CN112818406B - 一种评分卡模型的预测方法及装置 - Google Patents
一种评分卡模型的预测方法及装置 Download PDFInfo
- Publication number
- CN112818406B CN112818406B CN202110408430.7A CN202110408430A CN112818406B CN 112818406 B CN112818406 B CN 112818406B CN 202110408430 A CN202110408430 A CN 202110408430A CN 112818406 B CN112818406 B CN 112818406B
- Authority
- CN
- China
- Prior art keywords
- score
- card model
- value
- scoring
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种评分卡模型的预测方法及装置,该方法包括:获取评分卡模型;其中,评分卡模型中包括对待评分对象进行预测的初始预测算法;基于预设的转换算法,将初始预测算法转换为目标预测算法;其中,转换算法的中间计算结果以秘密的方式存储于不同的参与方;根据使用目标预测算法的评分卡模型,预测待评分对象的评分值,且评分值被模型提供方获得。本公开能够在多方评分卡模型预测场景中,较好地实现数据隐私保护。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种评分卡模型的预测方法及装置。
背景技术
在多方评分卡模型的场景(以三方参与为例)中,其中两个参与方各持有一部分特征数据,称作数据持有方,第三个参与方持有评分卡模型,称作模型持有方。在评分预测过程中,最终的评分由模型持有方得出,但计算评分所使用的特征数据是来自于数据持有方的。在数据隐私保护场景中,需要满足如下要求:数据持有方的特征数据不能直接或间接的泄露给其他参与方,模型持有方的分数模型也不能泄露给其他参与方;同时,最终得分汇集在模型持有方。
为了满足上述要求,目前主要有从隐私保护应用解决方案的角度出发的微众银行的FATE方案,以及从底层安全计算技术的角度出发的秘密共享方案。然而,微众银行的FATE方案面向的是一个相对简单的预测场景,并不符合隐私保护多方评分卡模型预测的需求。秘密共享方案,提供的是将数据拆分为“秘密”并按照协议进行安全计算的解决思路,目前尚不能将带有逻辑信息的评分卡模型映射成为“秘密”,并使得多方信息得到隐私保护。
因此,目前需要一种能够实现隐私保护的多方评分卡模型预测方法。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种评分卡模型的预测方法及装置。
本公开提供了一种评分卡模型的预测方法,包括:
获取评分卡模型;其中,所述评分卡模型中包括对待评分对象进行预测的初始预测算法;基于预设的转换算法,将所述初始预测算法转换为目标预测算法;其中,所述转换算法的中间计算结果以秘密的方式存储于不同的参与方;根据使用所述目标预测算法的评分卡模型,预测所述待评分对象的评分值,且所述评分值被模型提供方获得。
可选的,所述目标预测算法为:
其中,score表示所述待评分对象的评分值,i表示所述评分卡模型包括的评分项,所述Xi表示评分项i的特征数据,upper_boundj表示特征值区间Pj的最大值,lower_boundj表示特征值区间Pj的最小值,Qj表示特征值区间Pj对应的得分值,Q0表示基准分。
可选的,所述评分项包括:基准分、年龄分、性别分和教育分。
可选的,所述转换算法采用线性整流函数的求导函数。
本公开还提供了一种评分卡模型的预测装置,包括:
模型获取模块,用于获取评分卡模型;其中,所述评分卡模型中包括对待评分对象进行预测的初始预测算法;转换模块,用于基于预设的转换算法,将所述初始预测算法转换为目标预测算法;其中,所述转换算法的中间计算结果以秘密的方式存储于不同的参与方;预测模块,用于根据使用所述目标预测算法的评分卡模型,预测所述待评分对象的评分值,且所述评分值被模型提供方获得。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的评分卡模型的预测方法及装置,首先获取评分卡模型;其中,评分卡模型中包括对待评分对象进行预测的初始预测算法;然后基于预设的转换算法,将初始预测算法转换为目标预测算法;该转换算法的中间计算结果以秘密的方式存储于不同的参与方;最后根据使用目标预测算法的评分卡模型,预测待评分对象的评分值。
在本实施例中,将评分卡模型中带有逻辑信息的初始预测算法,通过转换算法进行转换,实现了将不可秘密分享的计算流程转换为可以秘密分享的计算流程;基于秘密共享方案,即将评分卡模型及数据持有方的特征数据,以秘密共享的形式发送到多个参与方,模型持有方根据使用目标预测算法的评分卡模型,预测待评分对象最终的评分值。因此,本公开实施例能够在多方评分卡模型预测场景中,较好地实现数据隐私保护。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种基于三方秘密共享的向量内积计算方式示意图;
