
-
生物通官微
陪你抓住生命科技
跳动的脉搏
FedAttn-Credit:一种结合自适应差分隐私的注意力增强联邦学习方法,用于农村普惠金融信贷评估
《Scientific Reports》:FedAttn-Credit: attention-augmented federated learning with adaptive differential privacy for rural inclusive finance credit assessment
【字体: 大 中 小 】 时间:2026年06月13日 来源:Scientific Reports 3.9
编辑推荐:
摘要由于数据生态系统分散、借款人特征多样以及严格的隐私限制,农村普惠金融在信贷评估方面面临持续挑战。本文提出FedAttn-Credit这一多方协作式信贷评估框架,它结合了横向联邦学习、注意力增强评分模型以及自适应差分隐私机制。该框架通过一个不会访问原始数据的中央聚合服务器,将商
由于数据生态系统分散、借款人特征多样以及严格的隐私限制,农村普惠金融在信贷评估方面面临持续挑战。本文提出FedAttn-Credit这一多方协作式信贷评估框架,它结合了横向联邦学习、注意力增强评分模型以及自适应差分隐私机制。该框架通过一个不会访问原始数据的中央聚合服务器,将商业银行、农村信用合作社、政府平台、农业电商服务商以及村级微型金融机构这五类农村数据持有者连接起来。多头自注意力模块可通过分组重要性控制,根据不同借款人的具体情况动态调整各类特征的权重。自适应差分隐私策略则会根据各参与方的数据量及训练轮次中的梯度变化来调整噪声强度,从而在不对模型性能造成过度影响的情况下为样本量较小的参与方提供更强的隐私保护。在公共微型金融数据集及模拟的农村信贷数据集上的实验结果显示,FedAttn-Credit的AUC值为0.8734,与集中式方法的最高值之间的差距仅为1.8个百分点,且其性能优于所有其他联邦学习方法。在保持相同准确率的前提下,与固定预算的方案相比,自适应隐私机制可降低约47%的累积隐私成本,这一数值是在“隐私保护效果与模型性能权衡分析”部分中,根据该部分所给出的隐私效率比计算得出的(这两个指标从相反角度反映了相同的比较关系)。消融实验和稳健性分析表明,在常规条件及对抗性条件下,注意力模块、自适应噪声调度以及基于Shapley值的贡献度评估机制都能带来协同优势。