[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

说明书

本发明适用于人工智能技术领域，提供了一种基于联合学习的个人信用模型维护方法、装置和电子设备。其中，所述方法包括：初始化全局模型；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；将全局模型分别发送给加入训练任务的K个设备；接收K个设备利用自身数据训练模型后上传的局部模型；聚合局部模型，并更新全局模型。本发明利用联合学习的方法来解决了目前一些结构无法基于自己拥有的数据来建立对个人信用评估的人工智能模型的问题，实现了在保护个人隐私的情况下，为更多的机构提供了实现个人信用评估的便捷性和准确性。

技术领域

本发明属于人工智能技术领域，尤其涉及一种基于联合学习的个人信用模型维护方法、装置和电子设备。

背景技术

信用评分在金融等各领域是一个非常重要指标，尤其是个人信用。目前如果要查询个人的信用，需要到指定的部门经个人授权才能查询；或者，其他机构如果想要了解用户个人的信用，往往都是根据自己指定的规则来进行评价和判断。因此，在实际中会出现不同的机构对于个人信用评价各不相同，或者需要用户自己去申请信用报告等情况。

由此可见，是否有方法能够使不同企业对于相同客户的个人信用的评分能够尽可能的一致和准确，这是目前本领域的一个技术难题。

发明内容

有鉴于此，本发明实施例提供了一种基于联合学习的个人信用模型维护方法、装置和电子设备，以解决如何利用人工智能技术来实现个人信用进行评估的问题。

本发明实施例的第一方面，提供了一种基于联合学习的个人信用模型维护方法，其包括步骤：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。

在一些可选方案中，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。

在一些可选方案中，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。

在一些可选方案中，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。

在一些可选方案中，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。

在一些可选方案中，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。

在一些可选方案中，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。

本发明实施例的第二方面，提供了一种基于联合学习的个人信用模型维护装置，其包括：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。