CN117876102A - 联邦学习支持的隐私计算不动产金融风险的方法及平台 - Google Patents
联邦学习支持的隐私计算不动产金融风险的方法及平台 Download PDFInfo
- Publication number
- CN117876102A CN117876102A CN202410263945.6A CN202410263945A CN117876102A CN 117876102 A CN117876102 A CN 117876102A CN 202410263945 A CN202410263945 A CN 202410263945A CN 117876102 A CN117876102 A CN 117876102A
- Authority
- CN
- China
- Prior art keywords
- real estate
- mortgage
- privacy
- risk
- financial
- 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 62
- 238000012502 risk assessment Methods 0.000 claims abstract description 80
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000009434 installation Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 241001334134 Rugopharynx epsilon Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及联邦学习支持的隐私计算不动产金融风险的方法及平台。该方法包括:获取不动产金融网络的信息链上各参与方采集的原始数据;识别确定数据来源实体和隐私特征,并对隐私特征进行同态加密后形成各信息节点的隐私保护数据集;将隐私保护数据集通过联邦学习共同训练,得到不动产抵押贷款风险评估模型,对提取隐私特征进行评估,得到借款人信用风险结果和抵押物风险评估结果;计算不动产抵押贷款违约的概率和违约后金融机构的损失金额,确定不动产抵押金融风险结果。本发明通过联邦学习允许多个参与方在不共享原始数据的情况下共同训练模型,可以有效解决数据孤岛问题,使金融机构能够利用外部数据来提高不动产抵押贷款风险计算的准确性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种联邦学习支持的隐私计算不动产金融风险的方法及平台。
背景技术
不动产抵押贷款是银行等金融机构向借款人发放的、以借款人抵押的房地产作为担保的贷款。不动产抵押贷款风险评估是金融机构在发放贷款前对借款人的信用状况、抵押物的价值以及其他相关因素进行评估,以确定借款人违约的可能性和损失程度的过程。
传统的不动产抵押贷款风险评估方法主要依赖于金融机构自身掌握的数据,例如借款人的信用评分、还款记录等。然而,这些数据往往存在不完整、不准确和不一致的问题,导致金融机构难以对借款人的信用风险进行准确评估。
为了提高不动产抵押贷款风险评估的准确性,金融机构开始探索利用外部数据来补充自身掌握的数据。然而,由于外部数据通常由不同的机构掌握,并且这些机构往往不愿意共享数据,导致金融机构难以获取外部数据,进而难以对不动产金融风险评估和准确计算。
发明内容
有鉴于此,本发明的目的是提供一种联邦学习支持的隐私计算不动产金融风险的方法及平台,通过联邦学习允许多个参与方在不共享原始数据的情况下共同训练模型,可以有效解决数据孤岛问题,使金融机构能够利用外部数据来提高不动产抵押贷款风险计算的准确性。
为实现上述目的,本发明提供如下技术方案:
第一方面,本发明提供了一种联邦学习支持的隐私计算不动产金融风险的方法,包括以下步骤:
基于区块链将不动产抵押的各参与方转化为不动产金融网络中的信息节点,并获取不动产金融网络的信息链上各参与方采集的原始数据;
对原始数据进行识别,确定数据来源实体和隐私特征,并对隐私特征进行同态加密后形成各信息节点的隐私保护数据集;
在不泄露原始数据的情况下,将隐私保护数据集通过联邦学习共同训练,得到不动产抵押贷款风险评估模型;
对收集的借款人信息和不动产抵押物信息进行隐私特征提取后,输入至不动产抵押贷款风险评估模型中进行评估,得到借款人信用风险结果和抵押物风险评估结果;
根据借款人信用风险结果和抵押物风险评估结果,计算不动产抵押贷款违约的概率和违约后金融机构的损失金额,确定不动产抵押金融风险结果。
作为本发明的进一步方案,基于区块链将不动产抵押的各参与方转化为不动产金融网络中的信息节点,包括以下步骤:
选择并下载安装以太坊客户端,搭建不动产金融的区块链网络;
根据不动产抵押的参与方、数据结构以及交易类型构建不动产金融网络的架构并开发智能合约;
各参与方将采集的数据原始数据上链,经过加密和哈希处理后进行隐私保护;
参与方根据设置的访问权限在不动产金融网络中共享数据。
作为本发明的进一步方案,搭建不动产金融的区块链网络时,还包括:
打开以太坊客户端,创建创世区块并指定创世区块的配置参数,将创世区块存储在本地;
使用以太坊客户端启动以太坊节点,以太坊节点将连接到以太坊网络,并开始同步区块链数据;
使用 Solidity 语言编写智能合约代码,将智能合约代码编译成字节码,使用以太坊客户端部署智能合约;
在启动的以太坊节点上,创建一个新的以太坊网络,将创世区块导入到新创建的以太坊网络中,启动其余以太坊节点,并连接到新创建的以太坊网络,在搭建好的不动产金融区块链网络上测试智能合约;
在测试网络运行正常后,将不动产金融区块链网络发布到不动产金融系统中供各参与方使用。
作为本发明的进一步方案,对原始数据进行识别,确定数据来源实体和隐私特征,包括以下步骤:
获取参与方收集不动产抵押的原始数据,预处理后将识别并追踪的提供原始数据的参与方确定为数据来源实体;
将原始数据的文本进行分词,并去除停用词,统计词频,并根据词频构建词袋模型;其中,词袋模型中的每个词对应一个索引,每个词的词频对应该索引的值;
通过词袋模型将原始数据的文本转换为数值向量,将数值向量输入到训练的隐私特征提取模型中输出原始数据的隐私特征。
