CN110874638A - 面向行为分析的元知识联邦方法、装置、电子设备及系统 - Google Patents
面向行为分析的元知识联邦方法、装置、电子设备及系统 Download PDFInfo
- Publication number
- CN110874638A CN110874638A CN202010057686.3A CN202010057686A CN110874638A CN 110874638 A CN110874638 A CN 110874638A CN 202010057686 A CN202010057686 A CN 202010057686A CN 110874638 A CN110874638 A CN 110874638A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- meta
- updated
- learning
- server
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/45—Structures or tools for the administration of authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种面向行为分析的元知识联邦方法、装置、电子设备、存储介质及系统。
背景技术
随着数据泄漏和数据滥用的事件频发,数据隐私受到越来越多的重视,监管部门也在不断推出新政策,以保护用户数据隐私。
在日常生活或工作中,有很多场景会涉及用户隐私,比如网上购物、输入密码、浏览网页等。而在金融场景或其它安全验证场景中,涉及更多的是用户输入密码的动作行为,单个用户在输入自己密码时的动作行为与其他用户输入密码的行为方式是有明显区别的。在用户输入密码的过程中,自动判断用户是否为本人,可以有效防止银行账户被盗等安全问题的发生。在这种行为判断分析的过程中,用户是没有任何感觉的,银行或非银金融机构常常采用这种无感认证方式,为用户账户安全提供保障。
无感认证需要将用户行为数据通过埋点采集的方式上传到服务器端,然后在服务器上训练针对该用户的行为认知模型。但是,如果行为数据在上传过程中被截获,或者在服务器端发生数据泄漏问题,用户账户安全无法得到保障,将会造成非常严重的后果。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种面向行为分析的元知识联邦方法,其通过将元知识更新发送至服务器,使元知识更新通过联邦归集以得到更新后的第一元知识,判断更新后的第一元知识是否收敛,将收敛的第一元知识作为基准元知识,实现对用户行为的分析认证。
本发明的目的之一采用以下技术方案实现:
一种面向行为分析的元知识联邦方法,包括以下步骤:
接收所述更新后的第一元知识并判断所述更新后的第一元知识是否收敛,若收敛
则将所述更新后的第一元知识作为基准元知识,并根据所述基准元知识对用户行为进行
分析认证;若不收敛则基于所述更新后的第一元知识继续进行元知识学习。
进一步地,所述元基础模型为机器学习模型、深度学习神经网络中的任一种,所述基础模型与所述元基础模型相同。
本发明的目的之二在于提供一种一种面向行为分析的元知识联邦装置,其通过将元知识更新发送至服务器,使元知识更新通过联邦归集以得到更新后的第一元知识,判断更新后的元知识是否收敛,将收敛的元知识作为基准元知识,实现对用户行为的分析认证。
本发明的目的之二采用以下技术方案实现:
一种一种面向行为分析的元知识联邦装置,其包括:
判断分析模块,用于接收所述更新后的第一元知识并判断所述更新后的第一元知识是否收敛,若收敛则将所述更新后的第一元知识作为基准元知识,并根据所述基准元
知识对用户行为进行分析认证;若不收敛则基于所述更新后的第一元知识继续进行元知
识学习。
本发明的目的之三在于提供执行发明目的之一的电子设备,其包括处理器、存储介质以及计算机程序,所述计算机程序存储于存储介质中,所述计算机程序被处理器执行时本发明目的之一的面向行为分析的元知识联邦方法。
本发明的目的之四在于提供存储发明目的之一的计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明目的之一的面向行为分析的元知识联邦方法。
本发明的目的之五在于提供提供一种面向行为分析的元知识联邦系统,其包括:至少二个客户端和服务器;
所述客户端为本发明的目的之三提供的电子设备;所述服务器用于向所述客户端发送
所述第一元知识;接收元知识更新,对所述元知识更新进行联邦归集得到更新后
的第一元知识,将所述更新后的第一元知识发送至客户端。
相比现有技术,本发明的有益效果在于:
本发明能够保证用户行为数据不会离开客户端或服务器,进而有效保护用户的数据隐私,还能保证每个用户数据均被采用学习,以获得更精准的元知识;客户端只需采集少量用户行为数据,通过服务器对元知识更新进行联邦归集,就能快速获得稳定的定制元知识,从而在任意客户端设备上实现对用户行为的分析认证,适用于任意安全验证场景,实际应用方便,适用性强,用户体验好。
