[发明专利]资源敏感的联合金融欺诈检测模型训练方法及检测方法

权利要求书

1.一种资源敏感的联合金融欺诈检测模型训练方法，其特征在于，包括：

S01、初始化：服务器端(A)将欺诈检测模型的参数初始化为初始的全局参数；

S02、模型训练，包括：

S021、本地迭代：各客户端(B_i)分别从服务器端(A)获取全局参数，用各自的样本数据集(D_i)分别训练欺诈检测模型后，更新欺诈检测模型的参数作为本地参数传回服务器端(A)；

S022、全局更新：服务器端(A)整合收到的本地参数后生成全局参数，并将全局参数发送回各客户端(B_i)进行步骤S021的本地迭代；

S03、训练完成，生成采用最后的全局参数w*的欺诈检测模型；

其中，所述最后的全局参数w*满足：

w^*＝argminF(w)，且

其中，F(w)为所有样本数据集上的全局损失函数，F_i(w)为第i个客户端上的样本数据集的本地损失函数，f_j(w)为第i个客户端上的第j个样本数据的本地损失，D_i为第i个客户端(B_i)上的样本数据集，|D_i|为样本数据集D_i的大小，i、j均为正整数，

其中，步骤S01中，服务器端(A)将欺诈检测模型的两轮全局更新间的本地迭代的轮数τ初始化为τ₀，τ₀≥1；

其中，步骤S021中，各客户端(B_i)在各自的样本数据集(D_i)下使用梯度下降法对欺诈检测模型进行本地迭代训练；

其中，步骤S022包括：计算各样本数据集D_i的本地损失函数梯度与全局损失函数梯度之差的收敛的上界δ，然后根据上界δ得出新的到下一轮全局更新前的本地迭代的轮数τ，并将其发送回各客户端(B_i)。

2.根据权利要求1所述的资源敏感的联合金融欺诈检测模型训练方法，其特征在于，

各客户端(B_i)的一轮本地迭代的过程包括：从样本数据集(D_i)中选取一个样本数据，计算出该样本数据对应的本地损失函数的梯度用梯度下降法更新欺诈检测模型的参数，重复上述过程直至遍历样本数据集(D_i)中的样本数据，即完成一轮本地迭代。

3.根据权利要求1所述的资源敏感的联合金融欺诈检测模型训练方法，其特征在于，

所述步骤S022中的生成全局参数过程还包括：

服务器计算剩余资源量是否可供下一次本地迭代和全局更新，当剩余资源量不足下一次本地迭代和全局更新时，减小新的本地迭代的轮数τ至可能的最大值，并停止训练。

4.根据权利要求1所述的资源敏感的联合金融欺诈检测模型训练方法，其特征在于，所述得出新的到下一轮全局更新前的本地迭代的轮数τ的过程包括：

各客户端(B_i)利用各自的样本数据集(D_i)计算第一中间参数ρ_i、第二中间参数β_i以及样本数据集(D_i)的本次本地迭代中的最后一轮本地迭代(t₀)的本地损失函数梯度其中，w_i(t)代表第i个客户端上的第t轮迭代的欺诈检测模型的参数，w(t)代表全局参数；

服务器根据第一中间参数ρ_i、第二中间参数β_i、样本数据集(D_i)的本次本地迭代中的最后一轮本地迭代(t₀)的本地损失函数梯度分别得到第一全局中间参数ρ、第二全局中间参数β、所有样本数据集的本次本地迭代中的最后一轮本地迭代(t₀)的全局损失函数梯度其中，

结合公式得到新的本地迭代的轮数τ，其中，η为梯度下降的步长，为常数，

5.一种资源敏感的联合金融欺诈检测方法，其特征在于，采用权利要求1～4任一所述的资源敏感的联合金融欺诈检测模型训练方法训练欺诈检测模型后，将欺诈检测模型用来预测待检测数据。