一种联邦审计证据学习的数字银行风险复核方法及系统与流程

本发明涉及人工智能，涉及一种联邦审计证据学习的数字银行风险复核方法及系统，适用于银行、分支机构、开放银行平台及审计机构之间原始数据不能直接共享但需要协同生成审计证据的场景。

背景技术：

1、随着数字银行业务规模扩大，交易记录、账户属性、授信变量、还款行为、渠道行为和机构风险指标快速增长。传统风险复核系统通常输出异常分数或风险等级，审计人员仍需人工判断异常来源、证据是否充分以及是否值得优先复核。

2、联邦学习通过数据不出本地、仅交换模型或统计信息的方式缓解隐私问题，但现有联邦异常检测方法主要关注模型参数或预测性能优化，难以直接给出结构化审计原因、跨机构一致性支持和报告置信度。现有可解释方法通常在模型输出之后生成解释，解释结果不参与跨机构知识融合，容易形成检测与解释相互分离的问题。

技术实现思路

1、本发明提供一种联邦审计证据学习的数字银行风险复核方法及系统，在满足隐私保护要求的前提下，将本地异常偏离、审计因子依赖结构、跨机构原因一致性、机构漂移和报告置信度统一到同一证据生成机制中，以支持审计人员进行可复核的风险决策。

2、为实现本发明的目的，本发明提出以下技术方案：

3、本发明技术方案提供一种联邦审计证据学习的数字银行风险复核方法，包括以下步骤：

4、步骤1：服务器初始化全局异常检测模型参数和全局证据一致性权重，并将所述全局异常检测模型参数和全局证据一致性权重下发至多个客户端；

5、步骤2：各客户端基于本地数字银行审计或交易数据训练本地异常学习器，并生成待复核审计记录的异常分数和异常概率；

6、步骤3：各客户端基于预存的本地低风险样本估计审计基线，并计算待复核审计记录相对于所述审计基线的审计因子偏离证据；

7、步骤4：各客户端基于本地审计因子之间的统计依赖关系构建本地审计依赖结构，并确定各审计因子的结构支持向量；

8、步骤5：各客户端将所述审计因子偏离证据、结构支持向量以及服务器下发的全局证据一致性权重进行逐因子组合，形成本地审计证据场，并据此确定待复核审计记录的审计原因；

9、步骤6：各客户端向服务器上传压缩证据摘要和本地异常学习器的参数更新，所述压缩证据摘要包括原因出现频率、平均偏离证据、依赖结构支持和本地样本规模，且不包括原始审计记录、原始特征表、全局样本原型或客户端个性化阈值；

10、步骤7：服务器根据多个客户端上传的压缩证据摘要计算跨机构原因支持、偏离稳定性和依赖结构支持，更新全局证据一致性权重，并将更新后的全局证据一致性权重下发至客户端；

11、步骤8：客户端根据本地审计证据场、审计原因集合、平均偏离证据向量、平均依赖结构支持向量以及服务器下发的全局证据一致性权重，综合计算待复核审计记录的报告置信度，并输出结构化审计证据记录。

12、本发明的有益效果在于：

13、1.通过本地审计证据场和联邦证据一致性权重，将异常检测从分数输出扩展为结构化审计证据输出。

14、2.通过压缩证据摘要实现跨机构证据融合，避免上传原始审计记录、原始特征表、全局样本原型和客户端个性化阈值。

15、3.通过将局部偏离、依赖结构支持和跨机构一致性共同作为原因证据形成条件，提高审计原因的稳定性和可复核性。

16、4.通过漂移感知报告置信度抑制机构分布偏移造成的过度自信，提高数字银行风险复核的可靠性。

1.一种联邦审计证据学习的数字银行风险复核方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤1中：

3.根据权利要求2所述的方法，其特征在于，步骤2中：

4.根据权利要求3所述的方法，其特征在于，步骤3中：

5.根据权利要求4所述的方法，其特征在于，步骤4中：

6.根据权利要求5所述的方法，其特征在于，步骤5中：

7.根据权利要求6所述的方法，其特征在于，步骤6中：

8.根据权利要求7所述的方法，其特征在于，步骤7中：

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

10.一种实现权利要求1至9任一项所述方法的数字银行风险复核系统，其特征在于，所述系统包括中央服务器和多个客户端；