违约风险检测模型的训练方法及装置制造方法及图纸

本发明专利技术提供一种违约风险检测模型的训练方法及装置，其中违约风险检测模型的训练方法包括：基于联邦学习中心服务器发送的目标债券特征摘要及目标债券标识摘要，确定训练样本集；基于训练样本集对部署在各分布式节点的第一初始违约风险检测模型进行迭代训练，将每一次迭代训练过程中的各模型参数上传至区块链中的节点设备；利用联邦学习中心服务器发送的聚合模型参数对第一初始违约风险检测模型进行更新，直至达到训练停止条件，得到第一目标违约风险检测模型。通过上述方法，基于联邦学习服务器对第一初始违约风险检测模型进行训练，利用聚合模型参数对模型进行更新，提高了模型性能的同时，不需要暴露数据原文，避免了用户数据发生泄露的风险。用户数据发生泄露的风险。用户数据发生泄露的风险。

【技术实现步骤摘要】
违约风险检测模型的训练方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种违约风险检测模型的训练方法及装置。

技术介绍

[0002]传统违约风险检测模型中，信用评级等基于主观打分的方法往往存在模型较为简单、依赖专家经验且难以形成量化风险指标的问题；基于统计规则的方法通常依赖财务数据，违约预警滞后，难以做到事前预测；基于神经网络和支持向量机等机器学习的方法以量化的方式对违约相关指标进行了特征提取，获得了较好的效果。
[0003]然而在相关技术中，违约风险检测模型未能针对债券违约相关指标的特征设计泛化能力强、拥有反馈机制、预测效果好的专用模型，同时存在机构之间数据无法共享的数据孤岛问题。
[0004]因此，如何提高违约风险检测模型的性能的同时，避免各机构之间数据发生泄露是目前业界亟待解决的重要课题。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种违约风险检测模型的训练方法及装置。
[0006]本专利技术提供一种违约风险检测模型的训练方法，应用于各分布式节点，包括：
[0007]基于联邦学习中心服务器发送的目标债券特征摘要及目标债券标识摘要，确定训练样本集，所述训练样本集包括各目标待检测债券对应的特征信息及标识信息；
[0008]基于所述训练样本集对部署在各所述分布式节点的第一初始违约风险检测模型进行迭代训练，将每一次迭代训练过程中的各模型参数上传至区块链中的节点设备，以使所述联邦学习中心服务器将所述节点设备中的各所述模型参数进行加权聚合处理，生成聚合模型参数；
[0009]利用所述联邦学习中心服务器发送的所述聚合模型参数对所述第一初始违约风险检测模型进行更新，直至达到训练停止条件，得到第一目标违约风险检测模型。
[0010]可选地，所述将每一次迭代训练过程中的各模型参数上传至区块链中的节点设备，包括：
[0011]在对所述第一初始违约风险检测模型每一次迭代训练的过程中，基于属性基加密算法对各所述模型参数进行加密处理；
[0012]将加密后的模型参数上传至所述节点设备。
[0013]可选地，在所述基于联邦学习中心服务器发送的目标债券特征摘要及目标债券标识摘要，确定训练样本集之前，还包括：
[0014]基于SM3算法将原始债券特征信息及原始债券标识信息进行处理，得到原始债券特征摘要及原始债券标识摘要；
[0015]将所述原始债券特征摘要及所述原始债券标识摘要上传至所述节点设备，以使所述联邦学习中心服务器对所述节点设备中的所述原始债券特征摘要进行排序处理，生成所述目标债券特征摘要，对所述原始债券标识摘要进行去重处理，生成所述目标债券标识摘要。
[0016]可选地，在所述得到第一目标违约风险检测模型之后，还包括：
[0017]在所述训练样本集更新的情况下，从所述节点设备中获取所述第一目标违约风险检测模型对应的目标模型参数，所述目标模型参数是所述联邦学习中心服务器基于所述第一目标违约风险检测模型确定并上传至所述节点设备中的；
