-
公开(公告)号：CN112200711A
公开(公告)日：2021-01-08
申请号：CN202011167598.5
申请日：2020-10-27
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提出一种水印分类模型的训练方法及系统，系统包括综合节点和多个数据节点，任一数据节点，将本地数据集中任一图像输入到本地的水印检测模型中；利用该模型输出结果中的水印位置对该图像进行截取，获得至少一个目标水印图像；利用获得目标水印图像集构建水印分类模型训练样本集。循环迭代以下步骤，直至满足训练要求：任一数据节点，利用本地构建的训练样本集以及当前模型参数计算水印分类模型训练特征，并将模型训练特征上传至综合节点；综合节点接收到各个数据节点上传的模型训练特征后，确定水印分类模型综合训练特征，并将该综合训练特征下发至各个数据节点；任一数据节点，利用接收到的综合训练特征对本地模型参数进行更新。
-
公开(公告)号：CN111553488B
公开(公告)日：2020-10-20
申请号：CN202010661868.1
申请日：2020-07-10
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书公开了一种针对用户行为的风险识别模型训练方法及系统。所述方法包括：循环执行以下步骤，直到满足循环停止条件：服务端将本地的第一类风险识别模型的第一类模型参数集分别下发到至少两个用户终端；每个用户终端执行：基于所接收到的第一类模型参数集配置本地的第二类风险识别模型；获取本地的行为模式特征；将本地的行为模式特征输入到本地的第二类风险识别模型，以便根据对应的风险标签训练本地的第二类风险识别模型；以减小本地的第二类风险识别模型的训练损失为目标，更新本地第二类风险识别模型；将本地的第二类风险识别模型的第二类模型参数集上传给服务端；服务端根据接收到的各第二类模型参数集，重新确定第一类模型参数集。
-
公开(公告)号：CN111738440A
公开(公告)日：2020-10-02
申请号：CN202010757517.0
申请日：2020-07-31
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 公开了一种基于领域自适应与联邦学习的模型训练方法及系统。一方面，采用联邦学习架构，使得源业务方与目标业务方可以在不彼此交互数据隐私的情况下联合训练模型，保护了双方的数据隐私。另一方面，针对目标业务领域的样本集缺乏准确标签的情况，利用源业务领域的样本集的特征与标签之间的映射关系进行迁移学习，本质上是将源业务领域下训练的模型适应到目标业务领域下。
-
公开(公告)号：CN111523832A
公开(公告)日：2020-08-11
申请号：CN202010632364.7
申请日：2020-07-03
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例公开一种商户风险巡检方法、装置、电子设备及存储介质，获取线上商户的多模态风险数据；针对多模态风险数据中每组模态风险数据，根据该组模态风险数据的时序信息对该组模态风险数据进行双向匹配融合，得到该组模态风险数据对应的第一双向匹配融合序列和第二双向匹配融合序列；将多模态风险数据对应得到的第一双向匹配融合序列和第二双向匹配融合序列进行聚合，得到风险特征向量；根据风险特征向量预测线上商户是否存在非法平台风险。
-
公开(公告)号：CN111144718A
公开(公告)日：2020-05-12
申请号：CN201911278052.4
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一种私有数据保护的风险决策方法、装置、系统及设备。方法应用于目标联邦学习训练中的目标成员对象，包括：将属于私有数据的风险特征集合输入至本地的第一风控模型，确定目标风险特征维度的预测贡献值，目标风险特征维度为该风险特征集合和第一风控模型对应的其中一个风险特征维度，第一风控模通过目标联邦学习训练得到。接收目标联邦学习训练的其他成员对象发送的目标风险特征维度的预测贡献值，其他成员对象确定的目标风险特征维度的预测贡献值的方法与目标成员对象一致。基于包含自身在内的至少两个成员对象确定的目标风险特征维度的预测贡献值，确定目标风险特征维度的重要性的解释数据，以进行风险决策。
-
Patent Agency Ranking
公开(公告)号：CN111027981A
公开(公告)日：2020-04-17
申请号：CN201911284459.8
申请日：2019-12-13
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多方联合训练针对IoT机具的风险评估模型的方法，其中多方包括机具端计算节点、商户端计算节点和支付平台计算节点，分别存储多个机具的机具隐私数据、绑定多个机具的多个商户的商户隐私数据，以及与多个商户相关的支付隐私数据，并且各自维护风险评估模型中的部分参数。此外，支付平台计算节点还存储机具风险标签。在该方法中，机具端计算节点和商户端计算节点基于各自存储的隐私数据和维护的部分参数，确定出中间计算结果，支付平台计算节点基于其存储的隐私数据、维护的部分参数和标签计算出中间计算结果。然后，三方基于安全多方计算MPC技术，提供各自计算出的中间计算结果，确定训练损失，再各自调整维护的部分模型参数。
-
公开(公告)号：CN113780404B
公开(公告)日：2024-11-26
申请号：CN202111044554.8
申请日：2020-01-14
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/23211 , G06Q10/0635 , G06Q10/0639 , G06Q40/04
Abstract: 本说明书一个或多个实施例公开了一种资源数据的处理方法及装置，用以解决现有技术中数据聚类效率低以及风险管理效率低的问题。所述方法包括：基于多个资源数据的原始分割位置，确定所述多个资源数据对应的至少一个资源分割值。利用各所述资源分割值对所述多个资源数据进行聚类处理，得到多个资源聚类组。根据预设的资源评估指标，从所述多个资源聚类组中确定所述资源评估指标对应的目标资源聚类组。所述资源评估指标包含对所述资源数据进行风险评估所使用的风险评估参数。根据所述目标资源聚类组对应的目标资源分割值，确定所述资源数据对应的资源评估阈值。所述资源评估阈值用于对所述资源数据进行风险评估。
-
公开(公告)号：CN116720010A
公开(公告)日：2023-09-08
申请号：CN202310609426.6
申请日：2020-05-09
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提供一种推荐乘车补登站点的方法及装置和电子设备。所述方法包括：在当前乘车渠道响应于用户的进站请求发现该用户需要补登上一次出站站点时，查询当前乘车渠道内存储的该用户上一次乘车记录的用户乘车数据；基于多方安全排序算法，按照时间顺序对存储在其它乘车渠道内该用户上一次乘车记录的用户乘车数据和当前乘车渠道内的用户乘车数据进行排序；其中，多方安全排序算法用于在其它乘车渠道不发送存储的用户乘车数据的情况下，确定当前乘车渠道和其它乘车渠道的用户乘车数据之间的排序结果；根据排序结果中每个用户乘车数据对应的站点名称，向用户推荐补登站点。由于多方安全排序过程中用户乘车数据不出域，从而保护了用户的隐私。
-
公开(公告)号：CN111275095B
公开(公告)日：2022-12-06
申请号：CN202010054470.1
申请日：2020-01-17
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06K9/62
Abstract: 本说明书一个或多个实施例提供了一种对象类型识别方法及装置，其中，该方法包括：获取目标对象的初始类型识别结果，该初始类型识别结果包括：目标对象在各预设类型下的第一识别结果，该第一识别结果是基于目标对象的历史行为数据得到的。基于该第一识别结果和预先得到的对象类型识别模型，确定目标对象在各预设类型下的第二识别结果；该对象类型识别模型是基于各预设类型对应的抽样前样本集、以及在抽样后样本集中抽到非预设类型样本的概率所得到的，抽样后样本集为利用预设上下抽样方法对抽样前样本集进行上下抽样得到的，抽样后样本集中预设类型样本的浓度为预设的标准浓度。根据各预设类型对应的第二识别结果，确定目标对象的所属类型。
-
公开(公告)号：CN111563551B
公开(公告)日：2022-08-30
申请号：CN202010371018.8
申请日：2020-04-30
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多模态信息融合方法、装置及电子设备。所述方法包括：获取目标对象所对应的原始数据，所述原始数据中至少包含第一模态信息和第二模态信息；对所述第一模态信息和第二模态信息分别进行表征处理，得到各模态信息所对应的初始特征向量；将所述初始特征向量作为输入，利用预定的由多个模态融合层所组成的多模态融合层结构对所述初始特征向量执行融合操作得到目标特征向量，以便完成对所述第一模态信息和第二模态信息的融合；其中，每个所述模态融合层中均采用注意力机制根据预设的目标标签为输入的特征向量或融合后的向量分配不同的权重。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.028 seconds)
