[发明专利]横向联邦学习建模优化方法、设备、介质及程序产品

说明书

本申请公开了一种横向联邦学习建模优化方法、设备、介质及程序产品，应用于第一设备，所述横向联邦学习建模优化方法包括：接收第二设备下发的全局表征映射模型；利用对比学习和全局表征映射模型，优化本地表征映射模型；第二设备利用对比学习和上传的优化后的本地表征映射模型，迭代训练得到目标全局表征映射模型；接收第二设备下发的目标全局表征映射模型，并利用对比学习和目标全局表征映射模型，迭代训练得到目标本地表征映射模型；基于携带样本标签的标签样本，对目标本地表征映射模型对应的样本预测模型进行基于横向联邦学习的模型微调训练优化，得到目标横向联邦预测模型。本申请解决了横向联邦学习建模的应用场景的局限性高的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种横向联邦学习建模优化方法、设备、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，在横向联邦学习场景中，通常需要各参与方拥有大量的具备样本标签的标签样本，进而各参与方即可在本地利用大量的标签样本迭代训练更新本地模型，进而将迭代训练更新后的样本发送至横向联邦服务器进行聚合，即可得到全局模型，但是，当横向联邦学习的参与方的样本中拥有标签的样本的比例较低时，将由于各参与方中可利用进行横向联邦学习的样本较少，无法保证全局模型的精度，所以，当前的横向联邦学习建模方法只能局限于各参与方拥有大量的标签样本的应用场景中，所以，现有的横向联邦学习建模的应用场景的局限性较高。

发明内容

本申请的主要目的在于提供一种横向联邦学习建模优化方法、设备、介质及程序产品，旨在解决现有技术中横向联邦学习建模的应用场景的局限性高的技术问题。

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

接收第二设备下发的全局表征映射模型；

基于本地私有样本数据，在所述全局表征映射模型与所述本地表征映射模型之间对比学习训练优化，得到优化后的本地表征映射模型；

将所述优化后的本地表征映射模型上传至所述第二设备，以供所述第二设备基于联邦公有训练样本数据，在各所述优化后的本地表征映射模型之间进行对比学习训练优化，以及在所述全局表征映射模型分别与各所述优化后的本地表征映射模型之间进行对比学习训练优化，得到目标全局表征映射模型；

接收所述第二设备下发的目标全局表征映射模型，并基于所述本地私有训练样本数据，在所述目标全局表征映射模型与所述本地表征映射模型之间进行对比学习训练优化，得到目标本地表征映射模型；

基于所述本地私有训练样本数据中的携带样本标签的标签样本，在预设模型微调条件下对具备所述目标本地表征映射模型中目标特征提取模型的样本预测模型进行基于横向联邦学习的迭代训练优化，得到目标横向联邦预测模型。

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

获取全局表征映射模型，并将所述全局表征映射模型下发至各第一设备，以供所述第一设备基于本地私有样本数据，在所述全局表征映射模型与本地表征映射模型之间对比学习训练优化，得到优化后的本地表征映射模型；

接收各所述第一设备上传的优化后的本地表征映射模型，并基于联邦公有训练样本数据，在各所述优化后的本地表征映射模型之间进行对比学习训练优化，以及在所述全局表征映射模型分别与各所述优化后的本地表征映射模型之间进行对比学习训练优化，得到目标全局表征映射模型；