[0018]基于所述目标模型参数生成第二初始违约风险检测模型；
[0019]基于更新训练样本集对所述第二初始违约风险检测模型进行增量学习，直至达到训练停止条件，生成第二目标违约风险检测模型。
[0020]本专利技术还提供一种违约风险检测模型的训练方法，应用于联邦学习服务器，包括：
[0021]将目标债券特征摘要及目标债券标识摘要发送至各分布式节点，所述目标债券特征摘要及所述目标债券标识摘要用于各所述分布式节点确定训练样本集，基于所述训练样本集对部署在各所述分布式节点的第一初始违约风险检测模型进行迭代训练，所述训练样本集包括各目标待检测债券对应的特征信息及标识信息；
[0022]从区块链中的节点设备获取所述第一初始违约风险检测模型在进行每一次迭代训练过程中的各模型参数，将各所述模型参数进行加权聚合处理生成聚合模型参数，各所述模型参数是各所述分布式节点上传至所述节点设备的；
[0023]将所述聚合模型参数发送至各所述分布式节点，以使各所述分布式节点对所述第一初始违约风险检测模型进行更新，直至达到训练停止条件，得到第一目标违约风险检测模型。
[0024]可选地，在所述将目标债券特征摘要及目标债券标识摘要发送至各分布式节点之前，还包括：
[0025]从所述节点设备获取各所述分布式节点上传的原始债券特征摘要及原始债券标识摘要，所述原始债券特征摘要及原始债券标识摘要是各所述分布式节点基于SM3算法将原始债券特征信息及原始债券标识信息进行处理得到的；
[0026]对所述原始债券特征摘要进行排序处理，生成所述目标债券特征摘要；
[0027]对所述原始债券标识摘要进行去重处理，生成所述目标债券标识摘要。
[0028]可选地，所述将各所述模型参数进行加权聚合处理生成聚合模型参数，包括：
[0029]基于属性基加密算法对加密后的各模型参数进行解密处理，得到各所述模型参数，所述加密后的各模型参数是各所述节点设备在对所述第一初始违约风险检测模型每一次迭代训练的过程中，基于属性基加密算法对各所述模型参数进行加密处理后得到的；
[0030]将各所述模型参数进行加权聚合处理生成聚合模型参数。
[0031]可选地，在所述将所述聚合模型参数发送至各所述分布式节点之后，还包括：
[0032]将所述第一目标违约风险检测模型对应的目标模型参数上传至所述节点设备进行存储；
[0033]在所述训练样本集更新的情况下，将存储于所述节点设备中的所述目标模型参数发送至各所述分布式节点，以使各所述分布式节点根据所述目标模型参数生成第二初始违
约风险检测模型，基于更新训练样本集对所述第二初始违约风险检测模型进行增量学习，直至达到训练停止条件，生成第二目标违约风险检测模型。
[0034]本专利技术还提供一种违约风险检测模型的训练装置，应用于各分布式节点，包括：
[0035]确定模块，用于基于联邦学习中心服务器发送的目标债券特征摘要及目标债券标识摘要，确定训练样本集，所述训练样本集包括各目标待检测债券对应的特征信息及标识信息；
[0036]训练模块，用于基于所述训练样本集对部署在各所述分布式节点的第一初始违约风险检测模型进行迭代训练，将每一次迭代训练过程中的各模型参数上传至区块链中的节点设备，以使所述联邦学习中心服务器将所述节点设备中的各所述模型参数进行加权聚合处理，生成聚合模型参数；
[0037]更新模块，用于利用所述联邦学习中心服务器发送的所述聚合模型参数对所述第一初始违约风险检测模型进行更新，直至达到训练停止条件，得到第一目标违约风险检测模型。
[0038]本专利技术还提供一种违约风险检测模型的训练装置，应用于联邦学习服务器，包括：
