[发明专利]反洗钱联合学习方法、装置、设备、系统及存储介质

权利要求书

1.一种反洗钱联合学习方法，其特征在于，所述反洗钱联合学习方法包括如下步骤：

获取本地工作节点保存的第一反洗钱模型的梯度值，并接收远程工作节点发送的加密梯度值，所述加密梯度值由所述远程工作节点将其本地保存的第二反洗钱模型的梯度值通过同态加密算法进行加密而得到；

对所述加密梯度值进行解密，并将解密得到的梯度值与所述第一反洗钱模型的梯度值进行求和，得到聚合梯度值；

将所述聚合梯度值代入所述第一反洗钱模型中进行迭代运算，直至所述第一反洗钱模型收敛。

2.如权利要求1所述的反洗钱联合学习方法，其特征在于，所述获取本地工作节点保存的第一反洗钱模型的梯度值，并接收远程工作节点发送的加密梯度值的步骤之前，还包括：

获取第一反洗钱训练样本；

采用预设的机器学习算法对所述第一反洗钱训练样本进行训练，得到第一反洗钱模型；

将所述第一反洗钱模型进行保存。

3.如权利要求1所述的反洗钱联合学习方法，其特征在于，所述对所述加密梯度值进行解密的步骤包括：

当所述加密梯度值是根据预设公钥加密得到时，根据所述本地工作节点保存的与所述公钥对应的私钥，对所述加密梯度值进行解密。

4.如权利要求1至3中任一项所述的反洗钱联合学习方法，其特征在于，所述第一反洗钱模型和所述第二反洗钱模型均为逻辑回归模型，所述将所述聚合梯度值代入所述第一反洗钱模型中进行迭代运算，直至所述第一反洗钱模型收敛的步骤包括：

将所述聚合梯度值代入[[W]]＝η*▽L([[W]])中进行迭代运算，直至所述第一反洗钱模型收敛；

其中，[[W]]为权重值，η为随机值，▽L([[W]])为逻辑回归模型的梯度函数。

5.如权利要求4所述的反洗钱联合学习方法，其特征在于，所述将所述聚合梯度值代入所述第一反洗钱模型中进行迭代运算，直至所述第一反洗钱模型收敛的步骤之后，还包括：

获取待进行反洗钱风险预测的样本，将所述待进行反洗钱风险预测的样本输入至收敛的所述第一反洗钱模型中进行运算，得到反洗钱风险预测结果；

将所述反洗钱风险预测结果反馈至web前端进行显示。

6.如权利要求4所述的反洗钱联合学习方法，其特征在于，所述将所述聚合梯度值代入所述第一反洗钱模型中进行迭代运算，直至所述第一反洗钱模型收敛的步骤之后，所述方法还包括：

在接收到所述远程工作节点发送的待进行反洗钱风险预测的样本时，将所述待进行反洗钱风险预测的样本输入至收敛的所述第一反洗钱模型中进行运算，得到反洗钱风险预测结果；

将反洗钱风险预测结果反馈至所述远程工作节点。

7.如权利要求1至3中任一项所述的反洗钱联合学习方法，其特征在于，所述将所述聚合梯度值代入所述第一反洗钱模型中进行迭代运算，直至所述第一反洗钱模型收敛的步骤之后，所述方法还包括：

将收敛的所述第一反洗钱模型进行加密后同步给所述远程工作节点，以便所述远程工作节点基于收敛的所述第一反洗钱模型对待进行反洗钱风险预测的样本进行预测。

8.一种反洗钱联合学习装置，其特征在于，所述反洗钱联合学习装置包括：

获取模块，用于获取本地工作节点保存的第一反洗钱模型的梯度值，并接收远程工作节点发送的加密梯度值，所述加密梯度值由所述远程工作节点将其本地保存的第二反洗钱模型的梯度值通过同态加密算法进行加密而得到；

聚合模块，用于对所述加密梯度值进行解密，并将解密得到的梯度值与所述第一反洗钱模型的梯度值进行求和，得到聚合梯度值；

迭代模块，用于将所述聚合梯度值代入所述第一反洗钱模型中进行迭代运算，直至所述第一反洗钱模型收敛。

9.一种反洗钱联合学习设备，其特征在于，所述反洗钱联合学习设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的反洗钱联合学习程序，所述反洗钱联合学习程序被所述处理器执行时实现如权利要求1至7中任一项所述的反洗钱联合学习方法的步骤。