作为本发明的进一步方案,对隐私特征进行同态加密后形成各信息节点的隐私保护数据集,包括以下步骤:
使用选定的同态加密算法生成公钥和私钥,使用公钥对隐私特征进行加密;
将加密后的隐私特征存储在各信息节点,得到隐私保护数据集;
对隐私保护数据集的密文进行计算,使用私钥解密计算结果,解密后得到原始的隐私特征。
作为本发明的进一步方案,将隐私保护数据集通过联邦学习共同训练,包括以下步骤:
步骤1)初始化联邦学习环境
选择TensorFlow Federated联邦学习框架,并将联邦学习环境部署到各信息节点;
步骤2)划分数据集
将隐私保护数据集划分为多个子数据集,将子数据集分发给各信息节点;
步骤3)训练本地模型
各信息节点使用本地子数据集训练本地模型;并将各信息节点训练的本地模型聚合起来,形成全局模型;
步骤4)更新本地模型
将全局模型分发给各信息节点,各信息节点使用全局模型更新本地模型;重复本地模型的训练及更新步骤,直至达到收敛条件,得到不动产抵押贷款风险评估模型。
本发明通过联邦学习支持的隐私计算不动产金融风险的方法,可以有效保护隐私特征的安全性和隐私性,并对不动产抵押贷款风险进行准确评估。
作为本发明的进一步方案,对收集的借款人信息和不动产抵押物信息进行隐私特征提取时,提取出包含借款人信用风险和抵押物风险的隐私特征,其中,借款人信用风险的隐私特征包括借款人的收入水平、信用历史、还款记录,抵押物风险的隐私特征包括抵押物的估值、类型、位置;
将提取的隐私特征作为输入,输入到不动产抵押贷款风险评估模型中,根据输入的特征进行分析,生成信用风险评分和抵押物风险评分,并分别作为借款人信用风险结果和抵押物风险评估结果输出。
作为本发明的进一步方案,计算不动产抵押贷款违约的概率和违约后金融机构的损失金额,包括以下步骤:
根据借款人信用风险结果和抵押物风险评估结果获取相应的信用风险评分和抵押物风险评分;
将不动产抵押贷款违约的历史数据作为样本数据,建立借款人信用风险评分与违约概率关系的信用风险评估模型;根据借款人的信用风险评分,使用信用风险评估模型计算出不动产抵押贷款违约的概率;
确定不动产抵押贷款的总额,根据抵押物风险评估结果,确定抵押物的价值;计算抵押物价值与不动产抵押贷款总额之间的比例,得到贷款与抵押物价值的贷款比例;
根据不动产抵押贷款违约的历史数据,建立贷款比例与损失率之间关系的抵押物风险评估模型;
根据贷款比例,使用抵押物风险评估模型计算出违约后金融机构的损失率;根据不动产抵押贷款总额、抵押物价值以及损失率计算违约后金融机构的损失金额。
作为本发明的进一步方案,违约后金融机构的损失金额Ls,计算公式为:;
其中,
Ln(贷款总额):表示不动产抵押贷款的总额,即借款人从金融机构获得的贷款金额。
δ(贷款与抵押物价值的贷款比例):表示不动产抵押贷款金额与抵押物价值之间的比例,反映了金融机构提供的贷款在抵押物价值中所占的比例;贷款比例δ的计算公式为:;
其中,P(抵押物价值):表示抵押物的估值,由估价机构进行评估。
Lr(损失率):表示金融机构不动产抵押贷款违约而损失的金额比例。损失率Lr根据抵押物风险评估模型进行估计,代表借款人违约后金融机构无法收回的贷款金额比例。损失率Lr的计算公式为:;
违约后金融机构损失金额是指金融机构在借款人违约的情况下无法收回的贷款金额。
第二方面,本发明还提供了一种联邦学习支持的隐私计算不动产金融风险的平台,包括以下组件:
区块链网络:用于将不动产抵押的各参与方转化为不动产金融网络中的信息节点,并记录不动产金融网络的信息链上各参与方采集的原始数据;
隐私保护模块,用于对原始数据进行识别,确定数据来源实体和隐私特征,并对隐私特征进行同态加密后形成各信息节点的隐私保护数据集;
联邦学习模块:在不泄露原始数据的情况下,将隐私保护数据集通过联邦学习共同训练,得到不动产抵押贷款风险评估模型;
风险评估模块:用于对收集的借款人信息和不动产抵押物信息进行隐私特征提取后,输入至不动产抵押贷款风险评估模型中进行评估,得到借款人信用风险结果和抵押物风险评估结果;
风险计算模块:用于根据借款人信用风险结果和抵押物风险评估结果,计算不动产抵押贷款违约的概率和违约后金融机构的损失金额,确定不动产抵押金融风险结果。
与现有技术相比,本发明的联邦学习支持的隐私计算不动产金融风险的方法及平台,具有如下有益效果:
1.隐私保护:通过同态加密和数据识别技术,原始数据在保持加密的同时,确保数据源实体的隐私得到保护;使参与方的敏感信息不会被暴露给其他参与方或中央服务器,从而保护了数据的隐私性。
2.数据安全:由于原始数据不离开各参与方的本地设备,减少了数据传输过程中的风险和安全威胁,数据仅在本地设备上进行联邦学习训练,降低了数据泄露和非授权访问的风险。
3.综合信息利用:通过区块链技术,将不动产抵押的各参与方转化为不动产金融网络中的信息节点,形成分布式网络,可以充分利用各参与方的数据,提高风险评估的准确性和全面性。
4.参与方协作:联邦学习允许各参与方在保护隐私的前提下,共同训练模型。通过合作和共享模型更新,各参与方可以从其他参与方的数据中学习,提高整体模型的性能和预测能力。
5.实时风险评估:借助联邦学习技术,不需要将原始数据传输到中央服务器进行集中计算,每个参与方可以在本地设备上进行实时风险评估,可以加快评估速度,并及时提供风险结果,有助于金融机构做出决策。
6.降低计算成本:联邦学习允许在本地设备上进行模型训练和评估,减少了对中央服务器的依赖和计算资源的需求,降低了计算成本,并提高了计算效率。
综上所述,本发明的联邦学习支持的隐私计算不动产金融风险的方法及平台在保护隐私、提高数据安全、综合利用信息、促进参与方协作、实时评估风险和降低计算成本等方面带来了显著的有益效果。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对示例性实施例或相关技术描述中所需要使用的附图作一简单地介绍,附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例的一种联邦学习支持的隐私计算不动产金融风险的方法的流程图。
图2为本发明实施例的一种联邦学习支持的隐私计算不动产金融风险的方法中对结构化数据进行特征提取的流程图。
图3为本发明实施例的一种联邦学习支持的隐私计算不动产金融风险的方法中对非结构化数据进行特征提取的流程图。
