-
公开(公告)号：CN117473543A
公开(公告)日：2024-01-30
申请号：CN202311139790.7
申请日：2023-09-05
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例公开了一种人脸识别认证中的隐私保护方法，应用于服务器端，包括：响应于客户端的人脸识别认证请求，获取上传的待识别人脸随机向量和第一加密信息；其中，待识别人脸随机向量通过一次性的第一随机整数向量对待识别人脸特征变换后得到，第一加密信息利用预设的加密算法加密第一随机整数向量得到；检索预先存储的目标人脸随机向量和第二加密信息；其中，目标人脸随机向量通过一次性的第二随机整数向量对目标人脸特征变换后得到，第二加密信息对第二随机整数向量加密后得到；基于上述步骤中获得的数据，确定待识别人脸特征和目标人脸特征之间的相似度，再确定人脸识别认证结果。相应地，本发明公开了一种人脸识别认证系统。
-
公开(公告)号：CN117290472A
公开(公告)日：2023-12-26
申请号：CN202311141903.7
申请日：2023-09-05
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/332 , G06F40/289 , G06F40/30 , G06F18/22
Abstract: 本说明书一个或多个实施例公开了一种问题应答方法，首先获取针对目标账户的第一账户问题；然后基于第一账户问题，利用预先训练的提示模型生成与当前业务场景以及目标账户相匹配的第二账户问题，且第二账户问题中包含与第一账户问题相关的提示信息，其中，该提示模型是基于历史第一账户问题、与历史第一账户问题相关的历史提示信息以及历史账户问题标签进行模型训练得到的模型；最后将第二账户问题输入语言大模型，得到第二账户问题对应的答案，并将答案作为第一账户问题对应的答案。
-
公开(公告)号：CN117114392A
公开(公告)日：2023-11-24
申请号：CN202311007490.3
申请日：2023-08-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/0635 , G06F18/214 , G06F21/62
Abstract: 本说明书公开了一种风险识别模型训练方法、装置、存储介质和电子设备，所述方法包括：根据历史上各用户执行业务的业务数据，构建以各用户对应的用户信息为节点，各用户之间的业务关系为边的关系图，并作为训练样本。再将训练样本输入待训练的风险识别模型的隐私表示提取子网，以通过隐私表示提取子网提取训练样本的隐私特征。之后，将隐私特征发送给第二参与方。第一参与方根据接收到第二参与方返回的梯度，调整待训练的风险识别模型的隐私表示提取子网中各隐私表示层的参数，使得在联合训练风险识别模型时，第一参与方不会泄露用户的隐私数据，保护用户的隐私。
-
公开(公告)号：CN117093862A
公开(公告)日：2023-11-21
申请号：CN202310983254.9
申请日：2023-08-04
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/241
Abstract: 本说明书公开了一种模型训练的方法、装置、电子设备及存储介质，基于联邦学习的思想，确定第一样本中的交叉样本和非交叉样本，再通过基于第一样本和第二样本训练的初始模型，确定交叉样本的辅助标注，将第一样本输入到目标模型的分类层，根据第一样本的分类结果和目标模型中各预设分类分别对应的预测层，得到第一样本的预测分类结果，最后再基于交叉样本的标注和辅助标注以及非交叉样本的标注，对该目标模型进行训练。在第一样本和第二样本包含的交叉样本较少时，也可基于预先训练完成的初始模型中对于第二样本的知识和第一节点中存储的各第一样本，训练得到准确的目标模型，在保证隐私数据的前提下，还保证了训练得到的目标模型的准确度。
-
公开(公告)号：CN112948885B
公开(公告)日：2023-10-27
申请号：CN202110320900.4
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实现隐私保护的多方协同更新模型的方法、装置及系统，服务器可以向每个参与方i下发第t轮公共样本的聚合结果。每个参与方i根据第t轮公共样本和聚合结果，对本地的第i模型进行第一更新。每个参与方i基于本地样本集中固定的第一私有样本及其样本标签，对第一更新后的第i模型进行第二更新。每个参与方i将用于下一轮迭代的第t+1轮公共样本，输入第二更新后的第i模型，并将输出的第二预测结果发送给服务器，以供服务器聚合对应于n个参与方的n份第二预测结果，并在下一轮迭代开始之后使用。在多轮迭代结束之后，每个参与方i可以将其第二更新后的第i模型，作为其与其它参与方协同更新的模型。
-
Patent Agency Ranking
公开(公告)号：CN116935110A
