[发明专利]联邦学习建模优化方法、设备、可读存储介质及程序产品

说明书

本申请公开了一种联邦学习建模优化方法、设备、可读存储介质及程序产品，应用于第一设备，所述联邦学习建模优化方法包括：依据特征提取模型生成第一训练样本对应的第一样本特征，并依据特征生成模型生成第一噪音数据和第一真实分类标签共同对应的第二样本特征；依据第一真实分类标签、第一样本特征以及第二样本特征，迭代训练得到特征生成模型；将特征生成模型和分类模型发送至第二设备，以供第二设备构建目标全局特征生成模型和目标全局分类模型；依据目标全局特征生成模型，对特征提取模型和目标全局分类模型进行迭代优化，得到目标特征提取模型和目标分类模型。本申请解决了联邦学习方法存在泄露参与方数据隐私的风险的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种联邦学习建模优化方法、设备、可读存储介质及程序产品。

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、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、大数据云服务应用的不断发展，目前，在联邦学习场景中每个参与方维护一个本地模型和一个全局模型。各个参与方通过本地模型学习本地特有的知识，通过全局模型共享所有参与方的知识，然后各个参与方将本地模型和全局模型聚合在一起。但是这种方法的缺点是联邦服务器可以通过各个参与方的全局模型反推出参与方的原始数据，因此有数据泄露的风险，也即，现有的联邦学习方法存在泄露参与方数据隐私的风险。

发明内容

本申请的主要目的在于提供一种联邦学习建模优化方法、设备、可读存储介质及程序产品，旨在解决现有技术中联邦学习方法存在泄露参与方数据隐私的风险的技术问题。

为实现上述目的，本申请提供一种联邦学习建模优化方法，所述联邦学习建模优化方法应用于第一设备，所述联邦学习建模优化方法包括：

获取训练好的特征提取模型和分类模型，并提取第一训练样本、第一噪音数据、所述第一训练样本对应的第一真实分类标签；

获取所述特征提取模型针对于所述第一训练样本生成的第一样本特征，以及待训练特征生成模型针对于所述第一噪音数据和所述第一真实分类标签生成的第二样本特征；

通过所述分类模型对所述第二样本特征进行分类以及通过待训练样本区分模型对所述第一样本特征与所述第二样本特征进行样本区分，在固定所述特征提取模型和所述分类模型的情况下对所述待训练特征生成模型进行迭代优化，得到特征生成模型；

将所述特征生成模型和所述分类模型发送至第二设备，以供第二设备依据各所述第一设备发送的特征生成模型，迭代优化聚合各所述特征生成模型得到的全局特征生成模型以及聚合各所述分类模型得到的全局分类模型，得到目标全局特征生成模型和目标全局分类模型；

接收所述第二设备发送的目标全局特征生成模型和目标全局分类模型，并依据所述目标全局特征生成模型，对所述特征提取模型和所述目标全局分类模型进行迭代优化，得到目标特征提取模型和目标分类模型。

本申请提供一种联邦学习建模优化方法，所述联邦学习建模优化方法应用于第二设备，所述联邦学习建模优化方法包括：

接收各第一设备发送的特征生成模型和分类模型，并将各所述特征生成模型聚合为全局特征生成模型以及将各所述分类模型聚合为全局分类模型；

提取噪音数据和所述噪音数据对应的真实分类标签；

依据所述噪音数据和所述真实分类标签，通过对所述全局特征生成模型和所述全局分类模型进行迭代训练，以及通过在所述全局特征生成模型与各所述特征生成模型之间进行知识蒸馏，迭代优化所述全局特征生成模型和所述全局分类模型，得到目标全局特征生成模型和目标全局分类模型；