附图说明
图1为本发明实施例一的面向行为分析的元知识联邦方法流程图;
图2为本发明实施例二的元知识学习流程图;
图3为本发明实施例四的面向行为分析的元知识联邦装置的结构框图;
图4为本发明实施例五的电子设备的结构框图;
图5为本发明实施例七的面向行为分析的元知识联邦系统示意图;
图6为本发明实施例七的面向行为分析的元知识联邦过程示意图。
具体实施方式
以下将结合附图,对本发明进行更为详细的描述,需要说明的是,以下参照附图对本发明进行的描述仅是示意性的,而非限制性的。各个不同实施例之间可以进行相互组合,以构成未在以下描述中示出的其他实施例。
实施例一
实施例一提供了一种面向行为分析的元知识联邦方法,旨在通过将元知识更新发送至服务器,使元知识更新通过联邦归集以得到更新后的第一元知识,判断更新后的第一元知识是否收敛,将收敛的第一元知识作为基准元知识,实现对用户行为的分析认证。该方法能够保证用户行为数据不会离开客户端,进而有效保护用户的数据隐私,还能保证每个用户数据均被采用学习,以获得更精准的元知识;客户端只需采集少量用户行为数据,结合联邦归集得到的更新后的第一元知识,就能快速获得稳定的定制元知识,从而在任意客户端设备上实现对用户行为的分析认证,适用于任意安全验证场景,实际应用方便,适用性强,用户体验好。
请参照图1所示,一种面向行为分析的元知识联邦方法,包括以下步骤:
用户行为数据可以是从客户端上自行创建的用户行为数据库中获取的,也可以是在客户端上即时采集的用户行为数据,在此不做限定。
元基础模型与服务器上的基础模型为同一种模型,可以是传统机器学习模型(比如逻辑回归、支持向量机、树模型中的任一种),也可以是深度学习神经网络(比如MLP、CNN、RNN中的任一种),在此不做限定。在实际应用场景中,模型的选择取决于行为数据的规模以及客户端和服务器的计算能力等特点,比如,对于数据较少算力较差的移动客户端可以使用简单的逻辑回归模型,而对于算力较强的企业级客户端可以使用深度网络模型。本实施例中,采用4层神经网络作为元基础模型。
根据用户行为数据,得到N个任务,单个任务包括训练集和验证
集。具体的,在用户行为数据中,随机选取1个用户的行为数据设置为标签1,其他用户的行
为数据设置为标签0。分别在标签1和标签0的基础行为数据中,随机选取部分数据作为训练
集,其它数据作为验证集,进行二分类,作为单次任务。
优选地,在标签1和标签0的用户行为数据中,随机选取50%-90%数据作为训练集,其它数据作为验证集。本实施例中,在标签1和标签0的基础行为数据中,随机选取80%数据作为训练集,20%数据作为验证集。
元知识学习包括内层学习和外层学习。在内层学习中,针对单次任务,基于预设
的损失函数L和梯度下降算法,利用该任务的训练集,对元基础模型进行M次迭代训练,得
到该任务的元知识;该任务的验证集通过元知识和损失函数L计算得到该任务的损失。在外层学习中,基于N个任务对应的损失和
梯度下降算法对第二元知识进行优化,得到元知识更新。
元知识更新包括K个客户端的元知识更新,客户端可以是新
增的客户端,也可以是已有的客户端,在此不做限定。元知识更新在通过服务器进行联
邦归集,得到知识更新。归集方法可以是直接计算元知识更新的平均值或者中
值,也可以是对元知识更新截取,使的权重均在预设的权重区间
内,计算截取后的元知识更新的平均值或中值,归集方法不限于上述方法。本实施例中,元
知识更新直接经过平均计算得到知识更新。
S140、接收更新后的第一元知识并判断更新后的第一元知识是否收敛,若收
敛则将更新后的第一元知识作为基准元知识,并根据基准元知识对用户行为进行分析认
证;若不收敛则基于更新后的第一元知识继续进行元知识学习。
基于预设的收敛条件,判断更新后的第一元知识是否收敛。收敛条件可以是当
训练元基础模型的次数达到预设的训练次数时,判定更新后的第一元知识收敛,比如预
设的训练次数为10000次,当元基础模型训练次数达到10000次时,则判定更新后的第一元
知识收敛;收敛条件也可以是统计N个任务的损失,当
所有损失之和小于预设的损失阈值时,则判定更新后的第一元知识收敛,比如目标函数
L采用交叉熵损失函数时,预设的二分类交叉熵损失阈值为0.1,当N个损失
相加小于0.1,则判定更新后的第一元知识收敛;收敛条件还可以是统计最近L次损失的最大值和最小值的差值,当差值小于预设的精度阈值时,则判定更新后的
第一元知识收敛。对更新后的第一元知识是否收敛的判断条件不限于上述收敛条
件。本实施例中,当元基础模型训练次数达到10000次时,则判定更新后的第一元知识收
敛。
如果判定更新后的第一元知识收敛,那么客户端就将该更新后的第一元知识作为基准元知识。该基准元知识是元知识更新通过服务器上的联邦归集快速获得的稳
定元知识,该基准元知识符合客户端本身用户行为的特征,实现客户端对自身用户行为的
分析认证,适用性强,应用方便。
如果判定更新后的第一元知识未收敛,则基于更新后的第一元知识继续进
行步骤S120中的元知识学习,对元基础模型进行训练得到新的元知识更新,并按步骤
