(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211251314.X (22)申请日 2022.10.13 (71)申请人 上海阵方科技有限公司 地址 200232 上海市徐汇区丰 谷路315弄24 号1-3层 (72)发明人 何金广　李升林　 (74)专利代理 机构 南昌金轩知识产权代理有限 公司 36129 专利代理师 文珊 (51)Int.Cl. G06F 21/62(2013.01) G06N 20/20(2019.01) G06Q 10/04(2012.01) (54)发明名称 一种应用于金融场景的隐私XGBo ost方法 (57)摘要 本发明涉及隐私计算技术领域， 具体公开了 一种应用于金融场景的隐私XGBoost方法步骤 S1， 特征工程处理： 步骤S2， 模型训练， 依据特征 工程处理的数据进行模型训练； 步骤S3， 模型预 测， 利用上述步骤得到的模型对测试集进行预 测， 在各参与方分别得到 预测结果； 步骤S4， 计算 SHAP， 利用XGBoost的模型结构计算SHAP计算 SHAP； 步骤S5， 模型解释， 过秘密分享的SHAP值可 对参与方的每个特征进行详细解释 。 本发明底层 基于密码学的安全多 方计算框架， 不需要可信第 三方参与， 安全性在数学上可证； 本发明在保护 数据隐私的情况下对模型做出较全面的解释， 对 于金融场景有较好的适用性； 本发明利用隐私 XGBoost模型的树结构来计算SHAP， 计算性能较 高。 权利要求书3页 说明书14页 附图1页 CN 115544569 A 2022.12.30 CN 115544569 A 1.一种应用于金融场景的隐私XGBo ost方法， 其特 征在于， 包括如下步骤： 步骤S1， 特 征工程处 理： 步骤S2， 模型训练， 依据特 征工程处 理的数据进行模型训练； 步骤S3， 模型预测， 利用上述步骤得到的模型对测试集进行预测， 在各参与 方分别得到 预测结果； 步骤S4， 计算SHAP， 利用XGBo ost的模型 结构计算SHAP计算SHAP； 步骤S5， 模型解释， 过秘密分享的SHAP值可对参与方的每 个特征进行详细解释。 2.根据权利要求1所述的一种应用于金融场景的隐私XGBoost方法， 其特征在于， 在本 方法中参与方设置有多个， 在方案中对特征不做具体区分， 且每个参与方拥有的特征均为 数值型， 本方法中用X表示特 征(N×m矩阵)， xj表示第j个特 征， y表示标签即N维向量。 3.根据权利要求2所述的一种应用于金融场景的隐私XGBoost方法， 其特征在于， 所述 步骤S1特 征工程处 理包括如下步骤： S1.1特征分箱， 将特 征数据进行通过分箱算法进行分箱处 理； S1.2进行WOE编码， 标签y的拥有方在本地对特征进行WOE编码计算， 其他参与方通过秘 密分享的标签y对其特 征进行WOE编码； S1.3特征选择， 设置IV值的取值范围[L， U]， 通过秘密分享选择IV值大于等于L且小于 等于U的特 征， 选择合 适的IV值。 4.根据权利要求3所述的一种应用于金融场景的隐私XGBoost方法， 其特征在于， 所述 步骤S1.3特征选择， 设置IV值的取值范围[L， U]， 通过秘密分享选择IV值大于等于L且小于 等于U的特 征， 选择合 适的IV值理的计算详细步骤如下： 输入：‑X， 特征矩阵 ‑[[y]]， 秘密分享的标签向量 ‑U， IV值上限 ‑L， IV值下限 输出： 秘密分享经 过分箱和IV值筛 选的特征矩阵[[X′]] 1： X′＝{} 2： forj←1tom do 3： Xj′： ＝Bucket(Xj) 4： forb←1tolen(Bin(Xj))do 5： 6： 7： 8： end 8： ifIV(j)≥LandIV(j)≤U 9： Add[[Xj′]]to[[X′]] 8： end 9： return[ [X′]]权　利　要　求　书 1/3 页 2 CN 115544569 A 2其中， X为 N×m矩阵， y为 N维向量， U为常数； L 为常数。 5.根据权利要求1所述的一种应用于金融场景的隐私XGBoost方法， 其特征在于， 所述 步骤S2模型训练详细步骤如下： S2.1初始化 将经过特征工程的数据通过秘密分享方式划分为训练集和 测试集； 定义损失函数， 并配置正则化 参数； 配置树深度； 将集成树初始化 为空值； S2.2通过秘密分享进行 数据交互， 包括特 征矩阵、 特 征分箱、 标签向量； S2.3将模型 结构保存在各参与方。 6.根据权利要求5所述的一种应用于金融场景的隐私XGBoost方法， 其特征在于， 所述 步骤S2模型训练的计算 步骤如下： 输入：‑[[X]]， 秘密分享的训练集特 征矩阵， X为R ×k矩阵 ‑[[y]]， 秘密分享的训练集标签向量， y为R 维向量 ‑loss， 损失函数 ‑λ， 正则化 参数 ‑T， 集成树大小 ‑D， 树深度D 输出： 集成树ensemble＝{Tre e(1)， Tree(2)，…， Tree(T)}， 每棵树包括以下 数据： 秘密分享的每 个非叶子节点 n的阈值选择器 秘密分享的每 个非叶子节点 n的特征选择器 秘密分享的每 个叶子节点 l的权重 ‑[[Tree(t)(X)]]， 秘密分享的训练集的预测向量 1： 2： ensemble＝{} 3： fort←1toRdo 4： 5： 6： [[Tree(t)]]： ＝grow_tree(g(t‑1)， h(t‑1)) 7： Add[[Tree(t)]]to[[ensemble] ] 8： endfor 9： return[ [ensemble] ]。 7.根据权利要求6所述的一种应用于金融场景的隐私XGBoost方法， 其特征在于， 所述 步骤S3模型 预测详细步骤如下： 输入：‑[[X]]， 秘密分享的特 征矩阵， X为 N×m矩阵权　利　要　求　书 2/3 页 3 CN 115544569 A 3