-
公开(公告)号：CN111046425B
公开(公告)日：2021-07-13
申请号：CN201911275611.6
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多方联合进行风险识别的方法和装置，方法包括：第一站点获取与第二站点联合训练的安全树模型的第一子模型；安全树模型还具有部署于第二站点的第二子模型；获取根据预设风险识别策略对应的树结构得到的第三子模型；树结构还具有部署于第二站点的第四子模型；当确定满足预设风险识别条件时，获取目标用户的第一特征集中各项特征的第一特征数据；将第一特征数据输入第一子模型和第三子模型，分别得到第一预测分数和第三预测分数；通过多方安全计算的方式提供第一预测分数和第三预测分数，与第二站点提供的第二预测分数和第四预测分数相结合，综合确定目标用户是否具有第一风险。能够防止泄露用户的隐私信息。
-
公开(公告)号：CN110991552B
公开(公告)日：2021-03-12
申请号：CN201911288850.5
申请日：2019-12-12
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06K9/62
Abstract: 本说明书实施例提供了一种基于联邦学习构建孤立森林模型的方法和装置，所述方法包括：获取与第一节点对应的多个样本标识，多个样本标识与多个样本分别对应，每个样本包括m个特征的特征值；从m个特征标识中随机选择一个特征标识；在所述选择的特征标识为第一特征标识的情况中，基于本地存储第一特征标识与第一数据方的对应关系，将第一节点的标识、多个样本标识和第一特征标识发送给第一数据方；记录第一节点与第一数据方的对应关系；从第一数据方接收与第一节点的两个子节点分别对应的信息，从而在保护各数据方私有数据的同时构建孤立森林模型以用于进行业务处理。
-
公开(公告)号：CN111814977A
公开(公告)日：2020-10-23
申请号：CN202010888440.0
申请日：2020-08-28
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训练事件预测模型的方法，该方法可以应用于迁移学习的场景，通过设置中立的服务器，实现源域参与方和目标域参与方的数据隔离和隐私安全保护。其中源域参与方部署源域特征提取器，目标域参与方部署目标域特征器，中立的服务器中部署事件预测模型中的模型共用部分，具体包括共享特征提取器、图神经网络和分类网络。对于任一的参与方，其利用本域的特征提取器对本域中的样本进行特征提取，得到本域特征表示，再利用从服务器获取的模型共用部分的当前参数，对该本域特征表示进行处理，得到对应的事件分类结果，进而基于事件分类结果和本域样本进行模型更新，并将模型共用部分的更新结果上传至服务器，以使服务器进行集中更新。
-
公开(公告)号：CN111818093A
公开(公告)日：2020-10-23
申请号：CN202010888435.X
申请日：2020-08-28
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适用于在多方隐私保护下进行风险评估的神经网络系统、方法及装置。根据该方案，首先基于第一神经网络模型中的N个子模型分别获取用户的N个属性字段各自在约定的T个时刻的字段值序列；然后，采用时间递归的方式，分别将N个字段值序列处理为N个表征向量；上述N个子模型可部署于隔离的多方之中，且上述表征向量可保护原始字段值代表的隐私数据。最后，利用第二神经网络模型，基于注意力机制，对N个表征向量进行融合，基于融合结果确定与用户相关的风险评估结果。
-
公开(公告)号：CN113065610A
公开(公告)日：2021-07-02
申请号：CN202110462961.4
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了一种基于联邦学习构建孤立森林模型的方法和装置，所述方法包括：获取与第一节点对应的多个样本标识，多个样本标识与多个样本分别对应，每个样本包括m个特征的特征值；从m个特征标识中选择第一特征标识；基于第一特征标识与第一数据方的对应关系，将第一节点的标识、多个样本标识和第一特征标识发送给第一数据方；记录第一节点与第一数据方的对应关系；从第一数据方接收与第一节点的两个子节点分别对应的信息。
-
Patent Agency Ranking
公开(公告)号：CN111046425A
公开(公告)日：2020-04-21
申请号：CN201911275611.6
