[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

说明书

本发明实施例涉及金融隐私技术领域，具体公开了一种应用于金融场景的隐私深度神经网络方法及系统。本发明实施例通过构建神经元网络模型，并将神经元网络模型保存在多个参与方；对测试集进行预测，生成与多个参与方相关的预测结果，按照多个预测结果，对神经元网络模型进行优化；对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；对多个参与方特征进行特征转换，生成对应的衍生特征。能够基于金融场景的业务特点，利用秘密分享、深度神经网络、SHAP等技术，通过隐私深度神经网络的训练、预测以及SHAP技术，在保护数据隐私的情况下对参与方特征进行解释，并进一步自动化生成更高效的衍生特征。

技术领域

本发明属于金融隐私技术领域，尤其涉及一种应用于金融场景的隐私深度神经网络方法及系统。

背景技术

由于互联网行业的推动，数据和算力出现前所未有的发展，这使得一些比较复杂且效果显著的算法，如深度神经网络等得到大规模应用。另一方面，为了提升模型效果，不少模型的构建需要跨部门或跨机构的数据合作，数据的隐私安全是其中的重中之重，隐私计算技术应运而生，而隐私深度神经网络算法在金融领域也有了部分探索。由于金融行业的绝大部分核心业务，如风控、投研等，需要模型具有较强的可解释性，部分场景需要较高的性能，目前的隐私深度神经网络难以满足需求，很难大规模应用。但由于深度神经网络往往具有较高的精度，在设置模型标杆、特征评价等方面拥有一定的优势。

然而现有的技术具有以下缺点：一、联邦学习目前不能从数学上证明安全性，难以在强监管的金融行业落地；二、联邦学习引入SHAP，对各数据参与方的贡献度提供了部分解释，但缺乏对特征的详细解释；三、隐私深度神经网络能从数学上证明安全性，但在金融行业的应用方案目前仅限于常规的建模，缺少对特征的解释和对特征衍生的指导方案。

发明内容

本发明实施例的目的在于提供一种应用于金融场景的隐私深度神经网络方法及系统，旨在解决背景技术中提出的问题。

为实现上述目的，本发明实施例提供如下技术方案：

一种应用于金融场景的隐私深度神经网络方法，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。

作为本发明实施例技术方案进一步的限定，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。

作为本发明实施例技术方案进一步的限定，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。