【技术实现步骤摘要】
本专利技术涉及供应链金融,具体而言,涉及一种基于联邦学习和隐私保护的供应链金融信贷风险评估方法、系统及存储介质。
技术介绍
1、供应链金融是一种金融服务模式,通过将金融机构与供应链中的各个参与方连接起来,为供应链的各个环节提供融资、支付、结算、风险管理等服务。随着全球经济的发展和供应链的日益复杂化,供应链金融的发展已成为金融领域的一个重要趋势。在供应链金融信贷风险评估中,传统的评估方法面临着几大挑战,首先,数据量不足一直是一个长期存在的问题,传统的评估方法如机器学习方法往往只能依赖单个机构有限的历史数据,这些数据往往无法全面覆盖供应链中各个环节的情况,特别是在涉及多个合作方和供应商的复杂供应链网络中,数据采集面临巨大困难,因此评估结果可能受到数据缺失的影响而不够准确。其次,数据隐私问题也是传统方法的一个瓶颈,在供应链金融中,涉及多个机构和个人的敏感数据,包括财务信息、交易记录等。然而,由于数据隐私和安全性的考虑,这些数据往往不愿意或无法被共享,这导致了一个现象,多机构之间有着丰富的数据,但是难以进行有效的整合和利用。
2、因此,如何在保护数据隐私的同时,充分利用多机构间的历史数据来提高供应链金融信贷风险评估的准确性,且能够灵活适应不同类型数据,是一个亟待解决的问题。
技术实现思路
1、本专利技术要解决的技术问题是:
2、现有方法存在模型无法灵活适应不同类型数据,以及数据量不足和数据隐私问题。
3、本专利技术为解决上述技术问题所采用的技术方案:p>
4、本专利技术提供了一种基于联邦学习和隐私保护的供应链金融信贷风险评估方法,所述方法基于联邦学习模型,所述联邦学习模型包括一个中心服务器和m个客户端,所述客户端中,若指定其中客户端为参与方客户端,则除去所述参与方客户端以外的客户端为其他客户端;所述风险评估方法包括如下步骤:
5、s1、各客户端分别采集信贷历史数据并构建信贷数据集;
6、s2、所述中心服务器构建有改进的多层感知机的网络模型,模型引入了自适应激活函数,并引入层间残差连接,以使信息在层间更有效地传递;
7、s3、所述中心服务器随机选取n个参与方客户端,参与方客户端采用信息瓶颈对信贷数据进行特征提取,并采用差分隐私向数据添加噪声,将处理后信贷数据发送至中心服务器进行汇总得到全局数据集,随后中心服务器将全局数据集下发至各参与方客户端;
8、s4、所述中心服务器将待训练模型下发至各参与方客户端,各参与方客户端基于本地数据集结合共享的全局数据集对接收的模型进行训练,并将本地训练得到的模型参数进行同态加密,发送至中心服务器;
9、s5、中心服务器对接收的各个模型参数进行安全聚合并解密,更新模型参数,得到全局模型;
10、s6、重复执行s4至s5,至模型收敛或达到最大迭代次数,得到信贷风险评估模型;
11、s7、基于所述信贷风险评估模型对供应链金融信贷风险进行评估。
12、进一步地,s1中包括对信贷数据的预处理,包括:删除异常数据、填充缺失值、选择与风险评估相关的特征并对特征数值进行标准化、计算财务特征以及将类别型特征转换为数值型特征。
13、进一步地,s2中自适应激活函数的具体为:
14、σ(x)=a·relu(x)+b·sigmoid(x)+c·tanh(x)
15、其中,a、b和c是可学习的参数,在每一层的前向传播中引入自适应激活函数,并在反向传播中更新a、b和c的参数。
16、进一步地,s2中残差连接的计算公式为:
17、h(l)=σ(w(l)h(l-1)+b(l))+h(l-1)
18、所述多层感知机的网络模型有l层,第l(=1,2,…,l)层有n1个神经元,输入层的维度为d,输出层的维度为c,输入数据为x,w(l)和b(l)为第l层的权重矩阵和偏置向量,激活值h(0)=x,前向传播过程中,第l层的激活值通过自适应激活函数进行计算:
19、h(l)=σ(w(l)h(l-1)+b(l))+h(l-1)
20、输出层的激活函数为softmax,用于分类中每个类别的概率分布:
21、
22、其中表示模型的输出。
23、进一步地,s2中所述的改进的多层感知机的网络模型的损失函采用交叉熵损失函数:
24、
25、其中,为类别数,i表示真实标签对应的概率值,为模型预测输出对应的概率值。
26、进一步地,s3中所述采用信息瓶颈对信贷数据进行特征提取,具体为:
27、首先给定输入数据和对应的输出,给定数据t,在t的条件下,使输入和输出之间的条件互信息最小化,即:
28、minti(x;y|t)
29、同时,控制输入x和表示t之间的互信息不大于阈值ib,即:
30、i(x;t)≤iib
31、最终提取性能敏感特征t,即xs。
32、进一步地,s3中所述采用差分隐私向数据添加噪声,具体为:假设存在两个相邻的数据库d和d′,二者只有一条个体数据不同,对于任意查询函数f,若对于任意输出t,满足以下不等式,则称某一机制具有ε差分隐私:
33、pr[m(d)=t]≤eε×pr[m(d′)=t]
34、其中pr[m(d)=t]表示在输入为d时,查询结果为t的概率,ε是一个非负参数;
35、计算查询函数f在相邻数据库上的最大变化幅度δf,即:
36、δf=maxd,d′||f(d)-f(d′)||1
37、结合δf和隐私参数ε,确定自适应噪声的幅度:
38、
39、进一步引入特征重要性加权机制,对每个特征fi计算重要性评分importance(fi),并根据特征重要性评分计算权重:
