-
公开(公告)号：CN117313838A
公开(公告)日：2023-12-29
申请号：CN202311489792.9
申请日：2023-11-09
Applicant: 支付宝(杭州)信息技术有限公司 , 华中科技大学
Abstract: 本说明书提供的联邦学习方法，目标端设备确定目标子图和包含目标外部节点的目标扩展图，通过聚合来自目标外部节点的非原始特征得到目标边缘节点的聚合外部嵌入特征，从而基于所述聚合外部嵌入特征对全局模型进行训练，得到本地模型。这样，在保护其他端设备的数据隐私的前提下引入了其他端设备中与自身相关的信息，使得目标边缘节点的信息更全面，利用目标边缘节点训练得到的本地模型的精度更高。
-
公开(公告)号：CN117111981A
公开(公告)日：2023-11-24
申请号：CN202311031879.1
申请日：2023-08-15
Applicant: 支付宝(杭州)信息技术有限公司 , 华中科技大学
Abstract: 本说明书提供的云边协同的模型更新方法和系统，云服务器接收多个客户端的多个初始客户端模型参数以及多个本地样本特征，基于多个本地样本特征之间的相似度对这多个客户端进行分组，进而将相似的客户端聚合起来，并将聚合结果下发到该组中的每个客户端，在云边协同的框架下考虑了边与边之间的协同学习，使得相似客户端之间的相似信息可以互相共享和借鉴，不同的客户端可以学习到与其相似的客户端的个性化信息，从而提升每个客户端模型的精度。
-
公开(公告)号：CN117350405A
公开(公告)日：2024-01-05
申请号：CN202311483682.1
申请日：2023-11-08
Applicant: 支付宝(杭州)信息技术有限公司 , 华中科技大学
Abstract: 本公开提供一种联邦学习方法、服务端设备、客户端设备及系统，服务端设备根据获得的至少部分客户端设备的第i轮客户端梯度数据确定第i轮全局网络模型，并根据第i轮全局网络模型、以及服务端设备存储的任意客户端设备的第i轮局部网络模型，确定针对任意客户端设备的第i+1轮服务端梯度数据，以向任意客户端设备发送该第i+1轮服务端梯度数据，一方面，根据部分客户端设备的客户端梯度数据实现迭代更新，可以实现异步联邦学习，从而减少服务端设备的等待时间，提高联邦学习的效率；另一方面，服务端设备向客户端设备发送服务端梯度数据，可以减少服务端设备与客户端设备之间交互的信息的数据量，从而减少通信资源的消耗。
-
公开(公告)号：CN118153535A
公开(公告)日：2024-06-07
申请号：CN202410434934.X
申请日：2024-04-11
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F40/18 , G06Q10/04 , G06F40/169 , G06F40/216 , G06F18/214 , G06F18/22 , G06N3/08
Abstract: 本说明书的实施例提供了一种用于处理表格数据的方法和装置。在该用于处理表格数据的方法中，首先对候选表格数据进行字段识别，分别确定出与预先获取的预测任务所针对的主体相匹配的第一字段和与预测内容相匹配的第二字段；再根据所确定出的第一字段和第二字段，生成与该候选表格数据对应的待评估特征；进而依据所生成的待评估特征对于该预测任务的有效性评估结果来判断是否针对该候选表格数据进行与该预测任务相关联的处理。
-
公开(公告)号：CN117852609A
公开(公告)日：2024-04-09
申请号：CN202410133285.X
申请日：2024-01-30
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/082 , G06N3/092 , G06F18/10 , G06F18/214
Abstract: 本说明书实施例提供一种针对大语言模型进行预处理的方法及装置，可以基于大语言模型在各个训练样本上各自最后一个隐层输出的隐状态确定的教师模型的预测结果，针对大语言模型进行层剪枝蒸馏操作和神经元剪枝蒸馏操作得到进行业务处理的目标模型。其中，在层剪枝蒸馏操作中，通过从后往前逐层剪枝后蒸馏，每次只减掉少部分参数，避免一次性剪掉多个网络层后难以收敛的问题。
-
Patent Agency Ranking
公开(公告)号：CN116401465B
公开(公告)日：2023-10-20
申请号：CN202310666637.3
申请日：2023-06-06
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9538 , H04L67/51 , H04L67/306
