[发明专利]纵向联邦预测优化方法、设备、介质及计算机程序产品

说明书

本申请公开了一种纵向联邦预测优化方法、设备、介质及计算机程序产品，包括：提取待预测样本，并基于本地迭代训练的目标预测模型，生成待预测样本对应的第一方模型预测结果和对应的中间样本特征；将中间样本特征发送至第二设备，以供第二设备基于纵向联邦残差提升模型对中间样本特征和待预测样本对应的ID匹配样本共同执行模型预测，获得第二方模型预测结果；获取第一方模型权重，并接收第二设备发送的第二方模型预测结果和第二方模型权重；基于第一方模型权重和第二方模型权重，对第一方模型预测结果和第二方模型预测结果进行加权聚合，获得目标联邦预测结果。本申请解决了纵向联邦预测的整体样本预测准确度低的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种纵向联邦预测优化方法、设备、介质及计算机程序产品。

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计算的不断发展，人工智能技术的应用也越来越广泛。目前，现有的纵向联邦预测模型需要基于各参与方之间的对齐样本进行纵向联邦学习建模而构建，且建模完成后，纵向联邦预测模型分散部署在各个参与方中，每一参与方均只持有部分纵向联邦预测模型。所以在纵向联邦预测场景中，对于对齐样本，预测方通常联合分散在其他参与方的对齐样本进行纵向联邦预测，以准确进行样本预测。而对于未对齐样本，预测方需要使用一个单独的本地模型在本地进行预测。所以，预测方在对对齐样本进行准确度更高的联邦预测的情况下，无法对未对齐样本进行基于完整模型的样本预测，使得整体的样本预测准确度变低。所以，现有的纵向联邦预测方法存在整体样本预测准确度低的问题。

发明内容

本申请的主要目的在于提供一种纵向联邦预测优化方法、设备、介质及计算机程序产品，旨在解决现有技术中纵向联邦预测的整体样本预测准确度低的技术问题。

为实现上述目的，本申请提供一种纵向联邦预测优化方法，所述纵向联邦预测优化方法应用于第一设备，所述纵向联邦预测优化方法包括：

提取待预测样本，并获取目标预测模型的特征提取器针对所述待预测样本进行特征提取生成的中间样本特征，以及所述目标预测模型针对所述待预测样本进行模型预测生成的第一方模型预测结果，其中，所述目标预测模型由所述第一设备本地迭代训练得到；

将所述中间样本特征发送至第二设备，以供所述第二设备基于纵向联邦残差提升模型对所述中间样本特征和所述待预测样本对应的ID匹配样本共同执行模型预测，获得第二方模型预测结果；

获取所述目标预测模型对应的第一方模型权重，并接收所述第二设备发送的第二方模型预测结果和所述纵向联邦残差提升模型对应的第二方模型权重；

基于所述第一方模型权重和所述第二方模型权重，对所述第一方模型预测结果和所述第二方模型预测结果进行加权聚合，获得目标联邦预测结果。

为实现上述目的，本申请提供一种纵向联邦预测优化方法，所述纵向联邦预测优化方法应用于第二设备，所述纵向联邦预测优化方法包括：

接收第一设备发送的中间样本特征，并查找与所述中间样本特征对应的ID匹配样本；

基于纵向联邦残差提升模型，对所述ID匹配样本和所述中间样本特征共同执行模型预测，获得第二方模型预测结果；

获取所述纵向联邦残差提升模型对应的第二方模型权重，并将所述第二方模型预测结果和所述第二方模型权重发送至所述第一设备，以供所述第一设备基于所述目标预测模型针对所述ID匹配样本对应的待预测样本生成的第一方模型预测结果、所述目标预测模型对应的第一方模型权重、所述第二方模型预测结果和所述第二方模型权重，生成目标联邦预测结果，其中，所述目标预测模型由所述第一设备本地迭代训练得到。