[發明專利]基于多提供方的數據判別方法、裝置、設備及存儲介質

在審

• 申請號: 202010122351.5
• 申請日: 2020-02-26
• 公開（公告）號: CN111353167A
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 譚明超;范濤;楊愷;馬國強;鄭會鈿;吳玙;魏文斌;陳天健;楊強
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06F21/60
• 分類號: G06F21/60;G06F21/62
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 黃嗣童

本發明涉及金融科技(Fintech)技術領域，公開了一種基于多提供方的數據判別方法、裝置、設備及存儲介質，該方法通過模型判別請求確定進行模型判別所需的應用方與各提供方的本地加密梯度，使得在整個邏輯回歸模型訓練的過程中各方的特征數據不被泄露的情況下完成對目標數據的計算；通過基于解密后的各本地加密梯度生成各目標本地梯度，并判斷其是否均小于預設閾值，突破了現有邏輯回歸判斂方式的局限，為多數據提供方場景下縱向邏輯回歸的提供了簡單易行的判斂方式；在各目標本地梯度均小于預設閾值時，將各目標本地梯度合并作為聯合模型差值，從而實現了多數據提供方與數據應用方聯合建立邏輯回歸模型。

技術領域

本發明涉及金融科技(Fintech)技術領域，尤其涉及基于多提供方的數據判別方法、裝置、設備及存儲介質。

背景技術

隨著計算機技術的發展，越來越多的技術(大數據、分布式、區塊鏈Blockchain、人工智能等)應用在金融領域，傳統金融業正在逐步向金融科技(Fintech)轉變，但由于金融行業的安全性、實時性要求，也對技術提出了更高的要求。邏輯回歸又稱logistic回歸分析，是一種廣義的線性回歸分析模型，已經在數據挖掘，經濟預測等領域得到廣泛應用。其本質上屬于二分類問題。在包含有協作方、數據應用方與數據提供方的縱向聯邦學習的場景中，數據應用方與數據提供方需要在不泄露各自特征信息的前提下進行聯合建模。

但現有的縱向邏輯回歸算法由于現有計算方法的局限性，僅能實現一個數據應用方與一個數據提供方的聯合建模任務，而無法支持多個數據提供方與數據應用方聯合建立縱向邏輯回歸模型。

發明內容

本發明的主要目的在于提出一種基于多提供方的數據判別方法、裝置、設備及計算機可讀存儲介質，旨在解決了如何支持多個數據提供方與數據應用方聯合建立縱向邏輯回歸模型的技術問題。

為實現上述目的，本發明提供一種基于多提供方的數據判別方法，所述基于多提供方的數據判別方法應用于協作方，所述基于多提供方的數據判別方法包括：

接收應用方發起的待測數據判別請求，基于所述待測數據判別請求確定進行數據判別所需，并由應用方與各提供方發送的本地加密梯度；

將解密后的各所述本地加密梯度作為各目標本地梯度，并判斷各所述目標本地梯度是否均小于預設第一閾值；

若各所述目標本地梯度均小于所述預設第一閾值，則將各所述目標本地梯度進行合并作為目標聯合梯度，以根據所述目標聯合梯度訓練的聯合模型對待測數據進行判別。

可選地，所述判斷各所述目標本地梯度是否均小于預設第一閾值的步驟之前，還包括：

將各所述本地加密梯度合并，并獲取適配的預設私有密鑰對合并后的本地加密梯度進行解密，生成多方梯度信息；

根據預設優化算法對所述多方梯度信息進行優化，生成優化多方梯度信息；

將所述優化多方梯度信息進行拆分生成各所述目標本地梯度，并發送至對應的所述應用方與各所述提供方，以供所述應用方與各所述提供方更新本地模型。

可選地，所述根據預設優化算法對所述多方梯度信息進行優化，生成優化多方梯度信息的步驟之后，還包括：

將各所述目標本地梯度進行合并，并基于二范數求解公式生成合并后的目標本地梯度的二范數，將所述二范數作為模型權重差值。

可選地，所述判斷各所述目標本地梯度是否均小于預設第一閾值的步驟之后，還包括：

若各所述目標本地梯度存在大于或等于所述預設第一閾值的部分，則基于本輪迭代次數更新各所述目標本地梯度；

重復執行步驟判斷各所述目標本地梯度是否均小于預設第一閾值，直至檢測到滿足預設迭代結束條件時，終止當前對各所述目標本地梯度的迭代過程。