[发明专利]一种基于联邦学习的风险权重融合的异常检测方法

权利要求书

1.一种基于联邦学习的风险权重融合的异常检测方法，其特征在于，包括：

将参与联邦学习的各银行机构视为客户端，各个客户端分别建立相同结构的机器学习模型，各个机器学习模型的初始参数由中央参数服务器下发；

在每轮迭代中，各个客户端的机器学习模型利用本地数据样本集迭代训练后，提取参数更新信息和本轮次训练的风险权重信息，将参数更新信息和风险权重信息上传至中央服务器；

所述中央服务器将接收到的所有参数更新信息融合各客户端的风险权重信息进行安全聚合后，下发联合模型参数更新信息给各个客户端，各个客户端根据接收的联合模型更新信息进行本地的机器学习模型的参数更新，每个客户端分别利用自己的机器学习模型进行本地数据的异常检测。

2.根据权利要求1所述的方法，其特征在于，所述的将参与联邦学习的各银行机构视为客户端，各个客户端分别建立相同结构的机器学习模型，各个机器学习模型的初始参数由中央参数服务器下发，包括：

设固定一组各本地的银行机构做为联邦学习的参与者，将各银行机构视为客户端，各个客户端分别建立自己的机器学习模型，各个机器学习模型的结构相同，由中央参数服务器下发的初始化参数相同，训练中各客户端借助中央参数服务器进行参数信息安全聚合与同步，每个客户端独立利用自己的机器学习模型进行本地数据的异常检测，所有客户端的机器学习模型经过通信迭代形成中央联合异常检测模型。

3.根据权利要求1所述的方法，其特征在于，所述的在每轮迭代中，各个客户端的机器学习模型利用本地数据样本集迭代训练后，提取参数更新信息和本轮次训练的风险权重信息，将参数更新信息和风险权重信息上传至中央服务器，包括：

设固定C家银行参与联合模型训练，每个银行机构都有一个本地的数据样本集，第c个银行机构的数据样本集为D_c：

是特征向量，是标签，n_c表示参与联邦学习的第c个银行机构的数据集的大小，C为银行机构的总数；

在每一轮训练迭代t＝1,2,…中，每家银行机构在基于自己数据样本集上进行机器学习模型训练，计算本轮训练的参数更新信息计算本轮训练的风险权重信息：模型准确率和针对欺诈严重程度的权重调节策略s_c，将和s_c上传至中央参数服务器。