S130将新的元知识更新发送至服务器,使该元知识更新进行联邦归集以更新第一
元知识;重复步骤S120至S140,直到满足收敛条件时获得基准元知识,并停止元知识学
习和联邦归集。
优选地,当新增客户端或者客户端新增用户行为时,可以在基准元知识的基础上,利用自身用户行为数据进行元知识学习,训练该客户端上的元基础模型以获得识别自身用户行为数据的个性化元知识,基于个性化元知识对该客户端上的行为进行分析认证,同时将元知识更新发送至服务器,使元知识更新进行联邦归集,进而获得新的基准元知识。
实施例二
实施例二是在实施例一的基础上进行的改进,元知识学习通过N个任务的元基础模型训练及优化,得到元知识更新,该元知识更新作为
客户端的用户数据发送至服务器,有效保护了客户端上的用户数据隐私。请参照图2所示,
元知识学习包括以下步骤:
针对单次任务,利用该任务的训练集对元基础模型进行M次迭代训练,在时间
步t=0至t=M-1,基于预设的损失函数L和梯度下降算法,将任务的参数更新为,参数初始值为第一元知识。目标函数L不限于L1损失函数、L2损失函
数、交叉熵损失函数中的一种。
元知识更新是客户端基于第一元知识结合客户端上的每个用户行为数据
得到的,更能准确地包括客户端上用户行为的特征。将该元知识更新作为客户端的用户
数据参与服务器元知识的联邦归集,保证用户的原始数据不会离开客户端,有效保护了客
户端上的用户数据隐私。
实施例三
基础行为数据可以从自行创建的用户行为数据库中获取,也可以从金融行业或其它行业安全验证场景的第三方用户行为数据库中获取,在此不做限定。
根据基础行为数据,得到X个任务,并将每个任务中的行为数
据一部分划分为训练集,一部分划为验证集。具体的,在基础行为数据中,随机选取1个用户
的行为数据设置为标签1,其他用户的行为数据设置为标签0。分别在标签1和标签0的基础
行为数据中,随机选取部分数据作为训练集,其它数据作为验证集,进行二分类,作为单次
任务。
优选地,在标签1和标签0的基础行为数据中,随机选取50%-90%数据作为训练集,其它数据作为验证集。本实施例中,在标签1和标签0的基础行为数据中,随机选取80%数据作为训练集,20%数据作为验证集。
基础模型与元基础模型为同一种模型,可以是传统机器学习模型(比如逻辑回归、支持向量机、树模型中的任一种),也可以是深度学习神经网络(比如MLP、CNN、RNN中的任一种),在此不做限定。在实际应用场景中,模型的选择取决于行为数据的规模以及服务器和客户端的计算能力等特点。本实施例中,采用4层神经网络作为基础模型。
对基础行为数据的学习同样包括内层学习和外层学习。在内层学习中,针对单次
任务,通过目标函数L与基础元知识在当前梯度方向上,对训练集进行一定步数的迭
代学习,得到新的基础元知识。目标函数L不限于L1损失函数、L2损失函数、交叉熵损失
函数中的一种。
通过内层学习和外层学习获得的第一元知识更加鲁邦和稳定,可以为任意客
户端设备的用户身份认证提供元知识基础,使得客户端只需少量的用户行为数据,就能在
第一元知识的基础上,快速获得适用于该客户端的定制元知识。
实施例四
实施例四公开了一种对应上述实施例的一种面向行为分析的元知识联邦装置,为上述实施例的虚拟装置结构,请参照图3所示,包括:
判断分析模块240,用于接收所述更新后的第一元知识并判断所述更新后的第一元
知识是否收敛,若收敛则将所述更新后的第一元知识作为基准元知识,并根据所述基
准元知识对用户行为进行分析认证;若不收敛则基于所述更新后的第一元知识继续进
行元知识学习。
实施例五
图4为本发明实施例五提供的一种电子设备的结构示意图,如图4所示,该电子设备包括处理器310、存储器320、输入装置330和输出装置340;计算机设备中处理器310的数量可以是一个或多个,图4中以一个处理器310为例;电子设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器320作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的面向行为分析的元知识联邦方法对应的程序指令/模块(例如,面向行为分析的元知识联邦装置中的接收模块210、元知识学习模块220、联邦模块230和判断分析模块240)。处理器310通过运行存储在存储器320中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述实施例中的面向行为分析的元知识联邦方法。
存储器320可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器320可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器320可进一步包括相对于处理器310远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行面向行为分析的元知识联邦方法,包括:
接收所述更新后的第一元知识并判断所述更新后的第一元知识是否收敛,若收