40、
41、根据权重调整噪声幅度:
42、
43、最终将加权噪声添加到相应数据中,形成最终的噪声特征数据。
44、进一步地,s1中所述信贷数据集为保存在客户端本地的、由信贷数据及其对应风险评估标签构成的数据集。
45、一种基于联邦学习和隐私保护的供应链金融信贷风险评估系统,该系统具有与上述技术方案任一项上述技术方案所述方法的步骤对应的程序模块,运行时执行上述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法中的步骤。
46、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现上述技术方案中任一项所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法中的步骤。
47、相较于现有技术,本专利技术的有益效果是:
48、本专利技术采用了联邦学习和差分隐私算法,改进的多层感知机的网络模型,模型引入了自适应激活函数,使模型能够根据数据自动调整激活函数的形式,从而提高模型的灵活性和本文档来自技高网...
【技术保护点】
1.一种基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,所述方法基于联邦学习模型,所述联邦学习模型包括一个中心服务器和m个客户端,所述客户端中,若指定其中客户端为参与方客户端,则除去所述参与方客户端以外的客户端为其他客户端;所述风险评估方法包括如下步骤:
2.根据权利要求1所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,S1中包括对信贷数据的预处理,包括:删除异常数据、填充缺失值、选择与风险评估相关的特征并对特征数值进行标准化、计算财务特征以及将类别型特征转换为数值型特征。
3.根据权利要求1所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,S2中自适应激活函数的具体为:
4.根据权利要求3所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,S2中残差连接的计算公式为:
5.根据权利要求4所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,S2中所述的改进的多层感知机的网络模型的损失函采用交叉熵损失函数:
6.根据权利要求1所述
7.根据权利要求6所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,S3中所述采用差分隐私向数据添加噪声,具体为:假设存在两个相邻的数据库D和D′,二者只有一条个体数据不同,对于任意查询函数f,若对于任意输出t,满足以下不等式,则称某一机制具有ε差分隐私:
8.根据权利要求1所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,S1中所述信贷数据集为保存在客户端本地的、由信贷数据及其对应风险评估标签构成的数据集。
9.一种基于联邦学习和隐私保护的供应链金融信贷风险评估系统,其特征在于,该系统具有与上述权利要求1~8任一项权利要求所述方法的步骤对应的程序模块,运行时执行上述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现权利要求1~8中任一项所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法中的步骤。
...【技术特征摘要】
1.一种基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,所述方法基于联邦学习模型,所述联邦学习模型包括一个中心服务器和m个客户端,所述客户端中,若指定其中客户端为参与方客户端,则除去所述参与方客户端以外的客户端为其他客户端;所述风险评估方法包括如下步骤:
2.根据权利要求1所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,s1中包括对信贷数据的预处理,包括:删除异常数据、填充缺失值、选择与风险评估相关的特征并对特征数值进行标准化、计算财务特征以及将类别型特征转换为数值型特征。
3.根据权利要求1所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,s2中自适应激活函数的具体为:
4.根据权利要求3所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,s2中残差连接的计算公式为:
5.根据权利要求4所述的基于联邦学习和隐私保护的供应链金融信贷风险评估方法,其特征在于,s2中所述的改进的多层感知机的网络模型的损失函采用交叉熵损失函数:
6.根据权利要求1所述的基于联邦学习和隐私保护的供应链...
【专利技术属性】
技术研发人员:马超,赵海玉,张罗刚,叶子,李双翼,黄海,于海宁,吴英东,
申请(专利权)人:哈尔滨理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。