纵向安全联邦模型构建方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及联邦学习技术领域，尤其涉及一种纵向安全联邦模型构建方法、装置、设备及存储介质，本发明专利技术纵向安全联邦模型构建方法分为两个阶段，第一阶段中通过初始特征提取模型第一建模参与方的第一时序化数据、第二建模参与方的第二时序化数据进行特征提取，得到两者对应的中间特征向量，减少时序化数据处于不同时间周期给数据处理带来的影响，第二阶段中，通过初始对第一阶段输出的中间特征向量进行前馈预测，并根据预测结果和第二建模方提供的样本标签进行参数反向传播训练，生成纵向安全联邦模型，从而得到可以实现处理不同时间周期的数据的纵向安全联邦模型，避免了现有技术中传统的纵向联邦学习模型不能处理不同时间周期的数据的技术问题。的数据的技术问题。的数据的技术问题。

【技术实现步骤摘要】
纵向安全联邦模型构建方法、装置、设备及存储介质


[0001]本专利技术涉及联邦学习
，尤其涉及一种纵向安全联邦模型构建方法、装置、设备及存储介质。

技术介绍

[0002]随着大数据产业的深入应用，为了实现不同企业或者用户之间的风险评估，需要考虑企业或者用户的运营商通信数据、电商交易数据以及银行资金流数据等，但是这些数据的提供方，为了保障数据的价值和隐私性，不会将自身的数据共享，为了解决这个问题，传统技术一般是采用纵向联邦学习的方式，建立纵向联邦学习模型，在不影响数据隐私性的前提下，实现风险评估。
[0003]但是，各个数据提供方所提供的数据在时间周期上存在差异，而传统的纵向联邦学习模型不能针对不同时间周期的数据进行统一的数据风险评估，无法满足使用需求。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本专利技术的主要目的在于提供一种纵向安全联邦模型构建方法、装置、设备及存储介质，旨在解决现有技术中传统的纵向联邦学习模型不能处理不同时间周期的数据的技术问题。
[0006]为实现上述目的，本专利技术提供了一种纵向安全联邦模型构建方法，所述方法包括以下步骤：
[0007]获取第一建模参与方的第一时序化数据，并获取第二建模参与方的第二时序化数据以及对应的样本标签；
[0008]根据所述第一时序化数据和所述第二时序化数据通过初始特征提取模型进行特征提取，得到中间特征向量；
[0009]基于所述中间特征向量通过初始预测模型进行前馈预测，得到预测结果；
[0010]根据所述预测结果和实际样本标签进行反向传播训练，生成纵向安全联邦模型。
[0011]可选地，所述根据所述第一时序化数据和所述第二时序化数据通过初始特征提取模型进行特征提取，得到中间特征向量，包括：
[0012]基于所述第一时序化数据通过初始特征提取模型进行特征提取，得到第一特征向量；
[0013]基于所述第二时序化数据通过初始特征提取模型进行特征提取，得到第二特征向量；
[0014]根据所述第一特征向量和所述第二特征向量生成中间特征向量。
[0015]可选地，所述根据所述第一特征向量和所述第二特征向量生成中间特征向量，包括：
[0016]通过预设同态加密模型对所述第一特征向量进行加密，得到第一密文特征向量；
[0017]根据所述第一密文特征向量与所述第二特征向量生成中间特征向量。
[0018]可选地，所述根据所述预测结果和实际样本标签进行反向传播训练，生成纵向安全联邦模型，包括：
[0019]根据所述预测结果和样本标签计算预测损失值；
[0020]基于所述预测损失值和预设学习率对所述初始预测模型进行参数迭代更新；
[0021]获取所述初始预测模型的模型参数变化量；
[0022]根据所述模型参数变化量对所述初始特征提取模型进行参数迭代更新，生成纵向安全联邦模型。
[0023]可选地，所述根据所述模型参数变化量对所述初始特征提取模型进行参数迭代更新，包括：
[0024]获取更新后的预测模型的当前模型参数；
[0025]根据当前模型参数和所述模型参数变化量计算得到中间特征向量的变化量；
[0026]对所述中间特征向量的变化量进行拆分，得到第一变化量和第二变化量；
[0027]根据所述第一变化量和所述第二变化量对所述初始特征提取模型进行参数迭代更新。
[0028]可选地，所述根据所述第一变化量和所述第二变化量对所述初始特征提取模型进行参数迭代更新，包括：
[0029]根据所述第一变化量和第一时序化数据对所述第一建模参与方对应的初始特征提取模型进行参数迭代更新；
[0030]根据所述第二变化量和第二时序化数据对所述第二建模参与方对应的初始特征提取模型进行参数迭代更新。
[0031]可选地，所述根据所述第一变化量和第一时序化数据对所述第一建模参与方对应的初始特征提取模型进行参数迭代更新，包括：
[0032]确定预设同态加密模型对应的解密密钥；
[0033]基于所述解密密钥对所述第一变化量进行解密，得到第一目标变化量；
[0034]根据所述第一目标变化量和所述第一时序化数据生成第一特征提取模型参数变化量；
