[发明专利]基于联合学习的个人信用模型维护方法、装置和电子设备

权利要求书

1.一种基于联合学习的个人信用模型维护方法，其特征在于，包括步骤：

S01：初始化全局模型；

S02：随机从所有接入的设备中选择K个子设备参与到当前轮的训练任务；

S03：将全局模型分别发送给加入训练任务的K个设备；

S04：接收K个设备利用自身数据训练模型后上传的局部模型；

S05：聚合局部模型，并更新全局模型。

2.根据权利要求1所述的基于联合学习的个人信用模型维护方法，其特征在于，在上述步骤S05之后，还包括步骤：

基于迭代循环步骤S02-S05创建用于对个人信息进行评估的个人信用模型，并发送所述个人信用模型至各个参与联合学习的设备中进行个人信息评估维护。

3.根据权利要求1所述的基于联合学习的个人信用模型维护方法，其特征在于，所述随机从所有接入的设备中选择K个子设备参与到当前轮的训练任务，包括：

确定参与到当前轮训练任务中设备的数量K；

判断数量K是否小于所有设备的数据M：

若是，则基于对所有设备的排列顺序，从M个设备中循环选择K个设备加入当前轮的训练任务中；

若否，则将所有设备加入当前轮的训练任务中。

4.根据权利要求3所述的基于联合学习的个人信用模型维护方法，其特征在于，所述确定参与到当前轮训练任务中设备的数量K，包括：根据服务器当前的网络承载能力确定参与到当前轮训练任务中设备的数量K；

或者，根据服务器的最大计算能力确定参与到当前轮训练任务中设备的数量K。

5.根据权利要求1所述的基于联合学习的个人信用模型维护方法，其特征在于，所述随机从所有接入的设备中选择K个子设备参与到当前轮的训练任务，包括：

获取所有参与联合学习的设备中所拥有的数据集大小；

根据所述数据集大小对所有参与联合学习的设备进行分类，并对所述分类中依次循环选择一个分类对应的设备加入到当前轮次的训练任务。

6.根据权利要求1-5任一所述的基于联合学习的个人信用模型维护方法，其特征在于，所述接收K个设备利用自身数据训练模型后上传的局部模型，包括：

检测局部模型目录；

判断K个设备中是否有设备产生新的局部模型；

若有，则接收所述局部模型；

若无，则返回检测局部模型目录。

7.根据权利要求6所述的基于联合学习的个人信用模型维护方法，其特征在于，所述聚合局部模型，并更新全局模型，具体包括：基于所述新上传的全局模型与前次聚合后的全局模型进行聚合计算，并更新全局模型。

8.一种基于联合学习的个人信用模型维护装置，其特征在于，包括：

模型初始化模块，用于初始化全局模型；

设备数据选择模块，用于随机从所有接入的设备中选择K个子设备参与到当前轮的训练任务；

全局模型发送模块，用于将全局模型分别发送给加入训练任务的K个设备；

局部模型接收模块，用于接收K个设备利用自身数据训练模型后上传的局部模型；

全局模型更新模块，用于聚合局部模型，并更新全局模型。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。