公开(公告)日：2023-10-24
申请号：CN202310870414.9
申请日：2023-07-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本说明书公开了一种图像处理方法、装置、电子设备及存储介质。方法包括：基于针对目标内容实体的注意力神经网络，生成目标图像对应的初始注意力图，其中，所述初始注意力图中的像素通过目标像素参数下的取值大小反映该像素被所述注意力神经网络进行特征提取的概率。将所述初始注意力图中目标像素参数达到预设取值标准的像素设置为目标灰度，得到所述初始注意力图对应的处理后注意力图。基于所述处理后注意力图中目标灰度的像素，确定内容检测区域。对所述目标图像中对应的所述内容检测区域进行针对所述目标内容实体的内容检测。
-
公开(公告)号：CN116932752A
公开(公告)日：2023-10-24
申请号：CN202310849143.9
申请日：2023-07-11
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/35 , G06F18/23 , G06F40/289 , G06F18/22 , G06F18/214 , G06Q40/00 , G06Q20/40
Abstract: 本说明书实施例提供了一种风险识别方法和装置。该方法包括：得到在不同时间段收集的、与风险识别相关的多个文本；对每一个文本，得到该文本的向量表征；根据同一个时间段收集的多个文本的向量表征，对同一个时间段收集的多个文本进行聚类，得到每一个时间段内的至少一个文本聚类结果；根据不同时间段内的各个文本聚类结果，确定是否产生了新的风险类型。本说明书实施例能够快速地发现新的风险类型。
-
公开(公告)号：CN116932546A
公开(公告)日：2023-10-24
申请号：CN202310871034.7
申请日：2023-07-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/22 , G06F18/22 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本说明书一个或多个实施例公开了一种数据的处理方法及装置。该方法包括：首先获取表征信息，该表征信息中至少包括第一表征模型上线后的新增表征信息；然后，基于所获取的表征信息以及预设的损失函数对第二表征模型进行模型训练，得到训练后的第二表征模型，并基于训练后的第二表征模型构建记忆表征库，该记忆表征库用于存储新增表征信息对应的新增类别和新增类别对应的类别中心表征信息；最后，基于所构建的记忆表征库和/或第二表征模型对预设业务进行业务处理。
-
公开(公告)号：CN116720214A
公开(公告)日：2023-09-08
申请号：CN202310581293.6
申请日：2023-05-22
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书一个或多个实施例公开了一种用于隐私保护的模型训练方法。该方法包括：当对目标模型进行模型训练的迭代次数超过预设迭代次数时，获取目标模型在迭代过程中产生的多个中间模型；然后，以多个中间模型作为教师模型，以当前训练的目标模型作为学生模型，通过教师模型，采用知识蒸馏的方式对学生模型进行蒸馏训练，并确定蒸馏训练中的第一损失信息；其次，根据第一损失信息和第二损失信息确定第一逐样本梯度；最后，对第一逐样本梯度做差分隐私处理，并利用差分隐私处理后的第一逐样本梯度更新当前训练的目标模型的模型参数，直到达到预设的模型训练终止条件为止，最终得到训练后的目标模型。
-
公开(公告)号：CN116628032A
公开(公告)日：2023-08-22
申请号：CN202310617492.8
申请日：2023-05-26
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/2455 , G06F18/2431 , G06F16/22 , G06N20/20 , G06N3/047
Abstract: 本申请实施例提供一种表征提取模型的训练方法、表征提取方法及相关产品，涉及计算机技术领域，其中，表征提取模型的训练方法，包括：将样本输入到表征提取模型中，获取所述表征提取模型输出的所述样本的第一表征向量；将所述第一表征向量拆分为多个子表征向量；将所述多个子表征向量中的每个子表征向量连接一个输出，得到多个第二表征向量；基于预设损失函数，根据所述多个第二表征向量确定第一熵损失，根据所述多个子表征向量确定第一分布散度，将所述第一分布散度作为所述第一熵损失的负相关惩罚，确定所述样本对应的第一损失值；根据所述第一损失值，对所述表征提取模型的参数进行训练，得到训练后的表征提取模型。
-
-
-
-
-
-
-
-
-
Search Results
500
records
(took 0.22 seconds)