图4为本发明实施例的一种联邦学习支持的隐私计算不动产金融风险的方法中对提取的特征数据进行聚类分析的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明示例性实施例中的附图,对本发明示例性实施例中的技术方案进行清楚、完整地描述,显然,所描述的示例性实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作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。
鉴于传统的不动产抵押贷款风险评估方法中数据往往存在不完整、不准确和不一致的问题。本发明提供了一种联邦学习支持的隐私计算不动产金融风险的方法及平台,通过联邦学习允许多个参与方在不共享原始数据的情况下共同训练模型,可以有效解决数据孤岛问题,使金融机构能够利用外部数据来提高不动产抵押贷款风险计算的准确性。
下面结合具体实施例对本发明的技术方案作进一步的说明:
参见图1所示,本发明实施例提供的一种联邦学习支持的隐私计算不动产金融风险的方法,包括如下步骤:
步骤S10、基于区块链将不动产抵押的各参与方转化为不动产金融网络中的信息节点,并获取不动产金融网络的信息链上各参与方采集的原始数据;
步骤S20、对原始数据进行识别,确定数据来源实体和隐私特征,并对隐私特征进行同态加密后形成各信息节点的隐私保护数据集;
步骤S30、在不泄露原始数据的情况下,将隐私保护数据集通过联邦学习共同训练,得到不动产抵押贷款风险评估模型;
步骤S40、对收集的借款人信息和不动产抵押物信息进行隐私特征提取后,输入至不动产抵押贷款风险评估模型中进行评估,得到借款人信用风险结果和抵押物风险评估结果;
步骤S50、根据借款人信用风险结果和抵押物风险评估结果,计算不动产抵押贷款违约的概率和违约后金融机构的损失金额,确定不动产抵押金融风险结果。
本发明实施例提供的一种联邦学习支持的隐私计算不动产金融风险的方法基于区块链将参与方转化为不动产金融网络中的信息节点,并记录各参与方采集的原始数据,提供区块链提供了分布式和去中心化的数据存储和验证机制,确保数据的可靠性和不可篡改性;参与方对原始数据进行隐私特征识别和同态加密,以保护数据的隐私,在同态加密后允许对加密数据进行计算,而无需解密,可以在不泄露敏感信息的情况下进行联邦学习模型的训练和推断;在不泄露原始数据的情况下,各参与方在本地训练模型然后通过加密聚合的方式将局部模型整合成一个全局模型。通过迭代的训练过程,全局模型逐渐改进和优化,以适应不动产抵押贷款风险评估的需求。最后通过不动产抵押贷款风险评估模型进行评估,综合评估借款人的信用风险和抵押物的风险。根据借款人信用风险结果和抵押物风险评估结果,计算不动产抵押贷款违约的概率和违约后金融机构的损失金额。
示例性的,假设有三个参与方,分别为银行、保险公司和房地产经纪公司,银行拥有不动产抵押贷款客户的历史还款记录,保险公司拥有不动产抵押贷款客户的信用评分,房地产经纪公司拥有不动产抵押贷款抵押物的价值评估报告。在实施联邦学习支持的隐私计算不动产金融风险的方法时,参与方执行以下操作:
首先,参与方银行、保险公司和房地产经纪公司通过区块链技术将自身转化为不动产金融网络中的信息节点,记录原始数据到信息链上。然后,各参与方对原始数据进行识别,确定数据来源实体和隐私特征,并对隐私特征进行同态加密,形成各信息节点的隐私保护数据集。参与方银行、保险公司和房地产经纪公司使用联邦学习技术将各自的隐私保护数据集进行共同训练,得到不动产抵押贷款风险评估模型。参与方银行、保险公司和房地产经纪公司对收集的借款人信息和不动产抵押物信息进行隐私特征提取,将提取后的特征输入到不动产抵押贷款风险评估模型中进行评估,得到借款人信用风险结果和抵押物风险评估结果。最后,根据借款人信用风险结果和抵押物风险评估结果,参与方银行、保险公司和房地产经纪公司计算不动产抵押贷款违约概率和违约后金融机构的损失金额,从而确定不动产抵押金融风险结果。
本发明隐私计算不动产金融风险的方法,利用联邦学习和隐私计算技术,通过区块链将不动产抵押的各参与方转化为不动产金融网络中的信息节点,并保护原始数据的隐私。各参与方在不泄露数据的情况下,通过联邦学习共同训练不动产抵押贷款风险评估模型,以综合评估借款人的信用风险和抵押物的风险。最后,根据评估结果计算不动产抵押贷款违约概率和金融机构的损失金额,以确定不动产抵押金融风险。旨在保护数据隐私、提高数据利用效率,并为金融机构提供更准确的风险评估和决策依据。
在本实施例中,参见图2所示,基于区块链将不动产抵押的各参与方转化为不动产金融网络中的信息节点,包括以下步骤:
步骤S101、选择并下载安装以太坊客户端,搭建不动产金融的区块链网络;
步骤S102、根据不动产抵押的参与方、数据结构以及交易类型构建不动产金融网络的架构并开发智能合约;
步骤S103、各参与方将采集的数据原始数据上链,经过加密和哈希处理后进行隐私保护;
步骤S104、参与方根据设置的访问权限在不动产金融网络中共享数据。
其中,搭建不动产金融的区块链网络时,还包括:
打开以太坊客户端,创建创世区块并指定创世区块的配置参数,将创世区块存储在本地;
使用以太坊客户端启动以太坊节点,以太坊节点将连接到以太坊网络,并开始同步区块链数据;
使用 Solidity 语言编写智能合约代码,将智能合约代码编译成字节码,使用以太坊客户端部署智能合约;
在启动的以太坊节点上,创建一个新的以太坊网络,将创世区块导入到新创建的以太坊网络中,启动其余以太坊节点,并连接到新创建的以太坊网络,在搭建好的不动产金融区块链网络上测试智能合约;
在测试网络运行正常后,将不动产金融区块链网络发布到不动产金融系统中供各参与方使用。
在上述步骤中,基于区块链将不动产抵押的各参与方转化为不动产金融网络中的信息节点的过程如下:
(1)安装以太坊客户端
若以太坊客户端选择Geth,则:
前往[Geth 官网](https://geth.ethereum.org/)下载Geth;根据操作系统选择相应的安装包,下载完成后,按照安装向导进行安装。
若以太坊客户端选择Parity,则:
前往[Parity 官网](https://parity.io/)下载Parity;根据操作系统选择相应的安装包,下载完成后,按照安装向导进行安装。
(2)创建创世区块
打开以太坊客户端,并创建一个新的项目;在项目中创建一个名为“genesis.json”的文件;在“genesis.json”文件中,写入以下内容:
{
"config": {
"chainId": 123,
"homesteadBlock": 0,
"eip155Block": 0,
"eip158Block": 0
},
"nonce": "0x0000000000000000000000000000000000000000000000000000000000000000",
"timestamp": "0x00",
"parentHash": "0x0000000000000000000000000000000000000000000000000000000000000000",
"extraData": "0x",
"gasLimit": "0x8000000",
"difficulty": "0x00",
"mixHash": "0x0000000000000000000000000000000000000000000000000000000000000000",
"coinbase": "0x0000000000000000000000000000000000000000",
"alloc": {}
}
将“genesis.json”文件保存到项目目录中。
(3)启动以太坊节点
打开以太坊客户端,并执行以下命令启动以太坊节点:
geth --datadir/path/to/datadir --networkid 123 --genesis genesis.json--rpc --rpcaddr 127.0.0.1 --rpcport 8545
其中,“/path/to/datadir”是数据目录的路径,“123”是网络ID,“genesis.json”是创世区块文件的路径,“127.0.0.1”是 RPC 服务器地址,“8545”是 RPC 服务器端口。
(4)创建智能合约
使用 Solidity 语言编写智能合约代码,将智能合约代码编译成字节码,使用以太坊客户端部署智能合约。
(5)搭建不动产金融的区块链网络
在步骤(3)中启动的以太坊节点上,创建一个新的以太坊网络,将创世区块导入到新创建的以太坊网络中;启动其他以太坊节点,并连接到新创建的以太坊网络。
(6)测试网络:在搭建好的不动产金融区块链网络上测试智能合约,确保智能合约能够正常运行。
(7)发布网络:在测试网络运行正常后,将不动产金融区块链网络发布到生产环境中,发布后的网络可以被参与方使用,以进行实际的不动产金融业务。
在本实施例中,参见图3所示,对原始数据进行识别,确定数据来源实体和隐私特征,包括以下步骤:
步骤S201、获取参与方收集不动产抵押的原始数据,预处理后将识别并追踪的提供原始数据的参与方确定为数据来源实体;
步骤S202、将原始数据的文本进行分词,并去除停用词,统计词频,并根据词频构建词袋模型;其中,词袋模型中的每个词对应一个索引,每个词的词频对应该索引的值;
步骤S203、通过词袋模型将原始数据的文本转换为数值向量,将数值向量输入到训练的隐私特征提取模型中输出原始数据的隐私特征。
在不动产抵押业务中,数据来源实体可以包括:借款人、贷款人、担保人、不动产估价师、律师、银行、保险公司、房地产经纪公司和/或其他参与方。隐私特征包括借款人的姓名、身份证号码、家庭住址、联系方式;抵押物的地址、面积、价值;或交易记录中的金额、日期、交易双方。
在本实施例中,对隐私特征进行同态加密后形成各信息节点的隐私保护数据集,包括以下步骤:
使用选定的同态加密算法生成公钥和私钥,使用公钥对隐私特征进行加密;
将加密后的隐私特征存储在各信息节点,得到隐私保护数据集;
对隐私保护数据集的密文进行计算,使用私钥解密计算结果,解密后得到原始的隐私特征。
其中,使用选定的同态加密算法生成公钥和私钥,使用公钥对隐私特征进行加密,包括:
(1)生成公钥和私钥
随机选择一个大素数 p。
随机选择一个生成元 g,满足 g^p ≡ 1 (mod p);其中,≡表示“模同余”。
随机选择一个私钥x ∈ [1, p-1]。
计算公钥 y = g^x (mod p)。
(2)对隐私特征进行加密
将隐私特征表示为一个整数 m ∈ [0, p-1]。
随机选择一个随机数r ∈ [1, p-1]。
计算密文 c_1 = g^r (mod p)。
计算密文 c_2 = m * y^r (mod p)。
步骤 3:将密文存储在各信息节点
将密文 c_1 和 c_2 存储在各信息节点。
各信息节点只能存储密文,无法解密密文。
步骤 4:对密文进行计算
各信息节点可以在不解密密文的情况下,对密文进行计算。
计算结果仍然是密文。
步骤 5:使用私钥解密计算结果
使用私钥 x 解密计算结果。
计算明文 m = c_2 / c_1^x \pmod{p}。
通过以上步骤,对隐私特征进行 ElGamal 同态加密,并形成各信息节点的隐私保护数据集。
在本实施例中,将隐私保护数据集通过联邦学习共同训练,包括以下步骤:
步骤1)初始化联邦学习环境
选择TensorFlow Federated联邦学习框架,并将联邦学习环境部署到各信息节点;
步骤2)划分数据集
将隐私保护数据集划分为多个子数据集,将子数据集分发给各信息节点;
步骤3)训练本地模型
各信息节点使用本地子数据集训练本地模型;并将各信息节点训练的本地模型聚合起来,形成全局模型;
步骤4)更新本地模型
将全局模型分发给各信息节点,各信息节点使用全局模型更新本地模型;重复本地模型的训练及更新步骤,直至达到收敛条件,得到不动产抵押贷款风险评估模型。
本发明通过联邦学习支持的隐私计算不动产金融风险的方法,可以有效保护隐私特征的安全性和隐私性,并对不动产抵押贷款风险进行准确评估。
在本实施例中,对收集的借款人信息和不动产抵押物信息进行隐私特征提取时,提取出包含借款人信用风险和抵押物风险的隐私特征,其中,借款人信用风险的隐私特征包括借款人的收入水平、信用历史、还款记录,抵押物风险的隐私特征包括抵押物的估值、类型、位置;
将提取的隐私特征作为输入,输入到不动产抵押贷款风险评估模型中,根据输入的特征进行分析,生成信用风险评分和抵押物风险评分,并分别作为借款人信用风险结果和抵押物风险评估结果输出。
在本实施例中,参见图4所示,计算不动产抵押贷款违约的概率和违约后金融机构的损失金额,包括以下步骤:
步骤S301、根据借款人信用风险结果和抵押物风险评估结果获取相应的信用风险评分和抵押物风险评分;
