买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京交通大学

摘要：本发明提供了一种基于联邦学习的风险权重融合的异常检测方法。该方法包括：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机器学习模型，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，并上传至中央服务器；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。本发明通过风险权值聚合的方式强化提取相应参与方的优势特征，在金融欺诈识别等异常检测领域，对于异常数据检测的准确率和召回率进行提升。

主权项：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的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参数服务器；所述中央参数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本地的机器学习模型进行本地数据的异常检测；每家银行机构基于本地的数据样本集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，将参数更新信息和风险权重信息上传至中央参数服务器进行安全聚合，包括：1：计算本轮训练的参数更新信息公式如下： 其中，wt-1代表上一轮次联合模型参数，代表本次训练过程中第c家银行机构第t轮训练中进行本地机器学习模型训练迭代生成的新的模型参数，各客户端本地完成多次迭代，代表完成第t轮联合训练所有梯度更新之后的参数；针对每次梯度下降训练过程，本地机器学习模型参数根据数据样本集上测试的损失按照学习速率η进行梯度更新，具体计算公式如下： 代表第c家银行机构第t-1轮训练中进行本地机器学习模型训练迭代生成的新的模型参数，代表第c家银行本地的数据样本集第t轮训练时模型的平均损失对当前参数的梯度，损失值由每个数据样本的损失在该银行的数据样本集所有样本上求均值而得，具体计算公式如下： 其中，Lcxc,yc；wt代表第c家银行本地的数据样本集第t轮训练时模型的平均损失，lxi,yi；wt代表第t轮训练时联合模型在第i个样本上面的损失值，Dc代表第c家银行的数据样本集的样本空间，nc代表参与联邦学习的第c家银行的数据样本集的样本数量；2计算模型准确率模型准确率代表某家银行该轮次训练所得本地机器学习模型预测正确数量所占样本总量的比例，具体计算公式如下： 代表模型正确预测出的欺诈样本数量，代表模型错误预测为欺诈样本的数量，代表模型正确预测出的良性样本数量，代表模型错误预测为良性样本的数量；3计算各客户端本地的数据样本集欺诈严重程度数值：各银行机构计算本地的数据样本集欺诈样本严重级别为Ss1，s2，……，sC，第c家银行的数据样本集的欺诈严重级别sc与数据样本集大小、数据样本集包含的欺诈样本比例和欺诈金额正相关；设共C家银行机构参与联邦训练，则在中央参数服务器聚合参数梯度信息时，第c家银行机构的本地机器学习模型的更新代入欺诈程度权重值的计算方法如下： 公式6中，分母代表所有参与联邦训练的银行的数据样本集的欺诈级别总和，rc为第c家银行的数据样本集的欺诈严重程度权值；4各客户端每轮次训练后中央参数服务器计算融合风险权重信息的各客户端的机器学习模型更新信息，即： 公式7中，代表第c家银行机构该轮次训练的风险权重，融合后面的本地机器学习模型参数更新信息生成最终要聚合的欺诈检测模型参数更新信息

全文数据：

权利要求：

百度查询： 北京交通大学 一种基于联邦学习的风险权重融合的异常检测方法