-
公开(公告)号：CN115238826A
公开(公告)日：2022-10-25
申请号：CN202211121861.6
申请日：2022-09-15
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种模型训练的方法、装置、存储介质及电子设备，首先获取样本业务数据以及隐私数据，将获取到的样本业务数据以及隐私数据输入到待训练的参照模型中，得到第一预测结果，以及，将样本业务数据输入到待训练的预测模型中，得到第二预测结果，以最小化第一预测结果与第二预测结果之间的偏差，以及最小化第一预测结果与样本业务数据对应的标签数据之间的偏差为优化目标，对参照模型以及预测模型进行联合训练，其中，训练后的预测模型应用于业务执行。
-
公开(公告)号：CN110879865B
公开(公告)日：2022-08-12
申请号：CN201911052966.9
申请日：2019-10-31
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9538 , G06N3/08 , G06F21/31
Abstract: 本说明书实施例公开了核身产品的推荐方法和装置。本说明的一个实施例公开的方法，包括：将用户的属性特征分别输入至迭代前和迭代后的第一推荐模型中，以确定多个核身产品对于用户的第一推荐值和第二推荐值，根据第一推荐值和第二推荐值确定最终推荐值，根据最终推荐值向用户推荐至少一种核身产品；第一推荐模型为强化学习模型。
-
公开(公告)号：CN114491448A
公开(公告)日：2022-05-13
申请号：CN202210078449.4
申请日：2022-01-24
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本公开的一方面涉及一种自动化对抗训练方法，包括获取原始训练数据集和经使用所述原始训练数据集训练的模型，所述原始训练数据集包括输入数据及其标签；对所述输入数据自动进行预定步数的扰动，包括对于所述预定步数中的每一步：在预定义的攻击超参数搜索空间中自动搜索对这一步的扰动最优的超参数值；基于所述最优的超参数值自动确定所述这一步的扰动；以及通过纳入所述这一步的扰动来更新所述输入数据；以及使用包括经所述预定步数的扰动之后的经更新输入数据及其标签的对抗训练数据集来进一步优化所述模型以对抗所述扰动。本公开还涉及其他相关方面。
-
公开(公告)号：CN114092949A
公开(公告)日：2022-02-25
申请号：CN202111396483.8
申请日：2021-11-23
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06V30/413 , G06V10/774 , G06K9/62
Abstract: 本说明书实施例提供一种类别预测模型的训练、界面元素类别的识别方法及装置，在训练方法中，获取样本图像，该样本图像包含若干界面元素。获取各界面元素中包含的各文本内容。将样本图像以及各文本内容，输入类别预测模型进行预测处理。该预测处理包括：利用特征提取器从样本图像中提取图像特征。利用第一编码器基于各文本内容中各词的词向量，确定各文本内容的特征向量。利用第二编码器基于图像特征和各文本内容的特征向量，确定各界面元素的综合特征表示。利用分类器基于各综合特征表示，确定各界面元素的第一类别预测结果。至少根据各第一类别预测结果和各类别标签，训练类别预测模型。
-
公开(公告)号：CN113850418A
公开(公告)日：2021-12-28
申请号：CN202111024302.9
申请日：2021-09-02
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供了时间序列中异常数据的检测方法和装置。根据实施例的方法，首先获取待检测时间段内的时间序列，然后确定与该时间序列具有相关性的关联时间序列。然后获取当前时间序列的历史数据，进一步根据该时间序列以及该时间序列的历史数据和关联时间序列得到时间序列的预测值。最后根据该时间序列的预测值和实际值对时间序列中的指标数据是否存在异常进行检测。如此充分考虑了与该当前时间序列相关联的关联时间序列和历史数据，能够提高当前时间序列的预测值的准确度，从而使异常数据的检测具有更高的检测精度。
-
Patent Agency Ranking
公开(公告)号：CN113516556A
公开(公告)日：2021-10-19
申请号：CN202110523902.3
申请日：2021-05-13