步骤S302、将不动产抵押贷款违约的历史数据作为样本数据,建立借款人信用风险评分与违约概率关系的信用风险评估模型;根据借款人的信用风险评分,使用信用风险评估模型计算出不动产抵押贷款违约的概率;
步骤S303、确定不动产抵押贷款的总额,根据抵押物风险评估结果,确定抵押物的价值;计算抵押物价值与不动产抵押贷款总额之间的比例,得到贷款与抵押物价值的贷款比例;
步骤S304、根据不动产抵押贷款违约的历史数据,建立贷款比例与损失率之间关系的抵押物风险评估模型;
步骤S305、根据贷款比例,使用抵押物风险评估模型计算出违约后金融机构的损失率;根据不动产抵押贷款总额、抵押物价值以及损失率计算违约后金融机构的损失金额。
在本实施例中,违约后金融机构的损失金额Ls,计算公式为:;
其中,
Ln(贷款总额):表示不动产抵押贷款的总额,即借款人从金融机构获得的贷款金额。
δ(贷款与抵押物价值的贷款比例):表示不动产抵押贷款金额与抵押物价值之间的比例,反映了金融机构提供的贷款在抵押物价值中所占的比例;贷款比例δ的计算公式为:;
其中,P(抵押物价值):表示抵押物的估值,由估价机构进行评估。
Lr(损失率):表示金融机构不动产抵押贷款违约而损失的金额比例。损失率Lr根据抵押物风险评估模型进行估计,代表借款人违约后金融机构无法收回的贷款金额比例。损失率Lr的计算公式为:;
违约后金融机构损失金额是指金融机构在借款人违约的情况下无法收回的贷款金额。
示例性的,假设某借款人申请了一笔100万元的住房抵押贷款,贷款期限为30年。该借款人的信用评分为700,还款记录良好。抵押物为一套位于北京市海淀区的中档公寓,价值200万元。
根据历史数据,该借款人的违约概率为1%。如果该借款人违约,金融机构的损失金额为100万元。
因此,该笔不动产抵押贷款的不动产金融风险为:
不动产金融风险=1%×100万元=1万元。
上述中将违约概率和损失金额相乘,得到不动产金融风险。
本发明提供了一种有效保护隐私特征安全性和隐私性的不动产抵押贷款风险评估方法,该方法基于联邦学习框架(如TensorFlow Federated),通过在各信息节点上训练本地模型并进行模型聚合,实现了在数据分散的情况下进行模型训练和评估的能力。
在本发明的方法中,首先将隐私保护数据集划分为多个子数据集,并将其分发给各信息节点。每个信息节点使用本地子数据集训练本地模型,并将模型参数聚合形成全局模型。通过这种方式,保护了数据的隐私性,因为原始数据不会暴露给中央服务器或其他信息节点。
然后,通过多轮的模型更新和迭代,将全局模型的参数分发给各信息节点,各信息节点使用全局模型参数来更新本地模型。这样的迭代过程可以提高模型的准确性和性能,并且可以根据具体需求进行灵活的调整。
最后,使用训练好的不动产抵押贷款风险评估模型,对借款人的信用风险和抵押物的风险进行评估。通过隐私特征提取和分析,生成相应的评估结果,用于风险管理和决策制定。
综上所述,本发明的联邦学习支持的隐私计算不动产金融风险的方法结合了联邦学习和隐私计算的优势,既能够保护数据隐私,又能够进行有效的模型训练和评估。这对于不动产金融领域的风险评估具有重要意义,可以提供更准确的评估结果,同时保护了用户的隐私权益。然而,该方法仍然需要考虑数据安全性和模型性能的平衡,以及隐私保护和模型效果之间的权衡,进一步研究和探索在实际应用中的可行性和有效性。
应该理解的是,上述虽然是按照某一顺序描述的,但是这些步骤并不是必然按照上述顺序依次执行。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,这些步骤可以以其他以其它的顺序执行。而且,本实施例的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。
在实施例中,本发明还提供了一种联邦学习支持的隐私计算不动产金融风险的平台,包括以下组件:
区块链网络:用于将不动产抵押的各参与方转化为不动产金融网络中的信息节点,并记录不动产金融网络的信息链上各参与方采集的原始数据;
隐私保护模块,用于对原始数据进行识别,确定数据来源实体和隐私特征,并对隐私特征进行同态加密后形成各信息节点的隐私保护数据集;
联邦学习模块:在不泄露原始数据的情况下,将隐私保护数据集通过联邦学习共同训练,得到不动产抵押贷款风险评估模型;
风险评估模块:用于对收集的借款人信息和不动产抵押物信息进行隐私特征提取后,输入至不动产抵押贷款风险评估模型中进行评估,得到借款人信用风险结果和抵押物风险评估结果;
风险计算模块:用于根据借款人信用风险结果和抵押物风险评估结果,计算不动产抵押贷款违约的概率和违约后金融机构的损失金额,确定不动产抵押金融风险结果。
在本实施例中,联邦学习支持的隐私计算不动产金融风险的平台在执行时采用如前述的一种联邦学习支持的隐私计算不动产金融风险的方法的步骤,因此,本实施例中对联邦学习支持的隐私计算不动产金融风险的平台的运行过程不再详细介绍。
本发明的联邦学习支持的隐私计算不动产金融风险的平台基于上述模块能够在保护数据隐私的同时进行有效的不动产金融风险评估,过程如下:
首先,区块链网络用于将不动产抵押的各参与方转化为不动产金融网络中的信息节点,并记录不动产金融网络的信息链上各参与方采集的原始数据。这样可以确保数据的可追溯性和不可篡改性。
随后,隐私保护模块对原始数据进行识别,确定数据来源实体和隐私特征,并对隐私特征进行同态加密后形成各信息节点的隐私保护数据集。这样可以保护数据的隐私性,确保原始数据不会暴露给其他参与方或中央服务器。
联邦学习模块利用隐私保护数据集,通过联邦学习的方法进行模型训练。在联邦学习过程中,各信息节点在本地训练模型,并将模型参数进行聚合,形成全局模型。这样可以在不共享原始数据的情况下,共同训练一个具有较高准确性和性能的不动产抵押贷款风险评估模型。
风险评估模块用于对收集的借款人信息和不动产抵押物信息进行隐私特征提取,然后将其输入到不动产抵押贷款风险评估模型中进行评估。通过这个模型,可以得到借款人的信用风险结果和抵押物的风险评估结果。
最后,风险计算模块利用借款人信用风险结果和抵押物风险评估结果,计算不动产抵押贷款违约的概率和违约后金融机构的损失金额,从而确定不动产抵押金融风险结果。
