-
公开(公告)号：CN113516480B
公开(公告)日：2024-04-26
申请号：CN202110953376.4
申请日：2021-08-19
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提供了一种支付风险识别方法、装置及设备，该方法包括：若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点，则利用深度兴趣网络模型，基于目标用户的历史支付交易数据和当前支付环境数据，确定目标用户的预测支付行为数据；利用预设风险识别模型并基于上述预测支付行为数据，对本次支付交易事件进行风险识别，得到相应的预测支付风险识别结果；在本次支付交易事件执行到第二预设处理节点时，获取在本次支付交易事件执行过程中所产生的目标用户的真实支付行为数据；基于上述预测支付行为数据、真实支付行为数据和预测支付风险识别结果，确定本次支付交易事件对应的目标支付风险识别结果。
-
公开(公告)号：CN117744155A
公开(公告)日：2024-03-22
申请号：CN202311871264.X
申请日：2023-12-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F21/62 , G06F16/901 , G06F18/25 , G06N3/02 , G06Q20/40
Abstract: 本说明书公开了一种执行风控业务的方法、装置及存储介质，确定图数据的用户特征，以及图数据中各节点之间进行特征聚合的传播参数，并根据各用户对应的隐私预算以及图数据的结构信息，确定图数据的噪声，根据噪声对传播参数加噪，确定传播噪声，根据传播噪声对各用户在图数据中的用户特征进行加噪传播，得到各用户的加噪特征，响应于针对各用户中目标用户的风控请求，根据目标用户的加噪特征，确定目标用户的风控结果，并根据风控结果进行风险控制。传播噪声为对传播参数加噪后得到的，根据传播噪声对特征矩阵进行聚合后，得到的加噪特征是对图数据中的特征进行过隐私保护的结果，则加噪特征可用于在隐私保护的前提下对用户执行风控。
-
公开(公告)号：CN117743856A
公开(公告)日：2024-03-22
申请号：CN202311845208.9
申请日：2023-12-28
Applicant: 清华大学 , 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/2415 , G06F18/243 , G06N20/00 , G06Q20/40
Abstract: 本说明书实施例涉及一种训练风险识别模型的方法及装置，方法包括：首先，获取有硬标签的第一样本集，以及无标签的第二样本集，任一样本集包括交易样本，硬标签指示交易是否为风险交易。然后，基于插值法对第一样本集进行样本增强，并使用增强后的第一样本集训练得到第一模型。接下来，将第一样本集和第二样本集构成的样本总集中的各个交易样本输入到第一模型中，得到关于风险预测的软标签。最后，将第一样本集中的交易样本输入到第二模型中，基于硬标签确定第一损失；将样本总集中的交易样本输入到第二模型中，基于软标签确定第二损失；基于第一损失和第二损失所确定的总预测损失，对第二模型进行训练，第二模型用于预测交易是否为风险交易。
-
公开(公告)号：CN117710510A
公开(公告)日：2024-03-15
申请号：CN202410156973.8
申请日：2024-02-04
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图像生成方法及装置，该方法首先获取目标主体的前景图像以及目标主体所在的待确定的目标图像的文本描述信息，该目标图像中包括目标主体的前景图像和背景图像，其次，从目标主体的前景图像中分别提取目标主体的类别表征信息和风格表征信息，然后将所提取的类别表征信息和风格表征信息输入预先训练的前景控制模型中，得到目标主体的前景控制信息，最后，通过扩散模型，根据目标图像的文本描述信息和前景控制信息，并通过对目标主体的前景图像添加噪声信息的方式，确定目标主体对应的目标图像。
-
公开(公告)号：CN117592581A
公开(公告)日：2024-02-23
申请号：CN202311568281.6
申请日：2023-11-21
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00 , G06F18/213 , G06Q20/40 , G06F21/62
Abstract: 本说明书公开了一种模型训练方法、装置、存储介质及电子设备，可以基于确定出的输入到目标模型的不同维度的特征的改变对目标模型的输出结果的影响程度，来生成补充样本数据，从而可以基于补充样本数据对目标模型进行训练，进而可以提升训练后的目标模型的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN117592056A
公开(公告)日：2024-02-23
申请号：CN202311564982.2
申请日：2023-11-21
