面向多类型任务图像分析的联邦学习系统 | |
| Kumar et al. | Noise-induced resonance and particle swarm optimization-based weak signal detection | |
| Kariyappa et al. | Exploit: Extracting private labels in split learning | |
| Li et al. | Privacy-preserving distributed expectation maximization for gaussian mixture model using subspace perturbation | |
| CN118261713B (zh) | 一种基于人工智能的金融数据分析方法及系统 | |
| CN114679307A (zh) | 一种tls加密威胁检测方法和系统 | |
| EP4127999A1 (en) | Device and method for secure private data aggregation | |
| CN115456766A (zh) | 信用风险预测方法及装置 | |
| Prabhu et al. | Privacy preserving steganography based biometric authentication system for cloud computing environment | |
| Xie et al. | A survey on vulnerability of federated learning: A learning algorithm perspective | |
| CN117437039B (zh) | 一种基于纵向联邦学习的商业银行贷款风控方法 | |
| CN114338090A (zh) | 数据安全性检测方法、装置及电子设备 | |
| WO2017107551A1 (zh) | 信息确定方法及装置 | |
| US11163895B2 (en) | Concealment device, data analysis device, and computer readable medium | |
| CN117473477A (zh) | SaaS互动系统的登录方法、装置、设备及存储介质 | |
| CN108900294B (zh) | 涉及指定频段加密的神经网络模型加密保护系统及方法 | |
| Malgwi et al. | Artificial neural network model for intrusion detection system | |
| Sharmila et al. | Tracing footprints of anti-forensics and assuring secured data transmission in the cloud using an effective ECCDH and Kalman Filter | |
| WO2023193703A1 (en) | Systems, methods, and computer-readable media for secure and private data valuation and transfer | |
| CN111698284A (zh) | 基于区块链的计算机加密系统及方法 | |
| CN116882571B (zh) | 一种基于安全纵向联邦回归模型的烟草销售违规信息预测方法 |
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 |