基于联邦学习隐私保护的金融异常行为检测方法及系统

本申请提供了基于联邦学习隐私保护的金融异常行为检测方法及系统，涉及人工智能与数据安全技术领域，该方法包括：将候选样本与原数据合并后进行本地训练，输出本地模型的更新参数；对本地更新后的模型权重参数进行加密，并更新后进行安全聚合；对加密模型更新权重进行解密，重新加密全局模型并返回给本地节点，本地节点解密全局模型并与本地模型精度对比，参数更新后循环迭代，直至全局模型的性能指标趋于稳定。本申请解决了因金融数据分散且隐私要求高，导致跨机构异常行为检测样本不足、模型泛化能力弱，影响识别准确性与效率的问题。联邦学习与伪样本生成相结合，在保护数据隐私的前提下实现多机构协同建模，提升了模型训练质量和检测性能。