Abstract: 本说明书的实施例提供了一种资源分组分配、调整值确定的方法和装置。在该资源分组分配方法中，通过离线调整值对属于各个待分配资源组的各个待分配资源对应的偏好值进行调整，得到各个待分配资源对应的重排序分，进而确定各个待分配资源所在待分配资源组的组排序分，从而确定出向分组资源展示请求进行展示的目标数目个待分配资源组以及根据重排序分确定相应的待分配资源。
-
公开(公告)号：CN116610869B
公开(公告)日：2023-10-13
申请号：CN202310862674.1
申请日：2023-07-13
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9538 , G06N20/00
Abstract: 本说明书一个或多个实施例提供一种推荐内容管理方法及装置、电子设备及存储介质，所述方法包括：向服务端发送内容推荐请求，其中，所述内容推荐请求用于请求所述服务端生成并返回针对显示界面的多个显示区的推荐内容；接收所述服务端返回的多个推荐内容，以及所述多个推荐内容中每个推荐内容的数据标签，其中，所述多个推荐内容中每个推荐内容的数据标签由所述服务端每个推荐内容进行NER实体抽取得到，所述多个推荐内容与所述多个显示区一一对应；根据所述多个推荐内容中每个推荐内容的数据标签，对所述多个推荐内容进行去重处理，并将去重处理后剩余的至少一个推荐内容曝光于对应的显示区。
-
公开(公告)号：CN116610873A
公开(公告)日：2023-08-18
申请号：CN202310887568.9
申请日：2023-07-19
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F16/9535 , G06F16/9538 , G06F9/50 , G06N3/08 , G06N3/045
Abstract: 本说明书提供一种信息推荐方法及装置、存储介质，该方法包括：基于用户对云节点下发的至少一个第一推荐信息的操作行为，得到实时特征信息；将实时特征信息发送给边缘节点；接收并存储边缘节点返回的目标特征信息，目标特征信息是用于表征用户的历史操作行为和实时操作行为之间的共性的特征信息；基于目标特征信息，对云节点下发的至少一个第二推荐信息进行重排序后输出。本公开可以利用边缘节点的算力为客户端提供更精准表征用户操作行为的目标特征信息，扩展了客户端上表征用户操作行为的特征信息的丰富度，且可以减少信息推荐的时延，能够更合理的利用端边云各个设备的资源，提高了端边云架构的可用性。
-
公开(公告)号：CN116562399A
公开(公告)日：2023-08-08
申请号：CN202310844489.X
申请日：2023-07-10
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方式提供了一种端边云协同的模型训练方法及装置，模型训练方法包括接收与边缘节点所对应的各个应用端发送的梯度信息，基于接收到的各个应用端发送的梯度信息进行聚合处理得到聚合梯度数据，将聚合梯度数据发送至云服务器，以及云服务器根据聚合梯度数据对全局模型进行训练。本说明书实施方式中，通过边缘节点对应用端的梯度信息进行聚合处理，从而缩减梯度信息的数据量，而且可以最大程度保留全部梯度信息的特征，因此后续云服务器的模型训练仍然是建立在全局视野，在较少丢失信息的情况下，加快模型训练速度，保证模型的精度和效果。
-
公开(公告)号：CN116401567A
公开(公告)日：2023-07-07
申请号：CN202310653728.3
申请日：2023-06-02
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F18/231 , G06F18/22 , G06F16/9035 , G06F18/214
Abstract: 本说明书实施例提供了一种聚类模型训练、用户聚类、信息推送方法及装置。聚类模型包含父类簇和子类簇等多层类簇。聚类模型的待学习变量包括末端子类簇中心。在聚类模型的一次迭代训练中，通过聚类模型，从多层类簇的类簇中心中确定与用户特征匹配的末端子类簇中心，得到用户样本归属的末端子类簇。基于匹配的末端子类簇中心与用户特征之间的相似度确定预测损失，基于预测损失更新待学习变量。当聚类模型经过训练后，从中导出类簇标识与类簇中心的对应关系。该聚类模型可以确定新用户样本归属的类簇标识。在信息推送场景中，利用上述对应关系可以从用户标识查询到对应的类簇中心，将该类簇中心作为用户样本的特征向量，用于信息推送。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.048 seconds)
