[發(fā)明專利]聯(lián)邦學(xué)習(xí)、資料風(fēng)險(xiǎn)評(píng)估方法、裝置和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010162831.4
• 申請(qǐng)日: 2020-03-10
• 公開（公告）號(hào): CN111008709A
• 公開（公告）日: 2020-04-14
• 發(fā)明（設(shè)計(jì)）人: 汲小溪;趙聞飆;王維強(qiáng);傅欣藝
• 申請(qǐng)（專利權(quán)）人: 支付寶（杭州）信息技術(shù)有限公司
• 主分類號(hào): G06N20/00
• 分類號(hào): G06N20/00;G06Q10/06;G06Q30/00
• 代理公司: 北京國(guó)昊天誠(chéng)知識(shí)產(chǎn)權(quán)代理有限公司 11315
• 代理人: 許振新

本說(shuō)明書實(shí)施例公開了一種聯(lián)邦學(xué)習(xí)、資料風(fēng)險(xiǎn)評(píng)估方法、裝置及系統(tǒng)，在所述方法中，資料所有方作為聯(lián)邦學(xué)習(xí)中的參與方，基于本地用戶資料數(shù)據(jù)對(duì)目標(biāo)模型進(jìn)行訓(xùn)練，得到所述目標(biāo)模型的梯度并反饋給聯(lián)邦學(xué)習(xí)中的協(xié)調(diào)方，其中，所述目標(biāo)模型用于評(píng)估用戶資料存在的風(fēng)險(xiǎn)；協(xié)調(diào)方對(duì)至少兩個(gè)資料所有方反饋的梯度進(jìn)行整合，得到目標(biāo)模型的更新梯度并發(fā)送至資料所有方；資料所有方基于所述更新梯度和本地用戶資料數(shù)據(jù)，再次對(duì)目標(biāo)模型進(jìn)行訓(xùn)練，并向協(xié)調(diào)方反饋再次訓(xùn)練得到的梯度。

技術(shù)領(lǐng)域

本申請(qǐng)涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種聯(lián)邦學(xué)習(xí)、資料風(fēng)險(xiǎn)評(píng)估方法、裝置和系統(tǒng)。

背景技術(shù)

隨著互聯(lián)網(wǎng)及計(jì)算機(jī)技術(shù)的發(fā)展，越來(lái)越多的業(yè)務(wù)被搬到網(wǎng)絡(luò)平臺(tái)上處理，例如很多商戶選擇電商平臺(tái)銷售商品。并且，在很多業(yè)務(wù)場(chǎng)景下，客戶需要向網(wǎng)絡(luò)平臺(tái)提交相關(guān)資料以證明自身的身份和資質(zhì)等情況，并在審核通過(guò)的情況下才能處理相關(guān)業(yè)務(wù)。例如，商戶在入駐電商平臺(tái)時(shí)，需要向電商平臺(tái)提交門頭照、網(wǎng)站、營(yíng)業(yè)執(zhí)照等資質(zhì)憑證，以供電商平臺(tái)對(duì)該商戶進(jìn)行準(zhǔn)入審核，在準(zhǔn)入審核通過(guò)后，該商戶才能通過(guò)電商平臺(tái)銷售商品。

但長(zhǎng)期以來(lái)，網(wǎng)絡(luò)平臺(tái)都是依賴人工進(jìn)行相關(guān)資料的審核，效率低。

發(fā)明內(nèi)容

本說(shuō)明書實(shí)施例提供了一種聯(lián)邦學(xué)習(xí)、資料風(fēng)險(xiǎn)評(píng)估方法、裝置和系統(tǒng)，以提高資料審核效率。

為解決上述技術(shù)問(wèn)題，本說(shuō)明書實(shí)施例是這樣實(shí)現(xiàn)的：

第一方面，提出了一種資料風(fēng)險(xiǎn)評(píng)估模型的聯(lián)邦學(xué)習(xí)方法，包括：

資料所有方作為聯(lián)邦學(xué)習(xí)中的參與方，基于本地用戶資料數(shù)據(jù)對(duì)目標(biāo)模型進(jìn)行訓(xùn)練，得到所述目標(biāo)模型的梯度并反饋給聯(lián)邦學(xué)習(xí)中的協(xié)調(diào)方，其中，所述目標(biāo)模型用于評(píng)估用戶資料存在的風(fēng)險(xiǎn)；

所述協(xié)調(diào)方對(duì)至少兩個(gè)所述資料所有方反饋的梯度進(jìn)行整合，得到所述目標(biāo)模型的更新梯度并發(fā)送至所述資料所有方；

所述資料所有方基于所述更新梯度和本地用戶資料數(shù)據(jù)，再次對(duì)所述目標(biāo)模型進(jìn)行訓(xùn)練，并向所述協(xié)調(diào)方反饋再次訓(xùn)練得到的梯度。

第二方面，提出了一種資料風(fēng)險(xiǎn)評(píng)估方法，包括：

接收用戶上傳的待評(píng)估資料；

從所述待評(píng)估資料中提取特征數(shù)據(jù)；

基于所述特征數(shù)據(jù)和目標(biāo)模型，確定所述待評(píng)估資料的風(fēng)險(xiǎn)，其中，所述目標(biāo)模型是基于第一方面所述的方法訓(xùn)練得到的。

第三方面，提出了一種資料風(fēng)險(xiǎn)評(píng)估模型的聯(lián)邦學(xué)習(xí)方法，包括：

基于本地用戶資料數(shù)據(jù)對(duì)目標(biāo)模型進(jìn)行訓(xùn)練，得到所述目標(biāo)模型的梯度并反饋給聯(lián)邦學(xué)習(xí)中的協(xié)調(diào)方，以使所述協(xié)調(diào)方對(duì)至少兩個(gè)所述資料所有方反饋的梯度進(jìn)行整合，得到所述目標(biāo)模型的更新梯度，其中，所述目標(biāo)模型用于評(píng)估用戶資料存在的風(fēng)險(xiǎn)；

接收所述協(xié)調(diào)方下發(fā)的所述更新梯度；

基于所述更新梯度和本地用戶資料數(shù)據(jù)，再次對(duì)所述目標(biāo)模型進(jìn)行訓(xùn)練，并向所述協(xié)調(diào)方反饋再次訓(xùn)練得到的梯度。

第四方面，提出了一種資料風(fēng)險(xiǎn)評(píng)估模型的聯(lián)邦學(xué)習(xí)方法，包括：

接收資料所有方反饋的梯度，其中，所述梯度是所述資料所有方基于本地用戶資料數(shù)據(jù)對(duì)目標(biāo)模型進(jìn)行訓(xùn)練得到的，所述資料所有方為聯(lián)邦學(xué)習(xí)中的參與方，所述目標(biāo)模型用于評(píng)估用戶資料存在的風(fēng)險(xiǎn)；

對(duì)至少兩個(gè)所述資料所有方反饋的梯度進(jìn)行整合，得到所述目標(biāo)模型的更新梯度；

將所述更新梯度發(fā)送至所述資料所有方，以使所述資料所有方基于所述更新梯度和本地用戶資料數(shù)據(jù)，再次對(duì)所述目標(biāo)模型進(jìn)行訓(xùn)練，并反饋再次訓(xùn)練得到的梯度。