敛则将所述更新后的第一元知识作为基准元知识,并根据所述基准元知识对用户行为进
行分析认证;若不收敛则基于所述更新后的第一元知识继续进行元知识学习。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的基于面向行为分析的元知识联邦方法中的相关操作。
实施例七
本发明实施例七还提供一种面向行为分析的元知识联邦系统,该系统包括至少二个客户端和服务器。
客户端为上述实施例五提供的电子设备,例如手机、平板电脑等。服务器可以为云
端服务器、以及与客户端实现有线或无线通讯的计算机等,服务器用于向客户端发送第一
元知识;接收元知识更新,对元知识更新进行联邦归集得到更新后的第一元知
识,将更新后的第一元知识发送至客户端。
客户端上的元基础模型与服务器上的基础模型使用一种模型,模型为逻辑回归、支持向量机、树模型、MLP、CNN、RNN中的任一种,在此不做限定。在实际应用场景中,模型的选择取决于数据的规模以及客户端和服务器的计算能力等特点。比如,对于数据较少算力较差的移动客户端可以使用简单的逻辑回归模型,而对于算力较强的企业级客户端可以使用深度网络模型。本实施例中,采用4层神经网络作为元基础模型和基础模型。
优选地,服务器学习基础行为数据训练基础模型,得到第一元知识。对基础行为
数据的学习包括内层学习和外层学习。将基础行为数据划分为多个任务的训练集和验证
集。在内层学习中,针对单次任务,通过目标函数和梯度下降法,对基础模型进行一定步数
的迭代训练得到元知识;该次任务的验证集通过该元知识和目标函数计算得到损失。外层
学习基于所有单次任务得到的损失和梯度下降法进行全局优化,得到第一元知识,并将
第一元知识下发给客户端。
本实施例中,客户端为K个,K个客户端获得一一对应的元知识更新,第i个客户端对应元知识更新,将K个元知识更新发送至服务器。请参照图5所示,服务器对接收到的K个元知识更新进行联邦归集。归集方法可以是直接计算K个元知识更新的平均值或者中值,也可以是对元知识更新截
取,使的权重均在预设的权重区间内,计算截取后的元知识更新的平
均值或中值,归集方法不限于上述方法。本实施例中,K个元知识更新
直接经过平均计算得到知识更新。根据知识更新更新第一元知识,并将更新后
的第一元知识发送给各个客户端。
基于预设的收敛条件,判断更新后的第一元知识是否收敛。当更新后的第一元
知识收敛时,将该更新后的第一元知识作为基准元知识,客户端根据该基准元知识对
用户行为进行分析认证。当更新后的第一元知识未收敛时,继续在客户端进行元知识学
习,并发送服务器进行联邦归集,直到收敛为止。K个客户端与服务器进行元知识联邦,其中
第个客户端与服务器的元知识联邦过程如图6所示。
优选地,当新增客户端或客户端有新的用户数据时,服务器将最后一次迭代获得的稳定的元知识发送给该客户端。该客户端基于服务器发送的稳定元知识,结合自身用户数据再次训练,得到可以用来识别自身数据的个性化元知识,并同时将获得的元知识更新发送至服务器。服务器对元知识更新进一步联邦归集,并更新服务器上的元知识,从而适应新增数据的客户端进行分析认证。
该面向行为分析的元知识联邦系统确保用户原始数据不会离开客户端或服务器,有效地保护了用户的数据隐私,并且客户端上的每个用户数据都能被采用学习,以获得更精准的元知识;客户端只需采集少量用户行为数据,通过服务器对元知识进行联邦归集,就能快速获得稳定的定制元知识,从而在任意客户端设备上实现对用户行为的分析认证,适用于任意安全验证场景,实际应用方便,适用性强,用户体验好。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台电子设备(可以是手机,个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述基于行为分析装置实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
4.如权利要求3所述的一种面向行为分析的元知识联邦方法,其特征在于:所述元基础模型为机器学习模型、深度学习神经网络中的任一种,所述基础模型与所述元基础模型相同。
6.一种电子设备,其包括处理器、存储介质以及计算机程序,所述计算机程序存储于存储介质中,其特征在于,所述计算机程序被处理器执行时执行权利要求1至4任一项所述的面向行为分析的元知识联邦方法。
7.一种计算机存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至4任一项所述的面向行为分析的元知识联邦方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010057686.3A CN110874638B (zh) | 2020-01-19 | 2020-01-19 | 面向行为分析的元知识联邦方法、装置、电子设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010057686.3A CN110874638B (zh) | 2020-01-19 | 2020-01-19 | 面向行为分析的元知识联邦方法、装置、电子设备及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874638A true CN110874638A (zh) | 2020-03-10 |