图2为本公开实施例提供的一种评分卡模型的预测方法流程图;
图3为本公开实施例提供的一种评分卡模型的预测装置的结构框图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
在数据隐私保护场景中,多方评分卡模型预测方法需要满足如下要求:数据持有方的特征数据不能直接或间接的泄露给其他参与方,模型持有方的分数模型也不能泄露给其他参与方;同时,最终得分汇集在模型持有方。为了满足上述要求,目前主要有如下两种方案:
一种是:从隐私保护应用解决方案的角度出发的微众银行的FATE方案。该方案是将评分卡模型的获得与预测统一执行,即数据持有方在训练过程中得到了评分卡模型,在预测过程中直接使用评分卡模型和本地特征数据。它隐含着,特征数据持有方拥有评分卡模型,代表了一个在隐私保护方面相对简单的预测场景。
另一种是:从底层安全计算技术的角度出发的秘密共享方案(诸如secureNN)。该方案通过把本地原始数据“拆解”到多方,使得在不共谋的情况下任意一方无法获得原始数据,基于三方秘密共享的向量内积计算如图1所示。在秘密分享过程中,类似加减法过程,P0和P1两个参与方分别获得(X0, Y0)和(X1, Y1)。然后,P2生成A、B、C三个随机数向量,其中C=A·B,并采用秘密分享的方式发送给P0和P1,使得最终P0获得(X0, Y0, A0, B0, C0),P1获得(X1, Y1, A1, B1, C1);在安全计算过程中,P0和P1分别计算E0=X0-A0,F0=Y0-B0和E1=X1-A1,F1=Y1-B1;然后通过通信,双方均得到E=E0+E1,F=F0+F1;最后P0计算XY0= -E·F +E·Y + X·F + C0, P1计算XY1 = X·F + E·Y + C1。此时P0和P1即得到了X·Y的秘密分享结果。P0和P1通过通信,均可以获得X·Y = XY0 + XY1。需要指出的是P2作为新引入的第三方,在向量内积场景中只是起始阶段帮助生成随机数,并不参与中间计算过程;但在其他计算场景中,也可能参与中间计算过程。
上述隐私保护多方评分卡模型预测的核心,是分数模型与特征取值在分离和隐私保护的前提下进行数据交互。然而,微众银行FATE方案的提供的解决方案,是分数模型和特征取值在同一方情况下的数据交互;而分数模型与特征取值在同一方的情况下,数据交互可以直接进行并输出结果,隐私保护并不需要额外的设计。FATE方案面向的是一个相对简单的预测场景,并不符合上述隐私保护多方评分卡模型预测的需求。秘密共享方案提供的是将数据拆分为“秘密”并按照协议进行安全计算的解决思路,但是如何将带有逻辑信息(即上述阶梯函数)的评分卡模型映射成为“秘密”,并使得多方信息得到隐私保护,尚且需要进一步的设计。
基于此,本公开实施例针对评分卡模型与特征数据分离存储的场景,提供一种评分卡模型的预测方法及装置,以在秘密共享的方式下实现对待评分对象的评分预测;其中,秘密共享的特征,是各参与方在不共谋的情况下,任意一方无法获得敏感数据。为便于理解,以下对本公开实施例进行详细介绍。
实施例一:
参照图2所示的评分卡模型的预测方法流程图,该方法包括如下步骤:
步骤S202,获取评分卡模型;其中,评分卡模型中包括对待评分对象进行预测的初始预测算法。
在本实施例中,评分卡模型是多个参与方参与的评分卡模型,其中的一个参与方为评分卡模型的模型提供方,通过评分卡模型对待评分对象进行预测过程中所使用的数据是由除模型提供方之外的其他至少两个参与方(也即数据持有方)提供。以三方(a、b、c三方)参与的评分卡模型为例,如表1所示,在三方参与的评分卡模型的场景中,待评分对象最终的评分由模型持有方得出并被获得。
评分卡模型可以包括如下评分项:基准分、年龄分(AGE)、性别分(SEX)和教育分(EDUCATION)。其中,上述基准分是固定值,该固定值诸如123分;上述年龄分、性别分和教育分是阶梯函数,阶梯函数是一个与特征值区间比较大小,并挑选得分值的过程;阶梯函数本身由模型持有方提供,阶梯函数的输入来自于两个数据持有方中的其中一个。初始预测算法包括上述固定值以及评分项的特征数据、特征值区间以及各特征值区间对应的得分值,用于对待评分对象的评分结果进行预测。此外,特征数据、特征值区间和得分值可统称为特征值。
表1
步骤S204,基于预设的转换算法,将初始预测算法转换为目标预测算法;其中,转换算法的中间计算结果以秘密的方式存储于不同的参与方。
在诸如secureNN等秘密共享技术中,初始预测算法中与特征值区间进行比较的过程可以通过相应的秘密共享实现,但是挑选得分值的过程无法通过秘密共享实现。其原因在于,在实际应用中,评分卡模型挑选得分值的过程是通过if-then语义实现的,也即将特征数据与特征值区间进行比较,并根据比较结果去执行候选得分值挑选的逻辑运算过程;直接应用secureNN的操作符难以表达上述if-then语义实现的逻辑运算过程。基于此,为了满足底层协议的秘密算法,需要if-then语义的初始预测算法转换成纯计算语义的目标预测算法,避免根据计算结果分叉进行逻辑运算。
