[發明專利]模型構建優化方法、設備、介質及計算機程序產品

在審

• 申請號: 202110277698.1
• 申請日: 2021-03-15
• 公開（公告）號: CN112785002A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 康焱;劉洋
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 張志江

1.一種模型構建優化方法，其特征在于，所述模型構建優化方法應用于第一設備，所述模型構建優化方法包括：

獲取特征提取模型，并基于與第二設備關聯的樣本對齊結果，提取第一方重疊樣本和第一方非重疊樣本；

基于所述第一方重疊樣本和所述第一方非重疊樣本，通過與所述第二設備進行對比學習交互，聯合所述第二設備中的第二方重疊樣本，生成所述特征提取模型對應的對比學習損失；

基于所述對比學習損失，優化所述特征提取模型，獲得目標特征提取模型。

2.如權利要求1所述模型構建優化方法，其特征在于，在所述基于所述第一方重疊樣本和所述第一方非重疊樣本，通過與所述第二設備進行對比學習交互，聯合所述第二設備中的第二方重疊樣本，生成所述特征提取模型對應的對比學習損失之后，所述模型構建優化方法還包括：

基于所述第一方重疊樣本和預設樣本標簽，通過與第二設備進行聯邦學習，聯合所述第二方重疊樣本，迭代訓練包括所述特征提取模型的待訓練預測模型，生成類別預測損失；

基于所述對比學習損失和所述類別預測損失，優化所述待訓練預測模型，獲得目標預測模型。

3.如權利要求2所述模型構建優化方法，其特征在于，所述待訓練預測模型包括特征提取模型和類別預測模型，所述目標預測模型包括目標特征提取模型和目標類別預測模型，

所述基于所述對比學習損失和所述類別預測損失，優化所述待訓練預測模型，獲得目標預測模型的步驟包括：

基于所述類別預測損失，優化所述類別預測模型，獲得所述目標類別預測模型；

基于所述對比學習損失和所述類別預測損失，異步優化所述特征提取模型，獲得所述目標特征提取模型。

4.如權利要求1所述模型構建優化方法，其特征在于，所述基于所述第一方重疊樣本和所述第一方非重疊樣本，通過與所述第二設備進行對比學習交互，聯合所述第二設備中的第二方重疊樣本，生成所述特征提取模型對應的對比學習損失的步驟包括：

基于所述特征提取模型，將所述第一方重疊樣本映射為第一方重疊樣本表征，以及將所述第一方非重疊樣本映射為第一方非重疊樣本表征；

將所述第一方重疊樣本表征發送至所述第二設備，以供所述第二設備基于所述第一方重疊樣本表征、生成的第二方重疊樣本表征以及第二方非重疊樣本表征，計算第二方對比學習損失；

接收所述第二方重疊樣本表征，并通過將所述第一方重疊樣本表征作為所述第二方重疊樣本表征對應的正例樣本表征，以及通過將所述第一方非重疊樣本表征作為所述第二方重疊樣本表征對應的負例樣本表征，生成所述特征提取模型對應的所述對比學習損失。

5.如權利要求2所述模型構建優化方法，其特征在于，所述目標預測模型包括目標特征提取模型和目標類別預測模型，

在所述基于所述對比學習損失和所述類別預測損失，優化所述待訓練預測模型，獲得目標預測模型的步驟之后，所述模型構建優化方法還包括：

獲取待預測樣本，并基于所述目標特征提取模型，對所述待預測樣本進行特征提取，獲得所述待預測樣本對應的待預測樣本表征，其中，所述目標特征提取模型是基于第一設備中的第一方重疊樣本和第一方非重疊樣本以及第二設備中的第二方重疊樣本進行對比學習和聯邦學習構建的；

基于所述目標類別預測模型，通過與所述第二設備進行縱向聯邦預測交互，對所述待預測樣本表征進執行模型預測，獲得所述待預測樣本對應的目標類別預測結果。

6.一種模型構建優化方法，其特征在于，所述模型構建優化方法應用于第二設備，所述模型構建優化方法包括：

獲取第二方特征提取模型與第二方重疊樣本，并基于所述第二方特征提取模型，將所述第二方重疊樣本映射為第二方重疊樣本表征；

將所述第二方重疊樣本表征發送至第一設備，以供第一設備基于所述第二方重疊樣本表征、生成的第一方重疊樣本表征以及生成的第一方非重疊樣本表征，計算對比學習損失。