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多方联合进行风险识别的方法和装置，方法包括：第一站点获取与第二站点联合训练的安全树模型的第一子模型；安全树模型还具有部署于第二站点的第二子模型；获取根据预设风险识别策略对应的树结构得到的第三子模型；树结构还具有部署于第二站点的第四子模型；当确定满足预设风险识别条件时，获取目标用户的第一特征集中各项特征的第一特征数据；将第一特征数据输入第一子模型和第三子模型，分别得到第一预测分数和第三预测分数；通过多方安全计算的方式提供第一预测分数和第三预测分数，与第二站点提供的第二预测分数和第四预测分数相结合，综合确定目标用户是否具有第一风险。能够防止泄露用户的隐私信息。
-
公开(公告)号：CN110991552A
公开(公告)日：2020-04-10
申请号：CN201911288850.5
申请日：2019-12-12
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06K9/62
Abstract: 本说明书实施例提供了一种基于联邦学习构建孤立森林模型的方法和装置，所述方法包括：获取与第一节点对应的多个样本标识，多个样本标识与多个样本分别对应，每个样本包括m个特征的特征值；从m个特征标识中随机选择一个特征标识；在所述选择的特征标识为第一特征标识的情况中，基于本地存储第一特征标识与第一数据方的对应关系，将第一节点的标识、多个样本标识和第一特征标识发送给第一数据方；记录第一节点与第一数据方的对应关系；从第一数据方接收与第一节点的两个子节点分别对应的信息，从而在保护各数据方私有数据的同时构建孤立森林模型以用于进行业务处理。
-
公开(公告)号：CN113065610B
公开(公告)日：2022-05-17
申请号：CN202110462961.4
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了一种基于联邦学习构建孤立森林模型的方法和装置，所述方法包括：获取与第一节点对应的多个样本标识，多个样本标识与多个样本分别对应，每个样本包括m个特征的特征值；从m个特征标识中选择第一特征标识；基于第一特征标识与第一数据方的对应关系，将第一节点的标识、多个样本标识和第一特征标识发送给第一数据方；记录第一节点与第一数据方的对应关系；从第一数据方接收与第一节点的两个子节点分别对应的信息。
-
公开(公告)号：CN110659744B
公开(公告)日：2021-06-04
申请号：CN201910916976.6
申请日：2019-09-26
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训练事件预测模型以及进行事件评估的方法和装置。在训练方法中，首先获取训练样本集，其中包括大量源域样本和少量目标域样本；将各个样本输入事件预测模型，该模型包括源域提取器、目标域提取器、共享提取器，其中，对于源域样本，采用源域提取器和共享提取器进行处理，对于目标域样本，采用目标域提取器和共享提取器进行处理。然后，基于处理得到的样本特征向量，预测当前样本的分类类别，并据此得到分类损失。另一方面，还根据各源域样本在模型特定网络层的第一表征，以及目标域样本在该网络层的第二表征，确定域适应损失。于是，在分类损失和域适应损失构成的总损失减小的方向，更新和训练事件预测模型。
-
公开(公告)号：CN111814977B
公开(公告)日：2020-12-18
申请号：CN202010888440.0
申请日：2020-08-28
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训练事件预测模型的方法，该方法可以应用于迁移学习的场景，通过设置中立的服务器，实现源域参与方和目标域参与方的数据隔离和隐私安全保护。其中源域参与方部署源域特征提取器，目标域参与方部署目标域特征器，中立的服务器中部署事件预测模型中的模型共用部分，具体包括共享特征提取器、图神经网络和分类网络。对于任一的参与方，其利用本域的特征提取器对本域中的样本进行特征提取，得到本域特征表示，再利用从服务器获取的模型共用部分的当前参数，对该本域特征表示进行处理，得到对应的事件分类结果，进而基于事件分类结果和本域样本进行模型更新，并将模型共用部分的更新结果上传至服务器，以使服务器进行集中更新。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.032 seconds)