在一种实施例中,上述转换算法可以为线性整流函数的求导函数(DReLU函数)。DReLU函数基于MSB(Most Significant Bit,最高有效位)函数实现的,具体可参照如下公式(1):
其中,Xi表示评分项i的特征数据,Pj表示特征值区间j的指定极值。该转换算法表示,当数据Xi大于等于数据Pj时,确定状态取值为1,反之则状态取值为0。
通过DReLU函数能够将比较过程和挑选过程合二为一,以评分项i为性别为例,相应的,特征数据可以为Xi=2,特征值区间j的指定极值可以为Y=1.5;对此可以理解为,当性别满足给定条件Xi-Y=2-1.5≥0时,可以返回得分值1;当不满足给定条件,也即当Xi-Pj<0时,返回0。
根据上述转换算法,转换后的目标预测算法可以表示为如下公式(2):
其中,score表示待评分对象的评分值,i表示评分卡模型包括的评分项(比如表1中的基准分、年龄分、性别分和教育分),Xi表示评分项i的特征数据,upper_boundj表示特征值区间Pj的最大值,lower_boundj表示特征值区间Pj的最小值,Qj表示特征值区间Pj对应的得分值,Q0表示基准分。针对公式(2)中的upper_boundj和lower_boundj,需要说明的是,当特征值区间Pj仅有最小值、没有最大值(如AGE >=58)时,Xi-upper_boundj表示取值为空,并与后面“-1”项消掉合并;同样的,当特征值区间Pj仅有最大值、没有最小值(如SEX <1.5)时,Xi-lower_boundj表示取值为空,并与后面“-1”项消掉合并。
以表1为例,上述公式(2)可具体表示为:
依然以上述性别的特征数据Xi=2为例,公式(3)倒数第二行关于性别项的得分计算过程为:;且该性别项的计算得分(即性别分)为计算中间结果。此外可以理解的是,其他未示例的年龄分(对应公式(3)的第二至五行)、教育分(对应公式(3)的最后一行)以及基准分,均属于中间计算结果;中间计算结果以秘密的方式存储于不同的参与方。
步骤S206,根据使用目标预测算法的评分卡模型,预测待评分对象的评分值。
在本实施例中,目标预测算法中包含的DReLU函数,以及减法函数、乘法函数,均满足秘密共享的性质。在使用目标预测算法的评分卡模型进行预测的过程中,既不暴露特征数据的取值,也不暴露特征值区间和评分值。同时,对于任意评分项的得分值仍然以秘密的形式存储在数据持有方(模型持有方并不知晓),并进行后续评分项得分的累加;最后,模型持有方重建待评分对象完整的评分值,也就是说,在上述公式(3)中,预测得到的待评分对象的评分值为score,该评分值作为转换算法的最终计算结果,存储于所述评分卡模型的模型提供方。
在一种具体实施例中,假设数据持有方分别为a和b,模型持有方为c;需要说明的是,为方便展示,模型持有方的目标预测算法中的诸如特征值区间、特征数据等特征值,在公式(3)中以明文的形式展现。实际执行时,公式(3)内的所有常量,均提前以秘密共享的方式发送给数据持有方a和b,它们各自持有一部分“秘密”,并在秘密的基础上进行乘法、加法、减法和DReLU操作。在实际应用中,DReLU函数是a方、b方同时调用,输入的是a方、b方各自的一部分以秘密的方式存储的特征值,得到的是最终评分值的一部分秘密。
此外需要说明的是,基于secureNN的三方实现版本,其中三个计算参与方即为三个数据持有方,三个计算参与方也可以和三个数据持有方分离。例如三个计算参与方选择三台满足半诚实假设的云服务器,a方、b方将特征数据秘密分享到其中的两台云服务器,c方将特征值区间和得分值也分享到这两台云服务器上;三台云服务器协同进行秘密共享计算,并在第三台机器上得到最终的评分值score返回c方。只要满足半诚实假设的三台服务器均可以完成上述公式(3)的逻辑算式。
本公开实施例通过DReLU函数,将带有阶梯函数的评分卡模型中的比较过程和挑选过程,转换为减法过程和乘法过程,该转换过程实现了评分卡模型的秘密分共享;使用可秘密分享的DReLU函数改造评分卡模型,使得带有逻辑信息的评分卡模型可以以秘密分享的方式进行隐私计算;在此情况下,评分卡模型中的逻辑计算部分(即阶梯函数部分)也可以进行如特征值部分一样的秘密分享和隐私计算,满足评分卡分数模型与特征取值分离存储场景的要求。需要指出的是,DReLU函数的结果以秘密的方式存储于两方,而不是像比较函数那样将结果存在某一方,这是本实施例中评分卡模型实现秘密分享的基础。
综上,本公开实施例提供的评分卡模型的预测方法,首先获取多方参与的评分卡模型;其中,评分卡模型中包括对待评分对象进行预测的初始预测算法;然后基于预设的转换算法,将初始预测算法转换为目标预测算法;该转换算法的中间计算结果以秘密的方式存储于不同的参与方;最后根据使用目标预测算法的评分卡模型,预测待评分对象的评分值。在本实施例中,将评分卡模型中带有逻辑信息的初始预测算法,通过转换算法进行转换,实现了将不可秘密分享的计算流程转换为可以秘密分享的计算流程,具体是。基于秘密共享方案,即将评分卡模型及数据持有方的特征数据,以秘密共享的形式发送到多个参与方,模型持有方根据使用目标预测算法的评分卡模型,预测待评分对象最终的评分值。因此,本公开实施例能够在多方评分卡模型预测场景中,较好地实现数据隐私保护。
实施例二:
参照图3所示的评分卡模型的预测装置结构框图,本公开实施例提供的评分卡模型的预测装置包括如下模块:
模型获取模块302,用于获取评分卡模型;其中,评分卡模型中包括对待评分对象进行预测的初始预测算法;
转换模块304,用于基于预设的转换算法,将初始预测算法转换为目标预测算法;其中,转换算法的中间计算结果以秘密的方式存储于不同的参与方;
预测模块306,用于根据使用目标预测算法的评分卡模型,预测待评分对象的评分值,且评分值被模型提供方获得。
本公开实施例所提供的评分卡模型的预测装置可执行本公开任意实施例所提供的评分卡模型的预测方法,具备执行方法相应的功能模块和有益效果。
本公开实施例还提供一种电子设备,该电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述实施例中的评分卡模型的预测方法。
进一步,本实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述评分卡模型的预测方法。
本公开实施例所提供的一种评分卡模型的预测方法及装置,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种评分卡模型的预测方法,其特征在于,包括:
获取评分卡模型;其中,所述评分卡模型中包括对待评分对象进行预测的初始预测算法;
基于预设的转换算法,将所述初始预测算法转换为目标预测算法;其中,所述转换算法的中间计算结果以秘密的方式存储于不同的参与方;
根据使用所述目标预测算法的评分卡模型,预测所述待评分对象的评分值,且所述评分值被模型提供方获得;
所述目标预测算法为:
其中,score表示所述待评分对象的评分值,i表示所述评分卡模型包括的评分项,所述Xi表示评分项i的特征数据,upper_boundj表示特征值区间Pj的最大值,lower_boundj表示特征值区间Pj的最小值,Qj表示特征值区间Pj对应的得分值,Q0表示基准分;
以及,所述特征值区间Pj和特征数据Xi以明文的形式展现,所述最大值upper_boundj、所述最小值lower_boundj以秘密共享的方式发送给不同的数据持有方,且所述数据持有方在秘密的基础上进行乘法、加法、减法和DReLU操作。
2.根据权利要求1所述的方法,其特征在于,所述评分卡模型包括如下评分项:基准分、年龄分、性别分和教育分。
3.根据权利要求1所述的方法,其特征在于,所述转换算法采用线性整流函数的求导函数。
4.一种评分卡模型的预测装置,其特征在于,包括:
模型获取模块,用于获取评分卡模型;其中,所述评分卡模型中包括对待评分对象进行预测的初始预测算法;
转换模块,用于基于预设的转换算法,将所述初始预测算法转换为目标预测算法;其中,所述转换算法的中间计算结果以秘密的方式存储于不同的参与方;
预测模块,用于根据使用所述目标预测算法的评分卡模型,预测所述待评分对象的评分值,且所述评分值被模型提供方获得;
所述目标预测算法为:
其中,score表示所述待评分对象的评分值,i表示所述评分卡模型包括的评分项,所述Xi表示评分项i的特征数据,upper_boundj表示特征值区间Pj的最大值,lower_boundj表示特征值区间Pj的最小值,Qj表示特征值区间Pj对应的得分值,Q0表示基准分;
以及,所述特征值区间Pj和特征数据Xi以明文的形式展现,所述最大值upper_boundj、所述最小值lower_boundj以秘密共享的方式发送给不同的数据持有方,且所述数据持有方在秘密的基础上进行乘法、加法、减法和DReLU操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110408430.7A CN112818406B (zh) | 2021-04-16 | 2021-04-16 | 一种评分卡模型的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110408430.7A CN112818406B (zh) | 2021-04-16 | 2021-04-16 | 一种评分卡模型的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818406A CN112818406A (zh) | 2021-05-18 |
CN112818406B true CN112818406B (zh) | 2021-09-14 |
Family
ID=75863601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110408430.7A Active CN112818406B (zh) | 2021-04-16 | 2021-04-16 | 一种评分卡模型的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818406B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7813981B2 (en) * | 2005-08-09 | 2010-10-12 | Fair Isaac Corporation | Apparatus and method for simulating an analytic value chain |