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F21/57 , G06N3/0475 , G06N3/0464 , G06N3/09
Abstract: 本说明书公开了一种模型的防盗取检测方法、装置、存储介质和电子设备，防盗取检测模型包括克隆器及生成器，克隆器用于克隆预先训练的业务模型，生成器用于生成输入所述克隆器的仿真业务数据。先将噪声输入生成器，获得第一仿真业务数据，并通过克隆器获得第一仿真业务数据的第一业务结果。再根据第一业务结果及第一仿真业务数据，以提高克隆器输出结果的错误率为训练目标，对生成器进行训练。接着，将噪声输入训练后的生成器，获得第二仿真业务数据，通过克隆器及业务模型获得第二仿真业务数据的第二业务结果及标签。最后，根据第二业务结果及标签，对克隆器进行训练，利用训练过程中的克隆器的迭代次数，检测业务模型的防盗取能力。
-
公开(公告)号：CN117455304A
公开(公告)日：2024-01-26
申请号：CN202311527242.1
申请日：2023-11-15
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q10/0639 , G06Q10/0635 , G06N5/022 , G06F18/241
Abstract: 本公开提供了一种用于数字生态图谱链路预测的方法，方法包括：基于初始节点信息和初始边信息来构建初始数字生态图谱，该初始数字生态图谱包含不同类型的节点和不同类型的边；将初始数字生态图谱中待预测链路关系的节点对中的各节点的初始节点特征分别送入更新网络以得到各节点的节点更新特征，其中该更新网络采用嵌入边类型表征的邻域聚集来更新各节点的节点特征；以及将该节点对中的各节点的节点更新特征送入分类器以预测该节点对之间是否存在潜在链路。本申请还涉及用于数字生态图谱链路预测的系统、装置和介质。
-
公开(公告)号：CN117312847A
公开(公告)日：2023-12-29
申请号：CN202311146762.8
申请日：2023-09-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214
Abstract: 本说明书公开了一种模型训练的方法、装置、存储介质和电子设备，所述方法包括：针对各训练样本，确定该训练样本中指定类型的数据为指定数据，并将指定数据输入待训练的风险识别模型的第一编码层，确定该训练样本的第一特征。将该训练样本中所有类型的数据输入待训练的风险识别模型的第二编码层，确定该训练样本的第二特征。以该训练样本的第一特征与该训练样本的第二特征之间的距离最小和该训练样本的第一特征与除该训练样本外的其他训练样本的第二特征之间的距离最大为目标，至少对待训练的风险识别模型中第二编码层的模型参数进行调整。通过第一特征指导第二编码层对训练样本进行特征提取，更好地表征用户存在的风险，提高识别结果准确性。
-
公开(公告)号：CN117009873A
公开(公告)日：2023-11-07
申请号：CN202311079876.5
申请日：2023-08-24
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06N3/042 , G06N3/096 , G06Q20/38 , G06Q20/40 , G06N20/20
Abstract: 本说明书一个或多个实施例公开了一种支付风险识别模型的生成方法，包括：获取第一训练样本并设置第一标签，所述第一训练样本为预设的不同支付场景下的支付事件；为每个支付场景分别设置一个分类器，基于所述第一训练样本和所述第一标签训练所述分类器；选取至少一个支付场景，将该支付场景的训练样本作为第二训练样本；将所述第二训练样本输入该支付场景的分类器，将得到的预测结果作为第二标签；基于所述第二训练样本和第二标签，对其他分类器进行集成训练；将训练完毕的所述分类器集成为所述支付风险识别模型。相应地，本说明书还公开了支付风险识别方法及装置。
-
公开(公告)号：CN116821346A
公开(公告)日：2023-09-29
申请号：CN202310861501.8
申请日：2023-07-13
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例披露保护数据隐私的文本、样本分类方法及装置。其中文本分类方法包括：先基于隐私文本数据集的K个文本子集，采用低秩适应技术对预训练后具有基础参数集的基础模型进行第一微调，获得训练好的K个老师模型；再利用所述K个老师模型对多个公开文本进行打标，得到公开文本数据集，其中各个公开文本的类别标签基于所述K个老师模型对该公开文本的类别的加噪投票结果而确定，所述加噪投票结果是在原始投票结果上添加差分隐私噪声而得到；之后，基于所述公开文本数据集更新参数量远小于所述基础参数集的两个第二参数组，并将更新后该两个第二参数组的参数组合结果叠加到所述基础参数集，获得训练好的学生模型，用于分类目标文本。
-
-
-
-
-
-
-
-
-
Search Results
500
records
(took 0.067 seconds)