[0035]根据所述第一特征提取模型参数变化量对所述第一建模参与方对应的初始特征提取模型进行参数迭代更新。
[0036]此外，为实现上述目的，本专利技术还提出一种纵向安全联邦模型构建装置，所述纵向安全联邦模型构建装置包括：
[0037]获取模块，用于获取第一建模参与方的第一时序化数据，并获取第二建模参与方的第二时序化数据以及对应的样本标签；
[0038]提取模块，用于根据所述第一时序化数据和所述第二时序化数据通过初始特征提取模型进行特征提取，得到中间特征向量；
[0039]预测模块，用于基于所述中间特征向量通过初始预测模型进行前馈预测，得到预测结果；
[0040]训练模块，用于根据所述预测结果和实际样本标签进行反向传播训练，生成纵向
安全联邦模型。
[0041]此外，为实现上述目的，本专利技术还提出一种纵向安全联邦模型构建设备，所述纵向安全联邦模型构建设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的纵向安全联邦模型构建程序，所述纵向安全联邦模型构建程序配置为实现如上文所述的纵向安全联邦模型构建方法的步骤。
[0042]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有纵向安全联邦模型构建程序，所述纵向安全联邦模型构建程序被处理器执行时实现如上文所述的纵向安全联邦模型构建方法的步骤。
[0043]本专利技术纵向安全联邦模型构建方法分为两个阶段，第一阶段中通过获取第一建模参与方的第一时序化数据、第二建模参与方的第二时序化数据以及对应的样本标签，并通过初始特征提取模型对第一时序化数据和第二时序化数据进行特征提取，得到两者的中间特征向量，减少时序化数据处于不同时间周期给数据处理带来的影响，第二阶段中，通过初始对第一阶段输出的中间特征向量进行前馈预测，并根据预测结果和第二建模方提供的样本标签对初始预测模型和初始特征提取模型进行参数反向传播训练，以生成纵向安全联邦模型，从而得到可以实现处理不同时间周期的数据的纵向安全联邦模型，避免了现有技术中传统的纵向联邦学习模型不能处理不同时间周期的数据的技术问题。
附图说明
[0044]图1是本专利技术实施例方案涉及的硬件运行环境的纵向安全联邦模型构建设备的结构示意图；
[0045]图2为本专利技术纵向安全联邦模型构建方法第一实施例的流程示意图；
[0046]图3为本专利技术纵向安全联邦模型构建方法第二实施例的流程示意图；
[0047]图4为本专利技术纵向安全联邦模型构建方法第三实施例的流程示意图；
[0048]图5为本专利技术纵向安全联邦本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种纵向安全联邦模型构建方法，其特征在于，所述纵向安全联邦模型构建方法包括：获取第一建模参与方的第一时序化数据，并获取第二建模参与方的第二时序化数据以及对应的样本标签；根据所述第一时序化数据和所述第二时序化数据通过初始特征提取模型进行特征提取，得到中间特征向量；基于所述中间特征向量通过初始预测模型进行前馈预测，得到预测结果；根据所述预测结果和实际样本标签进行反向传播训练，生成纵向安全联邦模型。2.如权利要求1所述的纵向安全联邦模型构建方法，其特征在于，所述根据所述第一时序化数据和所述第二时序化数据通过初始特征提取模型进行特征提取，得到中间特征向量，包括：基于所述第一时序化数据通过初始特征提取模型进行特征提取，得到第一特征向量；基于所述第二时序化数据通过初始特征提取模型进行特征提取，得到第二特征向量；根据所述第一特征向量和所述第二特征向量生成中间特征向量。3.如权利要求2所述的纵向安全联邦模型构建方法，其特征在于，所述根据所述第一特征向量和所述第二特征向量生成中间特征向量，包括：通过预设同态加密模型对所述第一特征向量进行加密，得到第一密文特征向量；根据所述第一密文特征向量与所述第二特征向量生成中间特征向量。4.如权利要求1
‑
3中任一项所述的纵向安全联邦模型构建方法，其特征在于，所述根据所述预测结果和样本标签分别对所述初始预测模型和所述初始特征提取模型进行反向传播训练，得到训练好的神经网络模型和训练好的特征提取模型，包括：根据所述预测结果和样本标签计算预测损失值；基于所述预测损失值和预设学习率对所述初始预测模型进行参数迭代更新，得到训练好的预测模型；获取所述初始预测模型的模型参数变化量；根据所述模型参数变化量对所述初始特征提取模型进行参数迭代更新，得到训练好的特征提取模型。5.如权利要求4所述的纵向安全联邦模型构建方法，其特征在于，所述根据所述模型参数变化量对所述初始特征提取模型进行参数迭代更新，得到训练好的特征提取模型，包括：获取训练好的预测模型的当前模型参数；根据当前模型参数和所述模型参数变化量计算得到中间特征向量的变化量；对所述中间特征向量的变化量进行...

【专利技术属性】
技术研发人员：樊巧云，刘亮，赵雨，孙苑苑，李树春，陆天珺，谷建泽，方海贝，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：