基于隐私计算的电子保函价值预测方法及装置与流程

技术特征：
1.一种基于隐私计算的电子保函价值预测方法，其特征在于，包括以下步骤：s101:构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；s102:各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；s103:公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重。2.根据权利要求1所述的基于隐私计算的电子保函价值预测方法，其特征在于，在步骤s103之后，所述方法还包括：s104:将映射的单一向量输入至各参与方的本地机器学习模型，进行最终保函价值预测。3.根据权利要求2所述的基于隐私计算的电子保函价值预测方法，其特征在于，步骤s104具体包括：将预测值与历史保函实际价值对比，使用两者最小均方误差作为损失，将损失值按当前时刻相同权重分配给各本地机器学习模型，使用梯度下降法更新各参与方的本地机器学习模型参数。4.根据权利要求3所述的基于隐私计算的电子保函价值预测方法，其特征在于，在整个过程中，联邦学习方法使用同态加密算法，将各参与方的贡献值向量与权重加密。5.根据权利要求1所述的基于隐私计算的电子保函价值预测方法，其特征在于，联邦学习方法为各参与方可借助其他方数据进行联合建模，各方无需共享数据资源，在数据不出本地的情况下，进行数据联合训练，建立共享的机器学习模型中。6.根据权利要求1所述的基于隐私计算的电子保函价值预测方法，其特征在于，机器学习模型为结合前馈神经网络、xgboost的面向回归分析的集成式机器学习模型，机器学习模型目标为输出某个具体值。7.根据权利要求1所述的基于隐私计算的电子保函价值预测方法，其特征在于，机器学习模型基于建设工程项目特征预测电子保函价值。8.根据权利要求7所述的基于隐私计算的电子保函价值预测方法，其特征在于，建设工程项目特征包括项目类型、体量、预计工期、项目关键参与方历史项目管理表现。9.一种基于隐私计算的电子保函价值预测装置，其特征在于，包括：模型构建单元，用于构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；训练单元，用于各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；权重计算单元，用于公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重。10.根据权利要求9所述的基于隐私计算的电子保函价值预测装置，其特征在于，所述装置还包括：价值预测单元，用于将映射的单一向量输入至各参与方的本地机器学习模型，进行最终保函价值预测。

技术总结
本发明涉及一种基于隐私计算的电子保函价值预测方法及装置。该方法及装置首先构建机器学习模型，使用联邦学习方法在机器学习模型中设计符合保函价值预测的特征变量模板；再各参与方基于本地机器学习模型的特征变量模板收集数据，并输入至各自的本地机器学习模型进行训练，输出各参与方对于保函价值贡献度的数值向量；最后公共机器学习模型对于各参与方生成的贡献值向量，建立一个自注意力模型，将所有贡献值映射为单一向量，并动态计算各参与方的权重，预测电子保函价值，对于担保公司来说可作为高价值参考，提高保险人员工作效率。提高保险人员工作效率。提高保险人员工作效率。


技术研发人员：郭媛君 杨之乐 吴承科 冯伟 王尧
受保护的技术使用者：深圳先进技术研究院
技术研发日：2022.09.27
技术公布日：2022/12/1