综合而言,本发明的联邦学习支持的隐私计算不动产金融风险的平台结合了区块链、隐私保护、联邦学习和风险计算技术,能够在保护数据隐私的同时进行有效的不动产金融风险评估,为金融机构提供了一种安全、高效且隐私保护的方法,用于评估不动产抵押贷款的风险,并帮助他们做出更准确的决策。
在的实施例中,在本发明实施例的还提供了一种计算机设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述的联邦学习支持的隐私计算不动产金融风险的方法,该处理器执行指令时实现上述联邦学习支持的隐私计算不动产金融风险的方法实施例中的步骤。
在的实施例中,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行所述的联邦学习支持的隐私计算不动产金融风险的方法的步骤。
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,是可以通过计算机指令表征的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、存储、数据库或其他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、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器。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或动态随机存取存储器等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所做的任何修改作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种联邦学习支持的隐私计算不动产金融风险的方法,其特征在于,该方法包括以下步骤:
基于区块链将不动产抵押的各参与方转化为不动产金融网络中的信息节点,并获取不动产金融网络的信息链上各参与方采集的原始数据;
对原始数据进行识别,确定数据来源实体和隐私特征,并对隐私特征进行同态加密后形成各信息节点的隐私保护数据集;
在不泄露原始数据的情况下,将隐私保护数据集通过联邦学习共同训练,得到不动产抵押贷款风险评估模型;
对收集的借款人信息和不动产抵押物信息进行隐私特征提取后,输入至不动产抵押贷款风险评估模型中进行评估,得到借款人信用风险结果和抵押物风险评估结果;
根据借款人信用风险结果和抵押物风险评估结果,计算不动产抵押贷款违约的概率和违约后金融机构的损失金额,确定不动产抵押金融风险结果。
2.如权利要求1所述的联邦学习支持的隐私计算不动产金融风险的方法,其特征在于,基于区块链将不动产抵押的各参与方转化为不动产金融网络中的信息节点,包括以下步骤:
选择并下载安装以太坊客户端,搭建不动产金融的区块链网络;
根据不动产抵押的参与方、数据结构以及交易类型构建不动产金融网络的架构并开发智能合约;
各参与方将采集的数据原始数据上链,经过加密和哈希处理后进行隐私保护;
参与方根据设置的访问权限在不动产金融网络中共享数据。
3.如权利要求2所述的联邦学习支持的隐私计算不动产金融风险的方法,其特征在于,搭建不动产金融的区块链网络时,还包括:
打开以太坊客户端,创建创世区块并指定创世区块的配置参数,将创世区块存储在本地;
使用以太坊客户端启动以太坊节点,以太坊节点将连接到以太坊网络,并开始同步区块链数据;
使用 Solidity 语言编写智能合约代码,将智能合约代码编译成字节码,使用以太坊客户端部署智能合约;
在启动的以太坊节点上,创建一个新的以太坊网络,将创世区块导入到新创建的以太坊网络中,启动其余以太坊节点,并连接到新创建的以太坊网络,在搭建好的不动产金融区块链网络上测试智能合约;
在测试网络运行正常后,将不动产金融区块链网络发布到不动产金融系统中供各参与方使用。
4.如权利要求1所述的联邦学习支持的隐私计算不动产金融风险的方法,其特征在于,对原始数据进行识别,确定数据来源实体和隐私特征,包括以下步骤:
获取参与方收集不动产抵押的原始数据,预处理后将识别并追踪的提供原始数据的参与方确定为数据来源实体;
将原始数据的文本进行分词,并去除停用词,统计词频,并根据词频构建词袋模型;其中,词袋模型中的每个词对应一个索引,每个词的词频对应该索引的值;
通过词袋模型将原始数据的文本转换为数值向量,将数值向量输入到训练的隐私特征提取模型中输出原始数据的隐私特征。
5.如权利要求4所述的联邦学习支持的隐私计算不动产金融风险的方法,其特征在于,对隐私特征进行同态加密后形成各信息节点的隐私保护数据集,包括以下步骤:
使用选定的同态加密算法生成公钥和私钥,使用公钥对隐私特征进行加密;
将加密后的隐私特征存储在各信息节点,得到隐私保护数据集;
对隐私保护数据集的密文进行计算,使用私钥解密计算结果,解密后得到原始的隐私特征。
6.如权利要求5所述的联邦学习支持的隐私计算不动产金融风险的方法,其特征在于,将隐私保护数据集通过联邦学习共同训练,包括以下步骤:
步骤1)初始化联邦学习环境
选择TensorFlow Federated联邦学习框架,并将联邦学习环境部署到各信息节点;
步骤2)划分数据集
将隐私保护数据集划分为多个子数据集,将子数据集分发给各信息节点;
步骤3)训练本地模型
各信息节点使用本地子数据集训练本地模型;并将各信息节点训练的本地模型聚合起来,形成全局模型;
步骤4)更新本地模型
将全局模型分发给各信息节点,各信息节点使用全局模型更新本地模型;重复本地模型的训练及更新步骤,直至达到收敛条件,得到不动产抵押贷款风险评估模型。
7.如权利要求6所述的联邦学习支持的隐私计算不动产金融风险的方法,其特征在于,对收集的借款人信息和不动产抵押物信息进行隐私特征提取时,提取出包含借款人信用风险和抵押物风险的隐私特征,其中,借款人信用风险的隐私特征包括借款人的收入水平、信用历史、还款记录,抵押物风险的隐私特征包括抵押物的估值、类型、位置;
将提取的隐私特征作为输入,输入到不动产抵押贷款风险评估模型中,根据输入的特征进行分析,生成信用风险评分和抵押物风险评分,并分别作为借款人信用风险结果和抵押物风险评估结果输出。
8.如权利要求7所述的联邦学习支持的隐私计算不动产金融风险的方法,其特征在于,计算不动产抵押贷款违约的概率和违约后金融机构的损失金额,包括以下步骤:
根据借款人信用风险结果和抵押物风险评估结果获取相应的信用风险评分和抵押物风险评分;
