-
公开(公告)号：CN112199706B
公开(公告)日：2022-11-22
申请号：CN202011157336.0
申请日：2020-10-26
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本公开实施例提供一种基于多方安全计算的树模型的训练方法和业务预测方法，树模型由参与多方安全计算的多方共同训练，多方包括第一数据拥有方和至少一个第二数据拥有方，第一数据拥有方具有各训练样本对应的第一样本标签，第二数据拥有方具有训练样本对应的第二样本标签；该方法包括：第一数据拥有方接收第二数据拥有方发送的每个训练样本分别对应的第二加密中间参数；基于本轮迭代对应的分裂特征，将各训练样本划分得到样本集合；将样本集合中样本的第二加密中间参数统计后返回至第二数据拥有方；对于每个训练样本，根据第一样本标签获得第一中间参数，并统计样本集合中所有样本的第一中间参数统计值；基于中间参数，调整树模型的模型参数。
-
公开(公告)号：CN115271879A
公开(公告)日：2022-11-01
申请号：CN202210952321.6
申请日：2020-07-01
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种地理位置的处理方法及系统，本方法从商户群组信息共享的角度出发，挖掘商户群组间的交易关联，从商户群组中确定出具有交易关联的商户簇，并从所述商户簇中确定出第一类商户；所述第一类商户为在所述商户簇中交易地理位置已知的商户，以确定商户簇中未知交易地理位置商户的交易位置。
-
公开(公告)号：CN113065610B
公开(公告)日：2022-05-17
申请号：CN202110462961.4
申请日：2019-12-12
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一种基于联邦学习构建孤立森林模型的方法和装置，所述方法包括：获取与第一节点对应的多个样本标识，多个样本标识与多个样本分别对应，每个样本包括m个特征的特征值；从m个特征标识中选择第一特征标识；基于第一特征标识与第一数据方的对应关系，将第一节点的标识、多个样本标识和第一特征标识发送给第一数据方；记录第一节点与第一数据方的对应关系；从第一数据方接收与第一节点的两个子节点分别对应的信息。
-
公开(公告)号：CN110659744B
公开(公告)日：2021-06-04
申请号：CN201910916976.6
申请日：2019-09-26
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训练事件预测模型以及进行事件评估的方法和装置。在训练方法中，首先获取训练样本集，其中包括大量源域样本和少量目标域样本；将各个样本输入事件预测模型，该模型包括源域提取器、目标域提取器、共享提取器，其中，对于源域样本，采用源域提取器和共享提取器进行处理，对于目标域样本，采用目标域提取器和共享提取器进行处理。然后，基于处理得到的样本特征向量，预测当前样本的分类类别，并据此得到分类损失。另一方面，还根据各源域样本在模型特定网络层的第一表征，以及目标域样本在该网络层的第二表征，确定域适应损失。于是，在分类损失和域适应损失构成的总损失减小的方向，更新和训练事件预测模型。
-
公开(公告)号：CN112836239A
公开(公告)日：2021-05-25
申请号：CN202110189529.2
申请日：2021-02-19
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一种保护隐私的双方协同确定目标对象数据的方法，其中双方包括第一方和第二方。该方法应用于第一方，具体包括：一方面，采用不可逆加密算法，对本地存储的多条第一对象数据进行加密，得到多条第一加密数据，并对该多条第一加密数据进行分组处理，使得针对预定属性具有相同属性值的第一加密数据被归入同一组，从而得到多个第一分组以及对应的多个第一属性值；另一方面，从上述第二方接收多个第二分组以及对应的多个第二属性值，其基于所述第二方本地存储的多条第二对象数据而确定；进而对具有相同属性值的第一分组和第二分组进行加密数据匹配，得到匹配成功的若干目标加密数据，其用于确定对应的若干目标对象数据。
-
Patent Agency Ranking
公开(公告)号：CN111814977B
公开(公告)日：2020-12-18
申请号：CN202010888440.0
申请日：2020-08-28