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 公开了一种用于基于多维时间序列数据进行预测的方法，包括：监测多维时间序列数据流以获取当前观察点，当前观察点包括多维特征数据；基于当前观察点，应用经训练的神经过程模型进行预测，神经过程模型是使用多个先前观察点训练的，每个先前观察点包括多维特征数据和相应的标签数据，其中神经过程模型包括编码器和解码器，编码器包括互关注模块，互关注模块基于当前观察点的多维特征数据与一个或多个先前观察点的多维特征数据之间的关联向多个先前观察点分配权重，以用于最终生成当前观察点的目标预测。本申请还涉及其它方法、系统、装置和计算机可读存储设备。本申请的方法能够更准确地基于多维时间序列数据执行预测。
-
公开(公告)号：CN113486839A
公开(公告)日：2021-10-08
申请号：CN202110822280.4
申请日：2021-07-20
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种加密模型训练方法及装置、图像加密方法及装置和加密人脸图像识别方法及装置，该加密模型训练方法包括：利用待训练的加密模型对原始人脸图像加密，得到加密人脸图像；将加密人脸图像输入待训练的第一人脸识别模型，得到第一人脸预测结果；利用第一人脸预测结果及原始人脸图像对应的人脸标注结果，确定第一预测损失；分别将原始人脸图像及加密人脸图像输入经训练的第二人脸识别模型，得到各自对应的第一输出结果及第二输出结果；基于第一输出结果及第二输出结果，确定第二预测损失；基于与第一预测损失和第二预测损失正相关，确定总预测损失；以最小化总预测损失为目标，训练加密模型以及第一人脸识别模型。
-
公开(公告)号：CN112948883A
公开(公告)日：2021-06-11
申请号：CN202110317328.6
申请日：2021-03-25
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种保护隐私数据的多方联合建模的方法、装置和系统，方法包括：第一方将用户集中任意的第一用户对应的第一隐私数据输入第一神经网络模型，获取第一神经网络模型的目标隐层输出的中间数据；第一神经网络模型利用伪标签通过自监督方式训练得到，伪标签基于用户集中各用户的第一隐私数据而构造；将中间数据和第一用户的用户标识发送给第二方，以使第二方根据用户标识，对中间数据和第一用户对应的第二隐私数据整合后，利用第一用户对应的类别标签，对第二神经网络模型进行训练。能够在多方联合建模时，既保护隐私数据，又能够有效提升模型表现。
-
公开(公告)号：CN119357252A
公开(公告)日：2025-01-24
申请号：CN202411381094.1
申请日：2024-09-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/2458 , G06F16/23 , G06F16/901 , G06F18/22 , G06F18/214 , G06F18/213 , G06F18/2431 , G06N3/0455 , G06N3/042 , G06N3/049 , G06N3/084 , G06Q10/0635 , G06F123/02
Abstract: 本说明书公开了一种时序图数据风控方法、装置、介质及设备，响应于用户的风控请求，确定当前时刻的时序图数据以及时序图数据中的待风控用户的目标节点，时序图数据的节点是基于用户数据确定的，边是基于用户之间关系确定的，且节点与边携带有数据更新的时间信息。从时序图数据中确定目标节点的子图。将携带时间信息的子图输入训练完成的风控模型，通过风控模型中的时间编码器，得到时间特征，通过风控模型中的图数据编码器，得到图数据特征。将时间特征与图数据特征输入风控模型中的解码器，得到目标节点的风险分类结果，以及目标节点与时序图数据中各节点的连接关系的预测结果。根据风险分类结果以及预测结果，对待风控用户进行风控。
-
公开(公告)号：CN119005331A
公开(公告)日：2024-11-22
申请号：CN202411034282.7
申请日：2024-07-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N5/04 , G06N20/00 , G06F16/332
Abstract: 本说明书公开了一种文本自检模型的微调方法、装置、存储介质、设备，获取原始文本自检模型中指定网络层的初始参数，针对所获取的每个指定网络层，对该指定网络层的初始参数进行降维，根据降维后的各指定网络层与所述原始文本自检模型，得到降维文本自检模型，将样本答复文本输入所述降维文本自检模型，得到所述降维文本自检模型输出的安全性评价，根据所述安全性评价与所述样本答复文本所对应的安全标签的差异，对所述降维文本自检模型进行调整，本方法可以降低文本自检模型微调过程对存储空间的需求，并降低进行微调时计算过程中的模型复杂度。
-
-
-
-
-
-
-
-
-
Search Results
142
records
(took 0.036 seconds)
