[发明专利]一种确定参与方贡献度的方法及装置

说明书

本发明公开了一种确定参与方贡献度的方法及装置，适用于通过N个参与方获得的横向联邦模型，N大于1，其中，方法包括：根据各参与方的本地模型的模型准确度和预设模型，确定各参与方的本地模型的预期贡献指标；根据横向联邦模型的模型准确度并和预设模型确定横向联邦模型的预期贡献指标；根据N个参与方的本地模型的预期贡献指标和横向联邦模型的预期贡献指标，确定至少一个参与方对横向联邦模型的贡献度。该技术方案用以减少系统的处理压力，提高系统性能，进而提高系统确定贡献度的处理效率。

技术领域

本发明实施例涉及金融科技(Fintech)领域，尤其涉及一种确定参与方贡献度的方法及装置。

背景技术

随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技转变，机器学习技术也不例外，但由于金融、支付行业的安全性、实时性要求，也对机器学习技术提出的更高的要求。

联邦学习是指通过联合不同的参与方进行机器学习的方法。联邦学习中的横向联邦学习是在各个参与方的数据特征重叠较多，而用户重叠较少的情况下，取出参与方的用户数据特征相同而用户不完全相同的那部分数据进行联合机器学习。

现有技术中，横向联邦学习系统根据各参与方的本地数据量确定各参与方对横向联邦学习的贡献度，但各参与方的本地数据可能存在数据质量问题，且各参与方的本地数据的格式和形式不同，质量优化处理方式不同，系统需要针对各参与方的数据进行质量优化处理，但该质量优化处理方式会消耗大量的系统资源，增加系统的处理压力，使得系统性能降低，进而导致系统确定贡献度的处理效率较低。

发明内容

本发明实施例提供一种确定参与方贡献度的方法及装置，用以减少系统的处理压力，提高系统性能，进而提高系统确定贡献度的处理效率。

本发明实施例提供的一种确定参与方贡献度的方法，适用于通过N个参与方获得的横向联邦模型，N大于1；

所述方法包括：

根据各参与方的本地模型的模型准确度和预设模型，确定各参与方的本地模型的预期贡献指标；所述参与方的本地模型是所述参与方根据本地数据训练后确定的；所述预设模型是根据样本模型准确度和样本贡献指标的映射关系经模型训练后确定的；

根据所述横向联邦模型的模型准确度和所述预设模型，确定所述横向联邦模型的预期贡献指标；

根据N个参与方的本地模型的预期贡献指标和所述横向联邦模型的预期贡献指标，确定至少一个参与方对所述横向联邦模型的贡献度。

可选的，所述各参与方的本地模型的模型准确度由下述步骤确定：

将同一测试数据分别输入各参与方的本地模型，得到各参与方的本地模型的预测结果；

根据各参与方的本地模型的预测结果与所述测试数据对应的真实结果，确定各参与方的本地模型的模型准确度；

所述横向联邦模型的模型准确度由下述步骤确定：

将所述同一测试数据输入所述横向联邦模型，得到所述横向联邦模型的预测结果；

根据所述横向联邦模型的预测结果与所述测试数据对应的真实结果，确定所述横向联邦模型的模型准确度。

可选的，所述根据N个参与方的本地模型的预期贡献指标和所述横向联邦模型的预期贡献指标，确定至少一个参与方对所述横向联邦模型的贡献度，包括：

确定N个第一差值；各第一差值为各参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的差值；

针对至少一个参与方，将所述参与方的本地模型的预期贡献指标与所述横向联邦模型的预期贡献指标的第一差值确定为第二差值；根据所述第二差值和所述N个第一差值，确定所述参与方对所述横向联邦模型的贡献度。