[0039]第一发送模块，用于将目标债券特征摘要及目标债券标识摘要发送至各分布式节点，所述目标债券特征摘要及所述目标债券标识摘要用于各所述分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种违约风险检测模型的训练方法，其特征在于，应用于各分布式节点，包括：基于联邦学习中心服务器发送的目标债券特征摘要及目标债券标识摘要，确定训练样本集，所述训练样本集包括各目标待检测债券对应的特征信息及标识信息；基于所述训练样本集对部署在各所述分布式节点的第一初始违约风险检测模型进行迭代训练，将每一次迭代训练过程中的各模型参数上传至区块链中的节点设备，以使所述联邦学习中心服务器将所述节点设备中的各所述模型参数进行加权聚合处理，生成聚合模型参数；利用所述联邦学习中心服务器发送的所述聚合模型参数对所述第一初始违约风险检测模型进行更新，直至达到训练停止条件，得到第一目标违约风险检测模型。2.根据权利要求1所述的违约风险检测模型的训练方法，其特征在于，所述将每一次迭代训练过程中的各模型参数上传至区块链中的节点设备，包括：在对所述第一初始违约风险检测模型每一次迭代训练的过程中，基于属性基加密算法对各所述模型参数进行加密处理；将加密后的模型参数上传至所述节点设备。3.根据权利要求1所述的违约风险检测模型的训练方法，其特征在于，在所述基于联邦学习中心服务器发送的目标债券特征摘要及目标债券标识摘要，确定训练样本集之前，还包括：基于SM3算法将原始债券特征信息及原始债券标识信息进行处理，得到原始债券特征摘要及原始债券标识摘要；将所述原始债券特征摘要及所述原始债券标识摘要上传至所述节点设备，以使所述联邦学习中心服务器对所述节点设备中的所述原始债券特征摘要进行排序处理，生成所述目标债券特征摘要，对所述原始债券标识摘要进行去重处理，生成所述目标债券标识摘要。4.根据权利要求1至3任一项所述的违约风险检测模型的训练方法，其特征在于，在所述得到第一目标违约风险检测模型之后，还包括：在所述训练样本集更新的情况下，从所述节点设备中获取所述第一目标违约风险检测模型对应的目标模型参数，所述目标模型参数是所述联邦学习中心服务器基于所述第一目标违约风险检测模型确定并上传至所述节点设备中的；基于所述目标模型参数生成第二初始违约风险检测模型；基于更新训练样本集对所述第二初始违约风险检测模型进行增量学习，直至达到训练停止条件，生成第二目标违约风险检测模型。5.一种违约风险检测模型的训练方法，其特征在于，应用于联邦学习服务器，包括：将目标债券特征摘要及目标债券标识摘要发送至各分布式节点，所述目标债券特征摘要及所述目标债券标识摘要用于各所述分布式节点确定训练样本集，基于所述训练样本集对部署在各所述分布式节点的第一初始违约风险检测模型进行迭代训练，所述训练样本集包括各目标待检测债券对应的特征信息及标识信息；从区块链中的节点设备获取所述第一初始违约风险检测模型在进行每一次迭代训练过程中的各模型参数，将各所述模型参数进行加权聚合处理生成聚合模型参数，各所述模型参数是各所述分布式节点上传至所述节点设备的；将所述聚合模型参数发送至各所述分布式节点，以使各所述分布式节点对所述第一初
始违约风险检测模型进行更新，直至达到训练停止条件，得到第一目标违约风险检测模型。6.根据权利要求5所述的违约风险检测模型的训练方法，其特征在于，在所述将目标债券特征摘要及目标债券标识摘要发送至各分布式节点之前，还包括：从所述节点设备获取各所述分布式节点上传的原始债券特征摘要及原始债券标识摘要，所述原始债券特征摘要及原始债券标识摘要是各所述分布式节点基于SM3算法将原始债券特征信息及原始债券标识信息进行处...

【专利技术属性】
技术研发人员：王延昭，唐华云，李荣，商丽丽，华娇娇，孙爽，
申请(专利权)人：中债金科信息技术有限公司，
类型：发明
国别省市：