申请/专利权人：之江实验室

申请日：2024-03-06

公开（公告）日：2024-06-18

公开（公告）号：CN117853212B

主分类号：G06Q40/00

分类号：G06Q40/00;G06Q40/03;G06Q30/0601;G06N20/20;G06N5/045

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了一种基于知识迁移和自监督学习的纵向联邦金融风控方法及装置，所述方法首先分别在金融机构和各互联网电商各自本地数据集上进行预训练，其中对有标签的金融机构，进行有监督学习，得到本地预训练模型表示层和推理层，对无标签的互联网电商，进行自监督学习，得到本地预训练模型表示层；然后在重叠数据集上建立纵向联邦风控模型，并利用预训练阶段的本地预训练模型，辅助纵向联邦模型训练，提升纵向联邦模型性能。本发明通过纵向联邦学习，在保护各方数据安全和数据隐私的前提下，实现了用户特征维度的扩展；通过知识迁移和自监督学习，实现了非重叠数据的利用，大大提高了纵向联邦金融风控模型的预测准确度。

主权项：1.一种基于知识迁移和自监督学习的纵向联邦金融风控方法，其特征在于，包括下述步骤：1在有标签的金融机构本地数据集上，进行有监督预训练，通过最小化损失函数得到本地预训练模型权重；所述本地预训练模型包括本地预训练模型表示层和本地预训练模型推理层；所述有标签的金融机构只有一个，即为有标签方，那么所述步骤1中损失函数LA的数学表达式为：LA＝lossAfΘI；hAΘA；XA，Y；其中，A为有标签方，hA·为本地预训练模型表示层，与纵向联邦模型有标签方表示层相同；ΘA为本地预训练模型表示层权重；f·为本地预训练模型推理层，与纵向联邦模型有标签方推理层相同，ΘI为本地预训练模型推理层权重，lossA·为误差函数；2在无标签的各互联网电商本地数据集上，分别进行自监督预训练，得到各自本地预训练模型表示层权重；所述无标签的各互联网电商能够有若干个，即无标签的各方，对无标签的各方分别在各自本地数据集上进行自监督学习，并采用对比学习的方法计算原始数据和增强后的数据在经过相同本地预训练模型后的相似度，通过最小化对比损失函数分别训练得到各自本地预训练模型表示层权重；若无标签的各方分别为B和C时，那么所述对比损失函数LB和LC的数学表达式为： 其中，hB·和hC·为无标签方B和无标签方C各自本地预训练模型表示层，与纵向联邦模型无标签方各自表示层相同；ΘB和ΘC为各自本地预训练模型表示层权重，和分别为参与方B和参与方C增强后的数据，g·为本地预训练模型映射层，Θg为本地预训练模型映射层权重，losscont·为对比误差函数；3在重叠的数据集上进行纵向联邦建模得到纵向联邦模型，并利用所述步骤1得到的本地预训练模型权重和步骤2中得到的各自本地预训练模型表示层权重辅助纵向联邦模型训练，再通过最小化目标损失函数得到训练完成的纵向联邦模型；4利用所述步骤3训练完成的纵向联邦模型完成金融风控预测；所述纵向联邦模型也称为金融风控模型。

全文数据：

权利要求：

百度查询： 之江实验室 一种基于知识迁移和自监督学习的纵向联邦金融风控方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD