-
公开(公告)号：CN117151250A
公开(公告)日：2023-12-01
申请号：CN202311008652.5
申请日：2023-08-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/20 , G06F18/241 , G06F18/214 , G06F18/213 , G06N3/0442
Abstract: 本说明书公开了一种模型训练方法、装置、设备及可读存储介质，第一节点在接收到第二节点发送的第二训练样本的特征时，将第二训练样本的特征写入记忆组件，在通过第一编码器确定第一训练样本的特征时，根据第一训练样本的特征从记忆组件中读取与第一训练样本的特征存在关联关系的目标特征，从而将目标特征和第一训练样本的特征输入分类器，得到第一训练样本的预测结果，基于第一训练样本的预测结果和标注训练目标模型。可见，上述方案基于联邦学习的思想，通过记忆组件存储来自第二节点的特征，在目标模型的训练过程中有效利用第二训练样本的信息的同时，并保证了第二训练样本和第一训练样本的隐私安全，提高了模型的隐私安全性和准确性。
-
公开(公告)号：CN117093621A
公开(公告)日：2023-11-21
申请号：CN202311008506.2
申请日：2023-08-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/2457 , G06F21/62 , G06F16/2458
Abstract: 本说明书实施例披露一种保护数据隐私的向量检索方法及装置。该方法包括：第一方基于待检索的目标向量执行多次旋转操作，得到多个第一旋转向量，并对其中位于相同位置元素所组成的向量分别进行同态加密，得到第一密文集；第一方向第二方发送第一密文集和相似度阈值；第二方基于第一密文集、相似度阈值和第二编码集进行同态运算，得到检索结果密文，其中第二编码集是预先基于多个候选向量分别执行旋转操作，得到对应的多个第二旋转向量后，对其中位于相同位置元素所组成的向量分别进行同态加密中的编码处理而得到；第一方对接收到的检索结果密文进行同态解密，得到检索结果明文，其指示各个候选向量与目标向量之间的相似度是否大于相似度阈值。
-
公开(公告)号：CN111144899B
公开(公告)日：2023-04-25
申请号：CN201911227488.0
申请日：2019-12-04
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/018 , G06Q30/0601
Abstract: 本说明书实施例提供一种识别虚假交易的方法及装置和电子设备。所述方法包括：针对任一待识别的交易，根据若干风险维度下该交易的特征数据，获取每个风险维度对应的风险模型输出的识别结果；利用设定的潜在类别模型，计算所述若干识别结果对应的联合概率分布；根据所述联合概率分布，计算所述待识别的交易属于虚假交易的条件概率值；在所述条件概率值大于阈值时，确定所述待识别的交易为虚假交易。
-
公开(公告)号：CN115827918A
公开(公告)日：2023-03-21
申请号：CN202310111717.2
申请日：2023-02-13
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/90
Abstract: 本说明书公开了一种执行业务的方法、装置、存储介质及电子设备，响应于用户的业务请求，确定输入目标模型的业务数据以及该目标模型输出的业务结果，在该业务数据的数据维度对应的维度空间中，根据预设的距离，确定封闭空间，并确定在该封闭空间表面上的历史业务数据，作为相关数据，根据该业务数据及该相关数据，确定该相关数据的各数据维度的梯度通量，针对每个数据维度，根据各相关数据对应的该数据维度的梯度通量，确定该数据维度在该业务数据中的重要性。通过各数据维度以及各数据维度的重要性，对该目标模型输出的业务结果进行解释，获取用户的信任，提高业务执行成功率。
-
公开(公告)号：CN115564450B
公开(公告)日：2023-03-10
申请号：CN202211556873.1
申请日：2022-12-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q20/40
Abstract: 本说明书公开了一种风控方法、装置、存储介质及设备，通过根据异常业务的业务数据对各异常业务进行聚类，得到各业务簇及各业务簇分别对应的典型业务。以针对每个典型业务，根据该典型业务的业务数据，通过解释模型确定该典型业务被识别为异常的原因。并根据剩余异常业务与各典型业务的相似度及各典型业务被识别为异常业务的原因，确定剩余异常业务被识别为异常业务的原因，以根据各异常业务被识别为异常业务的原因执行风控业务。可通过聚类确定用于输入解释模型的典型业务，基于模型输出的典型业务被识别为异常业务的原因确定其他异常业务被识别为异常业务的原因，减少输入模型的数据量，减少模型计算耗时，提升确定原因的效率以提升风控效率。
-
Patent Agency Ranking
公开(公告)号：CN112330355A
公开(公告)日：2021-02-05
申请号：CN202011082535.X
申请日：2020-10-12
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提供一种消费券交易数据处理方法、装置、设备及存储介质，通过获取发送消费券领取请求的账户的用户设备信息、用户历史交易信息，基于用户设备信息对发起消费券领取请求的设备进行位置篡改识别，并基于用户历史交易信息对用户的领券意图进行识别，基于位置篡改识别的结果和领券意图识别结果，确定消费券领取请求是否存在风险，以确定是否发放消费券。可以实现对真实用户进行消费券作弊恶意交易的行为进行准确的风险识别，消费券发放可以确保用户身份真实可靠的基础上，确定消费券发送的公平性，比如抢券的用户确实是本人在活动规定区域操作，用户的抢券意图有真实消费的可能，以提高消费券交易风险识别的准确性，确保消费券交易的安全性。
-
公开(公告)号：CN119272142A
公开(公告)日：2025-01-07
申请号：CN202411280837.6
申请日：2024-09-12
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/2415 , G06F21/62 , G06N3/0442 , G06N3/098 , G06N20/00 , G06Q40/03
Abstract: 本说明书公开了一种模型训练方法、装置、设备及可读存储介质，第一节点通过部署的第一编码器得到各第一对齐样本的特征以及各第一非对齐样本的特征，针对各第一对齐样本对应的每个标注类别，根据该标注类别包含的各第一对齐样本的特征，确定该标注类别的第一原型向量，针对每个第一非对齐样本，根据该第一非对齐样本的特征与其所属的标注类别的第一原型向量，确定第一损失，并以各第一非对齐样本对应的第一损失训练第一编码器。可见，将各第一非对齐样本引入用于训练第一编码器的样本中，扩大了训练样本的规模，提升了训练完成的第一编码器的准确性，并保障了样本的隐私安全性。
-
公开(公告)号：CN118656491A
公开(公告)日：2024-09-17
申请号：CN202410705697.6
申请日：2024-05-31
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/35 , G06F40/289 , G06N3/0464 , G06N3/08
Abstract: 本说明书实施例提供一种判别模型的训练方法及装置，该判别模型用于判断输入文本是否为大模型的训练集中的成员文本，以对大模型进行隐私安全验证。该训练方法包括：构造目标样本，其中包括，获取N个文本打分对，其中任一文本打分对中的打分利用大模型预测得到。基于查询文本和N个文本打分对构建提示文本，该提示文本指示将N个文本打分对作为上下文，并基于该上下文对查询文本进行打分。将该提示文本输入大模型，得到查询文本对应的目标打分，该目标打分指示该查询文本与上下文的相关性。基于查询文本和目标打分，形成目标样本。基于目标样本，训练判别模型。
-
公开(公告)号：CN118278539A
公开(公告)日：2024-07-02
申请号：CN202410383999.6
申请日：2024-03-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00 , G06Q40/04 , G06Q40/00 , G06F16/901
Abstract: 本说明书实施例提供了一种数据处理方法、装置及设备，所述方法包括：获取待增强的第一图结构数据中的目标节点，所述第一图结构数据基于与目标用户触发执行金融类业务对应的业务数据构建，所述第一图结构数据用于表示所述目标用户与其他用户之间的资源交易关系；基于所述目标节点的节点特征，通过预先训练的节点生成模型，生成与所述目标节点对应的邻居节点以及所述邻居节点的节点特征；基于所述目标节点对应的邻居节点以及所述邻居节点的节点特征，对所述第一图结构数据进行信息增强处理，确定增强后的第一图结构数据，所述增强后的第一图结构数据用于确定所述目标用户触发执行所述金融类业务是否存在风险。
-
公开(公告)号：CN118246549A
公开(公告)日：2024-06-25
申请号：CN202410278728.4
申请日：2024-03-11
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例披露一种大模型可解释性的分析方法及装置。该方法包括：首先，通过对范例样本集进行m次采样，获得m个样本子集，其中各个范例样本包括对应用户的用户特征和用户行为标签，所述用户行为标签指示用户是否做出预定行为；接着，针对任意的第一样本子集，将其中各范例样本作为上下文学习的示例，与待预测的目标用户的特征共同输入大模型，得到针对所述目标用户的第一行为预测结果；然后，将所述第一样本子集的采样信息作为样本特征，结合所述第一行为预测结果，构建所述第一样本子集对应的训练样本；之后，利用所述m个样本子集对应的m个训练样本训练目标模型；其中，训练好的目标模型用于所述大模型的可解释性分析。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.043 seconds)
