[发明专利]一种基于联合学习的信用卡欺诈检测模型更新方法及装置

权利要求书

1.一种基于联合学习的信用卡欺诈检测模型更新方法，其特征在于，包括以下步骤：

S101:多个客户端使用卷积神经网络构建欺诈检测模型；

S102:多个客户端将本地信用卡交易数据集输入至本地的欺诈检测模型，计算出各自的模型更新参数；

S103:对多个客户端各自的模型更新参数进行参数融合计算，得到新的模型参数；

S104:使用新的模型参数对多个本地的欺诈检测模型进行参数更新。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

S105:通过迭代方式使用新的模型参数对多个本地的欺诈检测模型进行参数迭代更新。

3.根据权利要求1所述的方法，其特征在于，所述步骤S102及S103包括：

卷积神经网络中目标函数为：

其中f_i(w)是在数据集中样本(x_i,y_i)模型参数为w的情况下的预测损失，n为所有样本总量；假设每个客户端所包含的样本量为n_k，那么总的损失函数为：

其中

对于固定的学习率η，每个客户端在第t轮的模型参数w_t下计算平均梯度g_k，集合这些损失，更新自己的参数w_t+1：

对于所有的客户端k，从N个客户端随机挑选K个客户端将自己第t轮对模型的更新参数与其它被选中的客户端的模型更新的参数融合，产生第t+1轮新的模型参数W_t+1：

4.根据权利要求1所述的方法，其特征在于，所述欺诈检测模型构造为：输入层、卷积层、全连接层、输出层；其中：

第一层为输入层由从数据中提取的原始特征组成；各卷积层用来计算数据的抽象特性；全连接层对数据的抽象特性进行整合，然后进行归一化，对各种分类情况输出一个概率；最后一层的输出层对应模型产生的分类，判断用户为正常用户还是欺诈用户。

5.根据权利要求1所述的方法，其特征在于，所述方法在步骤S102之前还包括：

运用合成少数类过采样技术算法对本地信用卡交易数据集中的少数类样本进行分析并根据少数类样本人工合成新样本添加到本地信用卡交易数据集中进行更新。

6.一种基于联合学习的信用卡欺诈检测模型更新装置，其特征在于，包括：

模型构建单元，用于多个客户端使用卷积神经网络构建欺诈检测模型；

模型更新参数单元，用于多个客户端将本地信用卡交易数据集输入至本地的欺诈检测模型，计算出各自的模型更新参数；

参数融合计算单元，用于对多个客户端各自的模型更新参数进行参数融合计算，得到新的模型参数；

参数更新单元，用于使用新的模型参数对多个本地的欺诈检测模型进行参数更新。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

迭代单元，用于通过迭代方式使用新的模型参数对多个本地的欺诈检测模型进行参数迭代更新。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

数据更新单元，用于运用合成少数类过采样技术算法对本地信用卡交易数据集中的少数类样本进行分析并根据少数类样本人工合成新样本添加到本地信用卡交易数据集中进行更新。

9.一种存储介质，其特征在于，所述存储介质存储有能够实现权利要求1至5中任意一项所述基于联合学习的信用卡欺诈检测模型更新方法的程序文件。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述的基于联合学习的信用卡欺诈检测模型更新方法。