[发明专利]一种用于信用卡反欺诈的联邦学习方法和装置

权利要求书

1.一种用于信用卡反欺诈的联邦学习方法，其特征在于，所述联邦学习方法包括以下步骤：

S1，搭建具有不同欺诈类别的K个联邦学习参与方对应的局部图卷积神经网络模型；每个参与方各自拥有的本地无向图结构数据为G_i(V,E,A)(i∈K)，其中图结构中的节点集合为v_i∈V，v_i节点上的特征为x_i∈X，每个节点包含有包括用户信息、贷款金额、存款金额和征信数据在内的多种关键特征信息，节点之间的边集合为e_i,j＝(v_i,v_j)∈E；A表示邻接矩阵，定义节点之间的相互连接关系；欺诈类别包括失窃卡欺诈、虚拟申请欺诈和无欺诈三种；

S2，使用局部图卷积神经网络模型进行联邦学习训练；其中，采用注意力机制对联邦学习参数的聚合过程进行改进，使得每个局部图卷积神经网络模型均有与之适配的权重来进行聚合；

S3，输出全局图卷积神经网络模型，所述全局图卷积神经网络模型用于对导入的用户数据进行处理，识别其对应的欺诈类别；

步骤S2中，使用局部图卷积神经网络模型进行联邦学习训练的过程包括以下步骤：

S21，初始化全局图卷积神经网络模型的模型参数；

S22，根据下述公式随机选择联邦学习参与方：

其中num_fed为联邦学习参与方的数量，联邦学习共有K个参与方，每轮参与计算的参与方的比例为C，符号的含义是向下取整，max()是在其中取最大；

S23，局部图卷积神经网络模型下载全局图卷积神经网络模型初始化后的待学习参数；

S24，根据下载到的待学习参数，局部图卷积神经网络模型开始训练：

S241，设置损失函数，根据下述公式通过批量随机梯度下降法对局部图卷积神经网络模型的模型参数进行更新：

其中W表示各局部图卷积神经网络中待学习参数，η表示学习率，l(.)表示损失函数用来计算图神经网络输出的预测值与真实标签之间的差距，表示求偏导数，为图卷积神经网络最后一层的输出结果；y′表示预测值，y表示真实标签；

S242，对所有局部图卷积神经网络模型进行联邦注意力机制计算；其中，对第k个局部图卷积神经网络模型进行注意力机制计算，计算得到的注意力权重系数上传到全局图卷积神经网络模型并与其他局部图卷积神经网络模型进行聚合：

其中表示第l层第k个局部图卷积神经网络模型的注意力权重系数，且att()表示注意力机制计算函数，计算局部图卷积神经网络模型与全局图卷积神经网络模型之间的相关性，表示第l层第k个局部图卷积神经网络模型的可训练参数，w^l表示第l层全局图卷积神经网络模型的可训练参数；

S25，更新全局图卷积神经网络模型的模型参数，将计算得到的各个局部图卷积神经网络模型注意力权重系数连同计算得到的局部图卷积神经网络模型模型参数上传到全局图卷积神经网络模型中聚合：

其中表示t时刻分配给第k个参与方模型的注意力权重系数，表示t+1时刻聚合后的全局图卷积神经网络模型的第l层参数。

2.根据权利要求1所述的用于信用卡反欺诈的联邦学习方法，其特征在于，所述邻接矩阵包括用于表达地域距离或亲属关系的地域邻接矩阵和用于表达用户相关信息是否相似的属性邻接矩阵两种。