-
公开(公告)号：CN110728375A
公开(公告)日：2020-01-24
申请号：CN201910982730.9
申请日：2019-10-16
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00
Abstract: 本说明书实施例提供一种多个计算单元联合训练逻辑回归模型的方法和装置，其中主计算单元中存储样本的第一部分特征和样本标签，从计算单元存储样本的第二部分特征。在联合训练的迭代过程中，针对采样的任意样本，主计算单元和从计算单元各自根据本地存储的该样本的特征部分和模型参数部分，得到部分处理值。主计算单元汇总各个部分处理值后，根据总处理值，该样本的标签值，以及之前采样该样本时存储的梯度值，采用方差约减方式得到不泄露标签值的中间值，并将其发送给从计算单元。于是，各个计算单元可以根据该中间值更新模型参数，进行后续迭代。
-
公开(公告)号：CN111144718B
公开(公告)日：2024-10-18
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
IPC: G06Q10/0635 , G06N20/00
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。
-
公开(公告)号：CN111291282B
公开(公告)日：2023-04-14
申请号：CN202010390982.5
申请日：2020-05-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9537 , G06Q20/14 , G06Q20/32 , G06Q50/26
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：CN113112289B
公开(公告)日：2023-04-07
申请号：CN202110313611.1
申请日：2021-03-24
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/0202 , G06Q10/04
Abstract: 本说明书提出一种商户信息更新方法及装置，应用于第三方支付平台，第三方支付平台对接若干商户，用于对商户的预测信息进行更新；方法包括：针对任一目标商户，获取该目标商户的真实静态数据，并基于所获取的真实静态数据，确定该目标商户的预测信息，将预测信息更新为该目标商户当前的预测信息；所述真实静态数据为用于表征商户经营内容且能够确保真实性的数据；针对目标商户，循环执行以下步骤：获取该目标商户完成上一次信息更新后的新增行为数据，并将新增行为数据与当前存储的所述目标商户的行为数据进行合并；利用合并后的行为数据以及所述真实静态数据，确定目标商户的预测信息，并将所确定的预测信息更新为该目标商户当前的预测信息。
-
公开(公告)号：CN113268776B
公开(公告)日：2023-03-07
申请号：CN202110508630.X
申请日：2019-12-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F21/64 , G06F18/214 , G06F18/25 , G06N20/00
Abstract: 本说明书实施例提供一种基于区块链的模型联合训练方法及装置，在训练方法中，区块链的当前层节点接收对应的上层节点发送的第一训练结果。该第一训练结果至少基于第一类型结果确定，第一类型结果由上层节点基于其在链下维护的私有数据，对其在链上维护的多种模型中的目标模型进行训练后得到。当前层节点基于其链下维护的私有数据，对其在链上维护的多种模型中的目标模型进行训练，得到第二训练结果。对第一训练结果和第二训练结果进行融合，得到融合结果。判断当前层节点是否在最后一个层级。若当前层节点在最后一个层级，则在区块链上广播所述融合结果，以使得多个节点基于融合结果对各自在链上维护的多种模型中的目标模型进行更新。
-
Patent Agency Ranking
公开(公告)号：CN112200711B
公开(公告)日：2022-09-02
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
IPC: G06T1/00 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
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：CN111401759B
公开(公告)日：2022-08-23
申请号：CN202010203025.7
申请日：2020-03-20
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提供了一种数据处理方法，包括：按照至少两个评价指标，获取经营实体对应于每个评价指标的指标数据；根据每个评价指标的指标数据确定每个评价指标对应的节碳量；利用经过训练的排序融合模型对各评价指标对应的节碳量进行融合，得到所述经营实体对应的节碳量；其中，所述排序融合模型以所述各评价指标的指标数据及其对应的节碳量为训练数据通过训练得到；根据所述经营实体对应的节碳量对所述经营实体的特定数据进行处理；其中特定数据与节碳量相关。本说明书还提供了实现上述方法的数据处理装置、电子设备及存储介质。
-
公开(公告)号：CN112215238B
公开(公告)日：2022-06-07
申请号：CN202011182994.5
申请日：2020-10-29
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06V10/30 , G06V10/40 , G06V10/774 , G06K9/62
Abstract: 本说明书公开了一种通用特征提取模型构建方法、系统及装置。该方法包括：服务端确定所有原始数据中所包含的全部特征类型；针对所获取的全部特征类型构建去噪模型；服务端将所确定的全部特征类型、以及去噪模型下发到每个终端；每个终端根据全部特征类型，确定本地原始数据的缺失特征类型，并基于缺失值填充算法对本地原始数据进行填充，将每条原始数据扩展为包含全部特征类型特征值的标准数据；每个终端对标准数据进行加噪处理，得到训练样本集，训练样本集中每条训练样本以加噪后的标准数据为特征值，以加噪前的标准数据为标签值；服务端与系统中一个或多个终端联合训练去噪模型，利用训练后的去噪模型隐藏层信息构建通用特征提取模型。
-
公开(公告)号：CN111723943B
公开(公告)日：2022-04-29
申请号：CN202010753290.2
申请日：2020-04-01
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N20/00
Abstract: 本说明书实施例提供一种基于多标签的联邦学习方法、装置和系统，该方法包括：多个机构在进行联邦学习时，可信执行环境可以获取由多个机构提供的多个标签数据组，任一标签数据组中包括多个用户的原始标签，所述多个用户中至少存在一个用户在所述多个标签数据组中的多个原始标签不一致；在获取到多个标签数据组后，利用预设的弱监督学习算法对所述多个标签数据组进行学习训练，得到统一的目标标签数据组，目标标签数据组中包括所述多个用户的目标标签；将所述目标标签数据组发送给所述多个机构，以便由所述多个机构基于所述目标标签数据组进行联邦学习。
-
公开(公告)号：CN111310784B
公开(公告)日：2021-07-20
申请号：CN202010035782.8
申请日：2020-01-14
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。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.026 seconds)
