[发明专利]基于联邦学习的样本采样方法、设备及可读存储介质

说明书

本申请公开了一种基于联邦学习的样本采样方法、设备及可读存储介质，所述基于联邦学习的样本采样方法包括：与所述第一设备相关联的第二设备进行样本对齐，获得第一样本数据，基于预设采样比例和预设采样方式，获取所述第一样本数据对应的采样比例数，基于所述采样比例数，对所述联邦学习的中间参数进行采样比例数处理，以通过对所述中间参数进行基于样本标签的采样处理，构建目标算法模型。本申请解决了算法模型构建效率低的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种基于联邦学习的样本采样方法、设备及可读存储介质。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。

随着计算机软件和人工智能的不断发展，机器学习建模的应用也越来越广泛，机器学习建模中的联邦学习通常需要进行样本对齐以获取样本数据，而在进行样本对齐时，通常需要进行数据采样，目前在进行样本对齐时，使用的样本采样方法均为传统的数据采样方法，例如，随机上采样、随机下采样等，但是，传统的数据采样方法无法在纵向联邦中进行基于样本标签的采样，进而导致采样后获取的样本数据存在不均衡的问题，例如，在对银行信贷放款场景进行建模时，坏样本(违约样本)往往很少，进而导致传统的采样方法获取的坏样本往往也很少，进而导致在进行采样时不同的样本标签的样本采样数量不均衡，进而导致算法模型在构建时计算效率低、构建时间长，进而算法模型构建效率低，所以，现有技术中存在算法模型构建效率低的技术问题。

发明内容

本申请的主要目的在于提供一种基于联邦学习的样本采样方法、设备及可读存储介质，旨在解决现有技术中算法模型构建效率低的技术问题。

为实现上述目的，本申请实施例提供一种基于联邦学习的样本采样方法，所述基于联邦学习的样本采样方法应用于进行联邦学习的第一设备，所述基于联邦学习的样本采样方法包括：

与所述第一设备相关联的第二设备进行样本对齐，获得第一样本数据；

基于预设采样比例和预设采样方式，获取所述第一样本数据对应的采样比例数；

基于所述采样比例数，对所述联邦学习的中间参数进行采样比例数处理，以通过对所述中间参数进行基于样本标签的采样处理，构建目标算法模型。

可选地，所述目标算法模型包括GBDT(GradientBoostingDecisionTree，梯度提升迭代决策树)算法模型，所述中间参数包括一阶梯度集合和二阶梯变量，所述第二设备包括第二样本数据，

所述基于所述采样比例数，对所述联邦学习的中间参数进行采样比例数处理，以通过对所述中间参数进行基于样本标签的采样处理，构建目标算法模型的步骤包括：

获取目标损失函数，并对所述目标损失函数求导，获得一阶梯度集合和二阶梯度集合，其中，所述一阶梯度集合和所述二阶梯度集合均与所述样本标签相关联；

基于所述采样比例数，对所述一阶梯度集合和所述二阶梯度集合进行采样比例数处理，获得采样一阶梯度集合和采样二阶梯度集合；

基于所述采样一阶梯度集合和所述采样二阶梯度集合，构建所述GBDT算法模型。

可选地，所述基于所述采样比例数，对所述一阶梯度集合和所述二阶梯度集合进行采样比例数处理，获得采样一阶梯度集合和采样二阶梯度集合的步骤包括：

计算所述采样比例数和所述一阶梯度集合的乘积，获得所述采样一阶梯度集合；

计算所述采样比例数和所述二阶梯度集合的乘积，获得所述采样二阶梯度集合。