将不动产抵押贷款违约的历史数据作为样本数据,建立借款人信用风险评分与违约概率关系的信用风险评估模型;根据借款人的信用风险评分,使用信用风险评估模型计算出不动产抵押贷款违约的概率;
确定不动产抵押贷款的总额,根据抵押物风险评估结果,确定抵押物的价值;计算抵押物价值与不动产抵押贷款总额之间的比例,得到贷款与抵押物价值的贷款比例;
根据不动产抵押贷款违约的历史数据,建立贷款比例与损失率之间关系的抵押物风险评估模型;
根据贷款比例,使用抵押物风险评估模型计算出违约后金融机构的损失率;根据不动产抵押贷款总额、抵押物价值以及损失率计算违约后金融机构的损失金额。
9.如权利要求8所述的联邦学习支持的隐私计算不动产金融风险的方法,其特征在于,违约后金融机构的损失金额Ls,计算公式为:;
式中,Ln为贷款总额:表示不动产抵押贷款的总额,即借款人从金融机构获得的贷款金额;
δ为贷款与抵押物价值的贷款比例:表示不动产抵押贷款金额与抵押物价值之间的比例,反映了金融机构提供的贷款在抵押物价值中所占的比例;贷款比例δ的计算公式为:;
其中,P为抵押物价值:表示抵押物的估值,由估价机构进行评估;
Lr为损失率:表示金融机构不动产抵押贷款违约而损失的金额比例。
10.一种联邦学习支持的隐私计算不动产金融风险的平台,其特征在于,用于执行如权利要求1-9任一项所述的联邦学习支持的隐私计算不动产金融风险的方法,该平台包括:
区块链网络:用于将不动产抵押的各参与方转化为不动产金融网络中的信息节点,并记录不动产金融网络的信息链上各参与方采集的原始数据;
隐私保护模块,用于对原始数据进行识别,确定数据来源实体和隐私特征,并对隐私特征进行同态加密后形成各信息节点的隐私保护数据集;
联邦学习模块:在不泄露原始数据的情况下,将隐私保护数据集通过联邦学习共同训练,得到不动产抵押贷款风险评估模型;
风险评估模块:用于对收集的借款人信息和不动产抵押物信息进行隐私特征提取后,输入至不动产抵押贷款风险评估模型中进行评估,得到借款人信用风险结果和抵押物风险评估结果;
风险计算模块:用于根据借款人信用风险结果和抵押物风险评估结果,计算不动产抵押贷款违约的概率和违约后金融机构的损失金额,确定不动产抵押金融风险结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410263945.6A CN117876102A (zh) | 2024-03-08 | 2024-03-08 | 联邦学习支持的隐私计算不动产金融风险的方法及平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410263945.6A CN117876102A (zh) | 2024-03-08 | 2024-03-08 | 联邦学习支持的隐私计算不动产金融风险的方法及平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117876102A true CN117876102A (zh) | 2024-04-12 |
Family
ID=90588688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410263945.6A Pending CN117876102A (zh) | 2024-03-08 | 2024-03-08 | 联邦学习支持的隐私计算不动产金融风险的方法及平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876102A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288157A (zh) * | 2018-01-25 | 2018-07-17 | 青岛闪收付信息技术有限公司 | 一种基于金融区块链技术的供应链管理方法 |
CN108564364A (zh) * | 2018-03-12 | 2018-09-21 | 重庆小富农康农业科技服务有限公司 | 一种基于区块链技术和用户精准画像的农村养殖大数据征信系统 |
US20200042625A1 (en) * | 2018-08-03 | 2020-02-06 | American Express Travel Related Services Company, Inc. | Blockchain-enabled datasets shared across different database systems |
CN111541540A (zh) * | 2020-07-07 | 2020-08-14 | 杭州云链趣链数字科技有限公司 | 区块链隐私保护的数据处理方法、装置和计算机设备 |
WO2022041898A1 (zh) * | 2020-08-31 | 2022-03-03 | 平安科技(深圳)有限公司 | 主题分类的方法、装置和计算机设备 |
CN116468543A (zh) * | 2023-04-14 | 2023-07-21 | 深圳供电局有限公司 | 基于联邦学习的信贷风险评估方法、装置、设备和介质 |
CN116823417A (zh) * | 2023-06-27 | 2023-09-29 | 山东大学 | 一种基于联邦学习的区块链供应链金融风险控制方法、系统、存储介质及电子终端 |
CN117611335A (zh) * | 2023-11-15 | 2024-02-27 | 中银金融科技有限公司 | 金融风险识别方法、装置、电子设备和存储介质 |
-
2024
- 2024-03-08 CN CN202410263945.6A patent/CN117876102A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288157A (zh) * | 2018-01-25 | 2018-07-17 | 青岛闪收付信息技术有限公司 | 一种基于金融区块链技术的供应链管理方法 |
CN108564364A (zh) * | 2018-03-12 | 2018-09-21 | 重庆小富农康农业科技服务有限公司 | 一种基于区块链技术和用户精准画像的农村养殖大数据征信系统 |