EP3958158B1 (en) * | 2017-03-22 | 2023-04-26 | Visa International Service Association | Privacy-preserving machine learning |
KR102667837B1 (ko) * | 2017-08-30 | 2024-05-21 | 인퍼, 인코포레이티드 | 고정밀 프라이버시 보호 실가 함수 평가 |
CN109816509A (zh) * | 2018-12-14 | 2019-05-28 | 平安科技(深圳)有限公司 | 评分卡模型的生成方法、终端设备及介质 |
CN110414786A (zh) * | 2019-06-21 | 2019-11-05 | 深圳壹账通智能科技有限公司 | 风控评分的测试方法、装置、设备及可读存储介质 |
CN112183730B (zh) * | 2020-10-14 | 2022-05-13 | 浙江大学 | 一种基于共享学习的神经网络模型的训练方法 |
CN112446791A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技(深圳)有限公司 | 基于联邦学习的车险评分方法、装置、设备及存储介质 |
-
2021
- 2021-04-16 CN CN202110408430.7A patent/CN112818406B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112818406A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898137A (zh) | 一种联邦学习的隐私数据处理方法、设备及*** | |
WO2016123808A1 (zh) | 数据处理***、计算节点和数据处理的方法 | |
CN105824974B (zh) | 数据分析处理的方法和*** | |
US20180114028A1 (en) | Secure multi-party information retrieval | |
WO2023174018A1 (zh) | 一种纵向联邦学习方法、装置、***、设备及存储介质 | |
CN111190727B (zh) | 内存的异步析构方法、装置、计算机设备及存储介质 | |
CN110555700A (zh) | 区块链智能合约执行方法、装置、计算机可读存储介质 | |
CN111177577B (zh) | 一种群组的项目推荐方法、智能终端以及存储装置 | |
CN116957112A (zh) | 联合模型的训练方法、装置、设备及存储介质 | |
CN111709415A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN116150425A (zh) | 推荐内容的选择方法、装置、设备、存储介质及程序产品 | |
CN112818406B (zh) | 一种评分卡模型的预测方法及装置 | |
CN116432040B (zh) | 基于联邦学习的模型训练方法、装置、介质以及电子设备 | |
Liao et al. | Efficient privacy-preserving outsourcing of large-scale convex separable programming for smart cities | |
Wang et al. | QPIN: a quantum-inspired preference interactive network for E-commerce recommendation | |
CN111400399A (zh) | 区块链***的账本同步方法、装置及硬件设备 | |
Kshetri et al. | Major computing technologies of the past 75 years | |
Weerapurage et al. | Parallel vertex cover: A case study in dynamic load balancing | |
CN114422582B (zh) | 一种面向科技资源的服务动态组合方法及装置 | |
CN115858322A (zh) | 日志数据处理方法、装置和计算机设备 | |
CN112287396B (zh) | 一种基于隐私保护的数据处理方法及装置 | |
CN114662148A (zh) | 一种保护隐私的多方联合训练方法及装置 | |
CA3178677A1 (en) | User search category predictor | |
CN112214683A (zh) | 基于异构信息网络的混合推荐模型处理方法、***和介质 | |
WO2019085665A1 (zh) | 一种数据统计方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |