集成特征注意力与时序建模用于协作金融风险评估
机器学习
2025-08-22 v2 密码学与安全
摘要
本文解决了跨机构金融风险分析中的数据隐私与协作建模挑战。它提出了一种基于联邦学习的风险评估框架。通过不共享原始数据，该方法实现了跨多个机构的联合建模和风险识别。这一目标通过引入特征注意力机制和时序建模结构来实现。具体而言，该模型采用分布式优化策略。每个金融机构训练本地子模型。该模型参数使用差分隐私和噪声注入进行保护后上传。中央服务器然后聚合这些参数以生成全局模型。该全局模型用于系统性风险识别。为验证所提方法的有效性，进行了多项实验。这些实验评估了通信效率、模型准确率、系统性风险检测以及跨市场泛化能力。结果表明，所提模型在所有评估指标上均优于传统集中方法和现有联邦学习变体，表现出强大的建模能力和实际价值。该方法提高了风险识别的范围和效率，同时保持数据主权。它为智能金融风险分析提供了一个安全且高效的解决方案。
引用
@article{arxiv.2508.09399,
title = {Integrating Feature Attention and Temporal Modeling for Collaborative Financial Risk Assessment},
author = {Yue Yao and Zhen Xu and Youzhu Liu and Kunyuan Ma and Yuxiu Lin and Mohan Jiang},
journal= {arXiv preprint arXiv:2508.09399},
year = {2025}
}