CN110874638B CN110874638B (zh) | 2020-06-02 |
Family
ID=69717677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010057686.3A Active CN110874638B (zh) | 2020-01-19 | 2020-01-19 | 面向行为分析的元知识联邦方法、装置、电子设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874638B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382403A (zh) * | 2020-03-17 | 2020-07-07 | 同盾控股有限公司 | 用户行为识别模型的训练方法、装置、设备及存储介质 |
CN112348192A (zh) * | 2020-09-18 | 2021-02-09 | 同盾控股有限公司 | 基于知识联邦的知识推理方法、系统、设备及介质 |
WO2021184836A1 (zh) * | 2020-03-20 | 2021-09-23 | 深圳前海微众银行股份有限公司 | 识别模型的训练方法、装置、设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376120A (zh) * | 2014-12-04 | 2015-02-25 | 浙江大学 | 一种信息检索方法及系统 |
CN104980518A (zh) * | 2015-06-26 | 2015-10-14 | 深圳市腾讯计算机系统有限公司 | 多学习主体并行训练模型的方法、装置和系统 |
CN105938544A (zh) * | 2016-04-05 | 2016-09-14 | 大连理工大学 | 基于综合型线性分类器和解析型字典的行为识别方法 |
CN106127164A (zh) * | 2016-06-29 | 2016-11-16 | 北京智芯原动科技有限公司 | 基于显著性检测和卷积神经网络的行人检测方法及装置 |
CN106203632A (zh) * | 2016-07-12 | 2016-12-07 | 中国科学院科技政策与管理科学研究所 | 一种有限知识集再组合并分布萃取的学习与应用系统方法 |
CN109871954A (zh) * | 2018-12-24 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 训练样本生成方法、异常检测方法及装置 |
CN110245723A (zh) * | 2019-06-27 | 2019-09-17 | 南京大学 | 一种安全可靠的图像分类半监督机器学习方法及装置 |
-
2020
- 2020-01-19 CN CN202010057686.3A patent/CN110874638B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376120A (zh) * | 2014-12-04 | 2015-02-25 | 浙江大学 | 一种信息检索方法及系统 |
CN104980518A (zh) * | 2015-06-26 | 2015-10-14 | 深圳市腾讯计算机系统有限公司 | 多学习主体并行训练模型的方法、装置和系统 |
CN105938544A (zh) * | 2016-04-05 | 2016-09-14 | 大连理工大学 | 基于综合型线性分类器和解析型字典的行为识别方法 |
CN106127164A (zh) * | 2016-06-29 | 2016-11-16 | 北京智芯原动科技有限公司 | 基于显著性检测和卷积神经网络的行人检测方法及装置 |
CN106203632A (zh) * | 2016-07-12 | 2016-12-07 | 中国科学院科技政策与管理科学研究所 | 一种有限知识集再组合并分布萃取的学习与应用系统方法 |
CN109871954A (zh) * | 2018-12-24 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 训练样本生成方法、异常检测方法及装置 |
CN110245723A (zh) * | 2019-06-27 | 2019-09-17 | 南京大学 | 一种安全可靠的图像分类半监督机器学习方法及装置 |
Non-Patent Citations (1)
Title |
---|