US20200042625A1 (en) * | 2018-08-03 | 2020-02-06 | American Express Travel Related Services Company, Inc. | Blockchain-enabled datasets shared across different database systems |
CN111541540A (zh) * | 2020-07-07 | 2020-08-14 | 杭州云链趣链数字科技有限公司 | 区块链隐私保护的数据处理方法、装置和计算机设备 |
WO2022041898A1 (zh) * | 2020-08-31 | 2022-03-03 | 平安科技(深圳)有限公司 | 主题分类的方法、装置和计算机设备 |
CN116468543A (zh) * | 2023-04-14 | 2023-07-21 | 深圳供电局有限公司 | 基于联邦学习的信贷风险评估方法、装置、设备和介质 |
CN116823417A (zh) * | 2023-06-27 | 2023-09-29 | 山东大学 | 一种基于联邦学习的区块链供应链金融风险控制方法、系统、存储介质及电子终端 |
CN117611335A (zh) * | 2023-11-15 | 2024-02-27 | 中银金融科技有限公司 | 金融风险识别方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
赵淦森;谢智健;王欣明;何嘉浩;张成志;林成创;ZIHENG ZHOU;陈冰川;CHUNMING RONG;: "ContractGuard:面向以太坊区块链智能合约的入侵检测系统", 网络与信息安全学报, no. 02, 15 April 2020 (2020-04-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11469878B2 (en) | Homomorphic computations on encrypted data within a distributed computing environment | |
Lone et al. | Forensic-chain: Blockchain based digital forensics chain of custody with PoC in Hyperledger Composer | |
TWI694350B (zh) | 基於區塊鏈的資訊監管方法及裝置 | |
US20230106484A1 (en) | Cryptographic Asset Collateral Management | |
US20210112101A1 (en) | Data set and algorithm validation, bias characterization, and valuation | |
US11860856B2 (en) | Managing distributed ledger storage space | |
CN112288573B (zh) | 一种构建风险评估模型的方法、装置及设备 | |
US20230059580A1 (en) | Blockchain with random committee selection | |
US11924348B2 (en) | Honest behavior enforcement via blockchain | |
CN112446310A (zh) | 基于区块链的年龄识别系统、方法及装置 | |
US11475365B2 (en) | Verification of stochastic gradient descent | |
Li | Combination of blockchain and AI for music intellectual property protection | |
CN115174165A (zh) | 一种云边端架构下基于区块链的自适应安全态势认知系统 | |
CN113886817A (zh) | 主机入侵检测方法及装置、电子设备、存储介质 | |
US11334925B1 (en) | Normalization and secure storage of asset valuation information | |
US12015691B2 (en) | Security as a service for machine learning | |
CN114091057B (zh) | 基于模型模拟的联邦学习安全审计方法及装置 | |
CN117876102A (zh) | 联邦学习支持的隐私计算不动产金融风险的方法及平台 | |
CN114450687A (zh) | 用于实现对计算结果的验证的方法、计算机程序和系统 | |
Rao et al. | Dynamic outsourced proofs of retrievability enabling auditing migration for remote storage security | |
Li et al. | Post‐Quantum Privacy‐Preserving Provable Data Possession Scheme Based on Smart Contracts | |
Wang et al. | Cloud data integrity verification algorithm based on data mining and accounting informatization | |
Liao | Blockchain-enabled police management framework for securing police data | |
US20240161184A1 (en) | Auto-adjudication process via machine learning | |
US20240161185A1 (en) | Decision tree model training process |
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 |