买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西南财经大学申请的专利基于个性化联邦持续学习的信用风险预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120163645B 。

龙图腾网通过国家知识产权局官网在2025-08-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510639057.4，技术领域涉及：G06Q40/03；该发明授权基于个性化联邦持续学习的信用风险预测方法是由杨新;吴美君;李婷婷;李志勇;任灵飞;李艳花;曹雪梅;寇纲设计研发完成，并于2025-05-19向国家知识产权局提交的专利申请。

本基于个性化联邦持续学习的信用风险预测方法在说明书摘要公布了：本发明公开了基于个性化联邦持续学习的信用风险预测方法，属于风险预测技术领域，包括以下步骤：个性化联邦学习，此时服务器通过匹配算法对各客户端的每一层参数进行逐层分析，得到每个本地模型参数在全局模型中的贡献度，进而优化全局模型的全局参数并发回至客户端；基于当前阶段的训练数据集对本地模型进行增量更新，执行信用风险预测任务，输出预测结果。本发明构建联邦持续学习框架，在联邦学习架构下利用本地数据对本地模型进行训练，使本地模型具有个性化适应性。通过持续学习机制，模型能够实时适应新的数据分布和业务需求，能够有效捕捉最新的信用风险变化，减少了模型过时的风险，提高了模型的实用性和鲁棒性。

本发明授权基于个性化联邦持续学习的信用风险预测方法在权利要求书中公布了：1.一种基于个性化联邦持续学习的信用风险预测方法，其特征在于，所述方法包括以下步骤： 各客户端分别上传各自本地模型的所有层参数至服务器；所述本地模型为基于本地借贷样本数据训练得到的信用风险预测模型；所述本地借贷样本数据包括贷款相关信息、借贷人基本信息、信用评估相关数据，信用评估相关数据包括贷款等级、信用评分和最早信用记录时间、还款与历史记录，还款与历史记录包括贷款发放日期、最后一次还款日期和已支付总金额； 服务器接收各客户端上传的本地模型的所有层参数，并通过匹配算法对各本地模型的所有层参数进行逐层分析，得到每个本地模型的各层参数在全局模型的对应层全局参数中的贡献度，进而基于贡献度优化全局模型的各层全局参数，并将优化后的全局参数发送至各客户端； 客户端接收优化后的全局参数，并将优化后的全局参数应用至本地模型的对应层； 基于当前阶段的训练数据集对本地模型进行增量更新； 利用增量更新完成的本地模型执行信用风险预测任务，输出预测结果； 将优化后的全局参数应用至本地模型的对应层，包括： 评估本地模型参数的重要性，冻结本地模型中重要性排名前P%的参数，并使用优化后的全局参数替换本地信用风险预测模型中排名靠后的1-P%参数，P为参数重要性比例阈值； 客户端接收到全局权重后进行个性化处理，包括： （1）计算每个参数的重要性权重： ； 是损失函数；表示参数标签；是训练总步数，是训练步数标签；是第个客户端在本地模型第层的第个参数；表示当参数发生微小变化时，损失函数的变化率； （2）将所有参数的重要性权重组织成矩阵： ； 是参数的总数； （3）根据重要性权重冻结排名前P%的参数，并对剩余的1-P%参数施加正则化约束，客户端更新后的第层权重表示为： ； ； 表示个性化处理；表示全局模型第层的第个参数；表示学习率；表示正则化损失函数； 将优化后的全局参数发送至各客户端之后或将优化后的全局参数应用至本地模型的对应层之后，还包括： 根据本地借贷样本数据的类别分布对全局模型的最终全局参数进行加权平均处理，以更新全局模型参数；本地借贷样本数据的类别分布是违约客户的比例； 在每一轮通信中，服务器根据本地借贷样本数据的类别分布对全局模型的最终全局参数进行加权平均处理，计算表达式为： ； 其中，表示训练处理；表示客户端的本地数据集； 在每一轮通信结束后，客户端根据本地数据的类别分布对全局模型进行加权平均；设每个客户端的权重占比为，通过加权平均处理的全局模型的最终全局参数为： ； 其中，可以根据客户端数据量或其他因素进行调整。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南财经大学，其通讯地址为：611130 四川省成都市青羊区光华村街55号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。