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训练事件预测模型的方法，该方法可以应用于迁移学习的场景，通过设置中立的服务器，实现源域参与方和目标域参与方的数据隔离和隐私安全保护。其中源域参与方部署源域特征提取器，目标域参与方部署目标域特征器，中立的服务器中部署事件预测模型中的模型共用部分，具体包括共享特征提取器、图神经网络和分类网络。对于任一的参与方，其利用本域的特征提取器对本域中的样本进行特征提取，得到本域特征表示，再利用从服务器获取的模型共用部分的当前参数，对该本域特征表示进行处理，得到对应的事件分类结果，进而基于事件分类结果和本域样本进行模型更新，并将模型共用部分的更新结果上传至服务器，以使服务器进行集中更新。
-
公开(公告)号：CN111818093B
公开(公告)日：2020-12-11
申请号：CN202010888435.X
申请日：2020-08-28
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适用于在多方隐私保护下进行风险评估的神经网络系统、方法及装置。根据该方案，首先基于第一神经网络模型中的N个子模型分别获取用户的N个属性字段各自在约定的T个时刻的字段值序列；然后，采用时间递归的方式，分别将N个字段值序列处理为N个表征向量；上述N个子模型可部署于隔离的多方之中，且上述表征向量可保护原始字段值代表的隐私数据。最后，利用第二神经网络模型，基于注意力机制，对N个表征向量进行融合，基于融合结果确定与用户相关的风险评估结果。
-
公开(公告)号：CN110659744A
公开(公告)日：2020-01-07
申请号：CN201910916976.6
申请日：2019-09-26
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训练事件预测模型以及进行事件评估的方法和装置。在训练方法中，首先获取训练样本集，其中包括大量源域样本和少量目标域样本；将各个样本输入事件预测模型，该模型包括源域提取器、目标域提取器、共享提取器，其中，对于源域样本，采用源域提取器和共享提取器进行处理，对于目标域样本，采用目标域提取器和共享提取器进行处理。然后，基于处理得到的样本特征向量，预测当前样本的分类类别，并据此得到分类损失。另一方面，还根据各源域样本在模型特定网络层的第一表征，以及目标域样本在该网络层的第二表征，确定域适应损失。于是，在分类损失和域适应损失构成的总损失减小的方向，更新和训练事件预测模型。
-
公开(公告)号：CN113821827B
公开(公告)日：2024-04-19
申请号：CN202111220972.8
申请日：2021-02-19
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多方数据隐私的联合建模方法，所述多方各自存储训练样本集，其中各个训练样本具有对应多个特征项的特征值以及对应标签项的标签值；该方法应用于任一的第一方，包括：基于第一训练样本集，确定该多个特征项与该标签项之间的多个第一关联度，并获取第二方确定的多个第二关联度，进而针对该各个特征项，确定其所对应的第一关联度和第二关联度之间的差异度，得到多个差异度；确定该多个特征项在利用第一训练样本集构建的第一树模型中的多个第一重要性权重，并利用其对上述多个差异度进行加权处理，得到特征分布差异分数；在此特征分布差异分数符合预定条件的情况下，将第二方归为与第一方进行联合建模的参与方。
-
公开(公告)号：CN113821827A
公开(公告)日：2021-12-21
申请号：CN202111220972.8
申请日：2021-02-19
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多方数据隐私的联合建模方法，所述多方各自存储训练样本集，其中各个训练样本具有对应多个特征项的特征值以及对应标签项的标签值；该方法应用于任一的第一方，包括：基于第一训练样本集，确定该多个特征项与该标签项之间的多个第一关联度，并获取第二方确定的多个第二关联度，进而针对该各个特征项，确定其所对应的第一关联度和第二关联度之间的差异度，得到多个差异度；确定该多个特征项在利用第一训练样本集构建的第一树模型中的多个第一重要性权重，并利用其对上述多个差异度进行加权处理，得到特征分布差异分数；在此特征分布差异分数符合预定条件的情况下，将第二方归为与第一方进行联合建模的参与方。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.04 seconds)
