-
公开(公告)号：CN119478549A
公开(公告)日：2025-02-18
申请号：CN202411822578.5
申请日：2024-12-11
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06V10/764 , G06N20/00
Abstract: 本说明书公开了一种图像分类模型的训练方法、装置、介质及电子设备，在各边缘节点训练适用于自身的图像分类模型时，中心节点可采用知识蒸馏技术，根据获取到的各边缘节点的图像分类模型的局部编码端的参数，调整中心节点中的全局编码端的参数，得到调整后的全局编码端的参数。进而中心节点针对每个边缘节点，根据调整后的全局编码端以及该边缘节点的局部编码端，调整该边缘节点的局部编码端的参数，并将调整后的局部编码端的参数发送至该边缘节点。在各边缘节点可在数据共享的情况下，即便每个边缘节点的图像分类模型的架构不同，每个边缘节点仍旧能够得到适应于自身模型架构的图像分类模型，提高了训练出的图像分类模型的性能。
-
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：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。
-
公开(公告)号：CN116304679A
公开(公告)日：2023-06-23
申请号：CN202310092535.5
申请日：2023-01-17
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/214 , G06F18/2415
Abstract: 本说明书实施例提供了一种多标签模型训练方法及装置、介质、设备。方法包括：确定待训练的多标签模型的业务场景中的数据集，从所述数据集中选择出描述同一业务问题的多个数据标签；根据选择出的所述多个数据标签，定义对应的业务标签，并对定义的业务标签进行数值化假设，得到所述业务标签的多个假设数值；其中，所述多个数据标签为从多个角度描述所述业务标签的具体标签；利用所述多个标签数据为各个对应的用户行为数据进行标记；根据所述业务标签的多个假设数值和标记有数据标签的用户行为数据，进行所述多标签模型的训练。本说明书实施例可以大大降低模型训练的工作量。
-
公开(公告)号：CN112541575B
公开(公告)日：2023-03-10
申请号：CN202011409587.3
申请日：2020-12-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/084 , G06N3/0464 , G06N3/048 , G06F18/2415
Abstract: 本说明书实施例提供一种图神经网络的训练方法，包括：获取原始关系网络图，其中包括对应多个业务对象的多个对象节点，以及对象节点之间存在关联关系而形成的原始连接边；在该原始关系网络图中添加若干记忆节点，并在每个记忆节点和每个对象节点之间建立新增连接边，得到扩张关系网络图，用于对图神经网络进行多轮迭代更新，其中任一轮包括：利用图神经网络对扩张关系网络图进行图嵌入处理，在多个图神经网络隐层中的任一隐层，对上一隐层针对第一对象节点、其若干邻居对象节点和若干记忆节点输出的隐向量进行聚合，得到本隐层输出的第一对象隐向量；根据最后一个隐层输出的第一对象隐向量以及第一对象节点的业务标签，对图神经网络进行本轮更新。
-
Patent Agency Ranking
公开(公告)号：CN115544580A
公开(公告)日：2022-12-30
申请号：CN202211507939.8
申请日：2022-11-29
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数据隐私的两方联合训练预测模型的方法及装置，其中第一方和第二方对应部署预测模型中的序列表征层和预测层。所述方法应用于第一方，包括：利用序列表征层处理其持有的用户行为序列，其中包括样本用户在T个时刻做出的T个行为，具体地，利用行为表征子层确定T个行为对应的T个行为表征；利用注意力子层确定该T个行为表征对应的T个注意力权重，并用其对T个行为表征进行加权求和，得到原始序列表征；利用加噪子层对该原始序列表征添加基于行为个数T而确定的差分隐私噪声，得到加噪序列表征；从第二方接收其基于该加噪序列表征、其持有的对应用户行为序列的序列标签和预测层而确定的针对序列表征层的训练梯度。
-
公开(公告)号：CN115293247A
公开(公告)日：2022-11-04
申请号：CN202210859441.1
申请日：2022-07-21
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建立风险识别模型的方法、风险识别的方法及对应装置。其中方法包括：获取利用用户在N个时刻的网络行为数据构建的N个时刻的异构网络图，所述节点中的部分节点被标注有是否存在预设类型风险的标签；利用所述N个时刻的异构网络图训练得到所述风险识别模型，其中所述风险识别模型包括图神经网络、脉冲神经网络、拼接网络和映射网络；所述训练目标包括：最小化所述风险识别模型对节点的风险识别结果与标签之间的差异。本申请将图神经网络与脉冲神经网络结合，提出了基于脉冲神经网络的风险识别模型来捕捉动态图数据的结构和时序信息，以使得基于用户网络行为数据的风险识别更加准确。
-
公开(公告)号：CN114676457A
公开(公告)日：2022-06-28
申请号：CN202210299408.8
申请日：2022-03-25
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 吴若凡
Abstract: 本说明书实施例提供一种包含两个阶段的业务处理过程。基于隐私保护的业务处理方法，用于进行与目标信息相关的业务处理，目标信息对应有多个属性项。在第一阶段，各个客户端各自向服务端提供关于目标信息在本地的属性项满足的第一差分隐私确定的单个第一扰动数据，服务端根据各个客户端分别发送的各个第一扰动数据，检测目标信息的各个属性项中的敏感项和非敏感项，并将检测结果反馈至各个客户端。在第二阶段，各个客户端各自基于检测结果，针对目标信息的本地属性项进行满足第二差分隐私的采样得到相应的第二扰动数据并上传至服务端；服务端基于各个客户端分别上传的各个第二扰动数据对目标信息进行相应的业务处理。
-
公开(公告)号：CN114091669A
公开(公告)日：2022-02-25
申请号：CN202111397085.8
申请日：2021-11-23
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一种基于事件的图神经网络训练方法及装置。方法包括：确定目标时段内发生的目标事件，针对每个目标事件，确定所述目标事件的事发时间以及参与所述目标事件的涉事对象；针对参与所述目标事件的每个涉事对象，基于所述目标时段内发生在所述事发时间之前的目标事件，生成所述涉事对象在所述事发时间的事件图；基于涉事对象、事发时间以及所述涉事对象在所述事发时间的事件图，确定所述目标事件下所述涉事对象的事件三元组，得到各个目标事件下涉事对象的事件三元组；采用各个目标事件下涉事对象的事件三元组训练图神经网络。
-
公开(公告)号：CN114036571A
公开(公告)日：2022-02-11
申请号：CN202111425766.0
申请日：2021-11-26
Applicant: 支付宝(杭州)信息技术有限公司
Inventor： 吴若凡
Abstract: 本说明书实施例公开了一种基于隐私保护的数据处理方法、装置及设备，该方法包括：获取待处理的目标数据，所述目标数据包括连续型结构化数据和/或图像类数据，然后，可以通过预设的多种不同的隐私预算，分别对所述目标数据进行差分隐私处理，得到每种隐私预算对应的差分隐私结果，基于多种不同的隐私预算对应的差分隐私结果，并通过预设的对比学习损失算法对目标模型进行训练，得到训练后的目标模型。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.046 seconds)
