[发明专利]基于联邦学习的逻辑回归模型建模方法、装置及电子设备

权利要求书

1.一种基于联邦学习的逻辑回归模型建模方法，其特征是，所述方法包括：

获取多个样本的多个第一特征数据矩阵、多个第二特征数据矩阵、多个第三

特征数据矩阵和多个标签值，其中，每一所述第一特征数据矩阵代表所述样本的金融特征，每一所述第二特征数据矩阵代表所述样本的消费特征，每一所述第三特征数据矩阵代表所述样本的通讯特征，所述标签值表示所述样本违约或者不违约；

基于所述多个第一特征数据矩阵、所述多个第二特征数据矩阵、所述多个第

三特征数据矩阵采用逻辑回归算法训练待训练的逻辑回归模型，获得已训练的逻辑回归模型。

2.根据权利要求1所述的一种基于联邦学习的逻辑回归模型建模方法，其特征

是，基于所述多个第一特征数据矩阵、所述多个第二特征数据矩阵、所述多个第三特征数据矩阵采用逻辑回归算法训练待训练的逻辑回归模型包括：

基于多个所述第一特征数据矩阵迭代更新所述待训练的逻辑回归模型的第一

向量参数，基于多个所述第二特征数据矩阵迭代更新所述待训练的逻辑回归模型的第二向量参数，基于多个所述第三特征矩阵迭代更新所述待训练的逻辑回归模型的第三向量参数，其中，迭代更新的方式为梯度下降直到每一向量参数的损失函数满足预设阈值。

3.根据权利要求1所述的一种基于联邦学习的逻辑回归模型建模方法，其特征

是，所述第一特征数据矩阵包括样本的年龄、性别、年收入和信用评估分，所述第二特征数据矩阵包括样本的月消费金额和月消费频次，所述第三特征数据矩阵包括样本的月通讯金额和月通话次数。

4.根据权利要求2所述的一种基于联邦学习的逻辑回归模型建模方法，其特征

是，基于多个所述第一特征数据矩阵迭代更新所述待训练的逻辑回归模型的第一向量参数，基于多个所述第二特征数据矩阵迭代更新所述待训练的逻辑回归模型的第二向量参数，基于多个所述第三特征矩阵迭代更新所述待训练的逻辑回归模型的第三向量参数包括：

获取初始化第一向量参数、初始化第二向量参数和初始化第三向量参数；

基于所述第一特征数据矩阵、所述初始化第一向量参数计算第一特征计算结果，基于所述第二特征数据矩阵、所述初始化第二向量参数计算第二特征计算结果，基于所述第三特征数据矩阵、所述初始化第三向量参数计算第三特征计算结果；

基于所述第一特征计算结果、所述第二特征计算结果和所述第三特征计算结果确定所述样本的真实值；

基于所述样本的真实值和标签值确定差异值；

基于所述差异值、所述真实值确定损失函数和每一向量参数的下降梯度；

在每一轮迭代中根据下降梯度更新每一向量参数直到损失函数满足预设阈值。

5.根据权利要求4所述的一种基于联邦学习的逻辑回归模型建模方法，其特征

是，所述第一特征计算结果、所述第二特征计算结果、所述第三特征计算结果分别由同一联邦网络中的第一用户、第二用户和第三用户计算获得，其中，所述第一用户、所述第二用户、所述第三用户间的通信为加密通信。

6.一种预测方法，基于权利要求1-5任一项所述的逻辑回归模型进行预测，其

特征是，所述方法包括：

获取待计算样本的第一特征数据矩阵、第二特征数据矩阵和第三特征数据矩

阵；

分别将所述第一特征数据矩阵、所述第二特征数据矩阵和所述第三特征数据

矩阵输入所述已训练的已训练的逻辑回归模型获得第一特征计算结果、第二特征计算结果和第三特征计算结果；

基于所述第一特征计算结果、所述第二特征计算结果和所述第三特征计算结

果获取预测结果。