[发明专利]一种应用于金融场景的隐私深度神经网络方法及系统

权利要求书

1.一种应用于金融场景的隐私深度神经网络方法，其特征在于，所述方法具体包括以下步骤：

进行参与方特征初始化配置，获取训练集、测试集和损失函数，进行模型训练，得到神经元网络模型，并将所述神经元网络模型保存在多个参与方；

通过所述神经元网络模型，对所述测试集进行预测，生成与多个参与方相关的预测结果，按照多个所述预测结果，对所述神经元网络模型进行优化；

利用Deep Explainer方法，对所述神经元网络模型计算SHAP，得到多个与参与方特征相关的SHAP值；

根据多个所述SHAP值，对多个所述参与方特征进行特征转换，生成对应的衍生特征。

2.根据权利要求1所述的应用于金融场景的隐私深度神经网络方法，其特征在于，所述进行参与方特征初始化配置，获取训练集、测试集和损失函数，进行模型训练，得到神经元网络模型，并将所述神经元网络模型保存在多个参与方具体包括以下步骤：

进行参与方特征初始化配置，获取训练集、测试集和损失函数；

根据所述训练集和所述损失函数进行模型训练，得到神经元网络模型；

按照多个参与方特征对应的多个参与方，将所述神经元网络模型的结构分别保存。

3.根据权利要求2所述的应用于金融场景的隐私深度神经网络方法，其特征在于，所述进行参与方特征初始化配置，获取训练集、测试集和损失函数具体包括以下步骤：

将多个参与方的数据通过秘密分享方式划分为训练集和测试集；

初始化神经元权重和偏差为空值；

配置隐藏层数量、每层神经元个数列表、学习率、训练期次、抽样批次数量和批样本数量；

获取优化器类型，并定义损失函数。

4.根据权利要求2所述的应用于金融场景的隐私深度神经网络方法，其特征在于，多个所述参与方特征转化为数值型，且没有缺失值。

5.根据权利要求1所述的应用于金融场景的隐私深度神经网络方法，其特征在于，所述根据多个所述SHAP值，对多个所述参与方特征进行特征转换，生成对应的衍生特征具体包括以下步骤：

获取预设的阈值向量T，将低于所述阈值向量T的SHAP值设置为统一值；

获取多个参与方设置的阈值p，将高于所述阈值p对应的多个参与方特征两两交叉；

进行特征转换，生成对应的衍生特征。

6.一种应用于金融场景的隐私深度神经网络系统，其特征在于，所述系统包括神经模型训练单元、神经模型预测单元、模型SHAP计算单元和特征转换衍生单元，其中：

神经模型训练单元，用于进行参与方特征初始化配置，获取训练集、测试集和损失函数，进行模型训练，得到神经元网络模型，并将所述神经元网络模型保存在多个参与方；

神经模型预测单元，用于通过所述神经元网络模型，对所述测试集进行预测，生成与多个参与方相关的预测结果，按照多个所述预测结果，对所述神经元网络模型进行优化；

模型SHAP计算单元，用于利用Deep Explainer方法，对所述神经元网络模型计算SHAP，得到多个与参与方特征相关的SHAP值；

特征转换衍生单元，用于根据多个所述SHAP值，对多个所述参与方特征进行特征转换，生成对应的衍生特征。

7.根据权利要求6所述的应用于金融场景的隐私深度神经网络系统，其特征在于，所述神经模型训练单元具体包括：

初始化配置模块，用于进行参与方特征初始化配置，获取训练集、测试集和损失函数；

模型训练模块，用于根据所述训练集和所述损失函数进行模型训练，得到神经元网络模型；

模型保存模块，用于按照多个参与方特征对应的多个参与方，将所述神经元网络模型的结构分别保存。