[發明專利]基于客戶端分類聚合的聯合風險評估方法及相關設備

有效

• 申請號: 202011327614.2
• 申請日: 2020-11-24
• 公開（公告）號: CN112465626B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 李澤遠;王健宗
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06F18/23;G06F18/214
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 武志峰

1.一種基于客戶端分類聚合的聯合風險評估方法，其特征在于，包括：

服務器端從多個客戶端中隨機選擇s個作為初始聚類中心點，計算每一個所述初始聚類中心點的本地數據集的數據集質心；

所述服務器端根據每一所述客戶端的本地數據集的數據集質心與所述初始聚類中心點的數據集質心之間的距離對各個所述客戶端進行聚類，并對聚類結果進行迭代更新確定s個最終聚類中心點以及各聚類下的客戶端；

所述最終聚類中心點從服務器端讀取用于信用風險評估的初始模型，并將讀取的初始模型下發至對應聚類的客戶端；

所述客戶端基于本地數據集對所述初始模型進行訓練得到初始模型參數，并將所述初始模型參數發送至對應聚類的最終聚類中心點；所述本地數據集包括基本信息和信用信息；

所述最終聚類中心點對接收到的對應聚類下的各所述客戶端的初始模型參數進行聚合，得到對應聚類的中間模型參數；

各所述最終聚類中心點將所述對應聚類的中間模型參數上傳至服務器端；

所述服務器端對各聚類的所述中間模型參數進行聚合，得到最終模型參數，并利用所述最終模型參數對初始模型進行更新，得到用于信用風險評估的全局模型；

所述服務器端根據每一所述客戶端的本地數據集的數據集質心與所述初始聚類中心點的數據集質心之間的距離對各個所述客戶端進行聚類，并對聚類結果進行迭代更新確定s個最終聚類中心點以及各聚類下的客戶端，包括：

計算每一所述客戶端的本地數據集的數據集質心與每一所述初始聚類中心點的數據集質心的距離，并按照所計算出的距離的大小，將各所述客戶端劃分到對應初始聚類中心點的聚類下；

針對每一個初始聚類中心點，計算對應聚類的質心點，并計算對應聚類下的所有客戶端與所述質心點的距離，并按照所計算出的距離的大小，重新選取對應聚類的聚類中心點作為中間聚類中心點；

計算每一所述客戶端的本地數據集的數據集質心與每一所述中間聚類中心點的數據集質心之間的距離，并按照計算出的距離的大小，對各個所述客戶端重新進行聚類，并對聚類結果進行迭代更新確定s個最終聚類中心點以及各聚類下的客戶端。

2.根據權利要求1所述的基于客戶端分類聚合的聯合風險評估方法，其特征在于，所述針對每一個初始聚類中心點，計算對應聚類的質心點，并計算對應聚類下的所有客戶端與所述質心點的距離，并按照所計算出的距離的大小，重新選取對應聚類的聚類中心點作為中間聚類中心點，包括：

針對每一個初始聚類中心點，計算對應聚類下的所有客戶端的本地數據集的數據集質心，并對所述對應聚類下的所有客戶端的數據集質心求平均值，得到對應聚類的質心點；

計算對應聚類下的所有客戶端與所述質心點的距離，將最小距離對應的客戶端作為中間聚類中心點。

3.根據權利要求1所述的基于客戶端分類聚合的聯合風險評估方法，其特征在于，所述最終聚類中心點對接收到的對應聚類下的各所述客戶端的初始模型參數進行聚合，得到對應聚類的中間模型參數，包括：

所述最終聚類中心點收集對應聚類下的所有所述客戶端上報的初始模型參數；

采用FedAvg算法對收集的所述初始模型參數進行聚合，得到對應聚類的中間模型參數。

4.根據權利要求3所述的基于客戶端分類聚合的聯合風險評估方法，其特征在于，所述采用FedAvg算法對收集的所述初始模型參數進行聚合，得到對應聚類的中間模型參數，包括：

采用如下公式對收集的所述初始模型參數進行聚合：

其中，n_k為第k個客戶端用于訓練的樣本數量，n為整個聯邦學習過程中的樣本總數，M為對應聚類下的客戶端數量，為第k個客戶端本次訓練得到的初始模型參數，w_t+1為所述對應聚類的中間模型參數。