[发明专利]一种基于联邦学习框架的策略制定方法、装置和电子设备

权利要求书

1.一种基于联邦学习框架的策略制定方法，其特征在于，包括：

利用联邦学习方法构建信用评估模型，所述信用评估模型包括安装在至少一个用户客户端的信用评估子模型；

获取用户信息数据；

将所述用户信息数据代入所述信用评估子模型，获取评估结果，所述评估结果包括所述用户的信用评分及中间梯度；

服务器获取所述评估结果，基于所述信用评分制定信用策略，并利用所述中间梯度对所述信用评估子模型进行修正。

2.根据权利要求1所述的方法，其特征在于，所述利用联邦学习方法构建信用评估模型进一步包括设置于服务器的联合子模型，用于基于所述中间梯度修正所述信用评估子模型的参数。

3.根据权利要求1-2中任一项所述的方法，其特征在于：所述联邦学习方法为横向联邦学习方法。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述利用联邦学习方法构建信用评估模型进一步包括：使用Tensorlfowlite框架将训练的信用评估模型文件转化为能在用户客户端运行的所述信用评估子模型文件并分发给所述用户客户端。

5.根据权利要求1-4中任一项中所述的方法，其特征在于，所述安装在至少一个用户客户端的信用评估子模型进一步包括：将所述信用评估子模型文件集成到所述用户的客户端应用中。

6.根据权利要求1-5中任一项所述的方法，其特征在于，进一步包括：对所述训练的信用评估模型文件进行差分隐私处理封装后，使用Tensorlfow lite框架转化为能在用户客户端运行的所述信用评估子模型文件。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述利用联邦学习方法构建信用评估模型进一步包括：基于tensorflow框架离线建立深度网络模型，其中所述深度网络模型的参数为随机初始化，并指定所述深度网络模型输出数据为信用评分及中间梯度。

8.一种基于联邦学习框架的策略制定装置，其特征在于，包括：

信用评估模型构建模块，用于利用联邦学习方法构建信用评估模型，其中，所述信用模型构建模块包括信用评估子模型构建单元，用于构建安装在至少一个用户客户端的信用评估子模型；

用户信息数据获取模块，设置于所述用户客户端，用于获取用户信息数据；

评估模块，设置于所述用户客户端，用于将所述用户信息数据代入所述信用评估子模型，获取评估结果，所述评估结果包括所述用户的信用评分及中间梯度；

评估结果发送模块，设置于所述用户客户端，用于将所述评估结果发送至所述服务器；

策略生成模块，设置于所述服务器，用于根据所述用户的信用评分制定信用策略；

修正模块，设置于所述服务器，用于利用所述中间梯度对所述信用评估子模型进行修正。

9.一种电子设备，其中，该电子设备包括：

处理器；以及，

存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的方法。