丁立中等: "支持向量学习的多参数同时调节", 《软件学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382403A (zh) * | 2020-03-17 | 2020-07-07 | 同盾控股有限公司 | 用户行为识别模型的训练方法、装置、设备及存储介质 |
WO2021184836A1 (zh) * | 2020-03-20 | 2021-09-23 | 深圳前海微众银行股份有限公司 | 识别模型的训练方法、装置、设备及可读存储介质 |
CN112348192A (zh) * | 2020-09-18 | 2021-02-09 | 同盾控股有限公司 | 基于知识联邦的知识推理方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110874638B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348204B (zh) | 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法 | |
CN113609521B (zh) | 一种基于对抗训练的联邦学习隐私保护方法及系统 | |
US20200195667A1 (en) | Url attack detection method and apparatus, and electronic device | |
KR102151862B1 (ko) | 서비스 처리 방법 및 장치 | |
CN107316198B (zh) | 账户风险识别方法及装置 | |
CN107872436B (zh) | 一种账号识别方法、装置及系统 | |
CN106682906B (zh) | 一种风险识别、业务处理方法和设备 | |
CN113408743A (zh) | 联邦模型的生成方法、装置、电子设备和存储介质 | |
EP2691848A1 (en) | Determining machine behavior | |
Liu et al. | D2MIF: A malicious model detection mechanism for federated learning empowered artificial intelligence of things | |
CN110855648A (zh) | 一种网络攻击的预警控制方法及装置 | |
CN110874638B (zh) | 面向行为分析的元知识联邦方法、装置、电子设备及系统 | |
CN110929799A (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
JP2018530093A (ja) | クレジット点数モデルトレーニング方法、クレジット点数計算方法、装置及びサーバー | |
CN112799708A (zh) | 联合更新业务模型的方法及系统 | |
TWI701932B (zh) | 一種身份認證方法、伺服器及用戶端設備 | |
CN110659807A (zh) | 一种基于链路的风险用户识别方法及装置 | |
CN112488163A (zh) | 一种异常账号的识别方法、装置、计算机设备及存储介质 | |
CN115481441A (zh) | 面向联邦学习的差分隐私保护方法及装置 | |
CN109313645B (zh) | 人工智能终端系统、服务器及其行为控制方法 | |
CN109313635B (zh) | 人工智能的行为控制数据库的建立方法及其设备、系统及存储介质 | |
Ali-Eldin et al. | A risk evaluation approach for authorization decisions in social pervasive applications | |
CN113011893B (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN114417394A (zh) | 基于区块链的数据存证方法、装置、设备及可读存储介质 | |
CN109902831B (zh) | 业务决策处理方法以及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210917 Address after: Room 209, building 18, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: TONGDUN TECHNOLOGY Co.,Ltd. Address before: Room 704, building 18, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee before: TONGDUN HOLDINGS Co.,Ltd. |
|
TR01 | Transfer of patent right |