[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

说明书

本发明涉及信用卡领域，具体涉及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，该方法及装置先使用卷积神经网络构建欺诈检测模型，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，对多个模型更新参数进行参数融合计算，得到新的模型参数，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，通过不同的客户端共享模型参数的形式借助其他客户端的数据信息训练更新自己的欺诈检测模型。在保护各客户端数据隐私不受侵犯的前提下提高模型效率。

技术领域

本发明涉及信用卡领域，具体而言，涉及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。

背景技术

随着近几十年经济全球化的迅速发展，信用卡在商业交易中越来越流行。相应地信用卡欺诈问题也随之涌现，检测信用卡欺诈交易成为了银行业面临的挑战之一。互联网技术的普及，传统金融领域迎来了创新，信用卡欺诈检测系统是互联网金融科技的一个重要研究领域，信用卡欺诈检测系统利用用户的用户信息和信用卡交易事务数据，通过其核心算法，为银行和金融平台计算出每一位用户的风险值，预测用户是否为欺诈用户，从而帮助银行或金融公司降低风险，提高利润，系统最核心的算法分为两类：

1.基于规则的传统信用卡欺诈识别方法，作为传统金融信贷诈骗识别方法的代表，基于规则的欺诈检测模型是目前应用的最广泛的模型。该方法通过该领域内的专家按照当前的业务制定一系列的规则，生成规则列表。当需要对用户进行信用风险评估时，按照生成的规则列表进行匹配，最后根据规则的匹配情况来最终确定该用户的诈骗风险评级。

2.基于机器学习的模型，随着机器学习技术的兴起，大部分的欺诈检测模型采用机器学习的方法建模系统，不同于基于规则的模型，使用机器学习的方法的欺诈检测系统不需要过多的借助领域专家的经验。

基于规则的信贷诈骗识别方法的缺点：无法解决数据特征、数据样本量过大的问题，基于规则的欺诈检测方法需要有经验的专家对不同的特征及其组合进行详细评估，最后再根据用户的信息和行为数据总结出规则，对于大规模数据特征，对每种可能的情况进行人工排查和列举是不可能的。基于规则的方法主要依靠有经验的专家，工作量大且成本也非常高昂。

基于传统的机器学习的方法缺点：首先，从信用卡交易数据情况分析，正常情况下，正常用户的数量远大于欺诈用户的数量，目前大多数采用的机器学习方法为有监督的学习模型，有监督的学习方法很容易受到数据不平衡的影响，这就使得在监督学习过程中，分类模型由于被大量的负样本所遮蔽，从而很难发现正样本的存在模式。其次，现代技术，尤其是机器学习方面的创新，已经被应用于分析客户的消费模式和阻止不定期或可能欺诈的交易。然而，无论是基于金融交易信息与客户隐私关系，还是作为银行专有信息来源的重要性，各个银行使用的数据都被认为是非常敏感的。因为这些隐私问题，针对欺诈检测的一些机器学习模型(如神经网络)通常只使用每个银行单独收集的内部数据。对数据隐私的日益关注和数据共享带来限制和障碍，使得协调大规模协作研究变得困难。即从传统的机器学习方法来分析，传统的机器学习将所有训练数据集中于某一台或者是单个数据中心里，由于信用卡交易数据的敏感性和隐私性，各个银行或者金融公司无法共享数据，所以传统的机器学习方法也无法借助第三方的数据来帮助训练自己的模型，在一定程度上延长了训练时间和影响模型准确度。

发明内容

本发明实施例提供了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，以至少解决现有的欺诈检测系统不能保护数据隐私的技术问题。

根据本发明的一实施例，提供了一种基于联合学习的信用卡欺诈检测模型更新方法，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；