CN113344587B - 数据等级的确定方法、装置、电子设备及存储介质 - Google Patents
数据等级的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113344587B CN113344587B CN202110894378.0A CN202110894378A CN113344587B CN 113344587 B CN113344587 B CN 113344587B CN 202110894378 A CN202110894378 A CN 202110894378A CN 113344587 B CN113344587 B CN 113344587B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- training
- initial
- local
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 235
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种数据等级的确定方法、装置、电子设备及存储介质。确定方法包括:获取多个工作节点中的各个工作节点对应的本地模型,本地模型为基于各个工作节点的本地数据训练好的模型;基于各个工作节点对应的训练好的本地模型,确定各个工作节点所对应的数据生成模型以及数据生成模型生成的训练数据;将各个训练数据输入到对应的本地模型中和主服务器的初始训练模型中,并对输入训练数据后的各个节点所对应的本地模型和初始训练模型进行融合训练,确定目标模型;并根据目标模型,确定用户对应的目标等级类型。本申请通过目标模型,直接确定用户的目标等级类型,降低了各节点的回传频率,进而减小了回传频率对服务器通信造成的负担。
Description
技术领域
本申请涉及数据处理技术领域,尤其是涉及一种数据等级的确定方法、装置、电子设备及存储介质。
背景技术
随着经济的发展,互联网技术和金融科技也在迅速的发展,随之而来的利用计算机和互联网技术在线上渠道进行的金融交易业务也被更加广泛的使用,线上的金融交易业务为用户和使用者带来了巨大的便利,但同时,大量频繁的线上金融业务中也存在着各种各样的欺诈行为,这些恶意欺诈行为可能给银行、机构、客户带来巨大损失,因此,需要对用户信息进行风险检测,以识别风险用户信息,对用户提供的数据进行风险等级的评估和确定便成为了交易业务中很重要的一个环节。
例如,在线上金融交易业务的分布式场景中,针对于用户提供的数据进行风险等级的评估往往是由不同的工作节点(例如与用户进行业务数据交互的子公司服务器、子分支机构服务器以及子银行服务器)通过获取用户信息来完成的。这样的风险等级评估方法,由于子公司服务器、子分支机构服务器以及子银行服务器可能位于不同地域且受地域的产业的限制,会导致由于不同地域的消费水平、主要产业等因素的差异,而使得各工作节点的数据分布存在差异,导致各工作节点在获取用户信息时产生大量的信息回传,使得每个工作节点需要保持较高的回传频率,这样不仅影响了回传频率,还对服务器通信造成了负担。
发明内容
有鉴于此,本申请的目的在于提供一种数据等级的确定方法、装置、电子设备及存储介质,本申请通过获取训练各个工作节点所对应的本地模型来确定数据生成模型,并将生成的数据生成模型输出的训练数据重新输入到对应的本地模型中和主服务器的初始训练模型中进行融合训练,确定目标模型,通过目标模型,直接确定用户的目标等级类型,从而降低了各工作节点的回传频率,进而减小了回传频率对服务器通信造成的负担。
本申请主要包括以下几个方面:
第一方面,本申请实施例提供了一种数据等级的确定方法,应用于主服务器,所述确定方法包括:
获取多个工作节点中的各个工作节点对应的本地模型,所述本地模型为基于各个所述工作节点的本地数据训练好的模型;其中,所述本地数据包括用户的历史消费信息;
基于各个所述工作节点对应的训练好的所述本地模型,确定各个所述工作节点所对应的数据生成模型以及所述数据生成模型生成的训练数据;其中,各个所述工作节点所对应的数据生成模型由对应的所述本地模型训练而成;
将各个所述训练数据输入到对应的所述本地模型中和所述主服务器的初始训练模型中,并对输入所述训练数据后的各个所述节点所对应的所述本地模型和所述初始训练模型进行融合训练,确定目标模型;并根据所述目标模型,确定所述用户对应的目标等级类型;其中,所述目标模型的结构与所述初始训练模型的结构、所述本地模型的结构以及所述数据生成模型的结构均相同。
在一种可能的实施方式中,
所述基于各个所述工作节点对应的训练好的所述本地模型,确定各个所述工作节点所对应的数据生成模型,包括:
将预设噪声数据输入各个初始生成模型进行训练,确定各个所述初始生成模型所对应的虚拟数据;
将各个所述虚拟数据输入对应的训练好的所述本地模型,确定各个所述虚拟数据所对应的第一等级类型;
当各个所述第一等级类型与对应的所述本地模型输出的预设等级类型之间的损失值小于预设阈值或损失值迭代达到预设次数时,停止训练,生成各个所述工作节点所对应的数据生成模型。
在一种可能的实施方式中,
所述将预设噪声数据输入各个初始生成模型进行训练,确定各个所述初始生成模型所对应的虚拟数据,包括:
将预设噪声数据输入各个初始生成模型,并确定所述预设噪声数据在各个所述初始生成模型的第一中间层中训练所生成的中间特征;
针对各个所述初始生成模型的所述第一中间层中的最后一层中间层所生成的中间特征进行继续训练,确定各个所述初始生成模型的输出层所对应的虚拟数据。
在一种可能的实施方式中,
所述将各个所述虚拟数据输入对应的训练好的所述本地模型,确定各个所述虚拟数据所对应的第一等级类型,包括:
将各个所述虚拟数据输入各个训练好的所述本地模型的对应层中进行训练,所述对应层与所述初始生成模型的所述第一中间层对应,确定各个所述虚拟数据所对应的第一等级类型;其中,所述第一中间层中的最后一层中间层与所述对应层中的第一层对应层相对应,所述第一中间层中的第一层中间层与所述对应层中的最后一层对应层相对应。
在一种可能的实施方式中,
所述将各个所述训练数据输入到对应的所述本地模型和所述主服务器的初始训练模型中,并对输入所述训练数据后的各个所述节点所对应的所述本地模型和所述初始训练模型进行融合训练,确定目标模型,包括:
将各个所述训练数据输入到对应的所述本地模型和所述主服务器的初始训练模型中进行训练,确定各个所述本地模型的第二中间层所对应的特征图和所述主服务器的初始训练模型的初始中间层所对应的初始特征图;
将各个所述本地模型的所述第二中间层所对应的所述特征图与所述主服务器的初始训练模型的所述初始中间层所对应的所述初始特征图经由卷积核大小为1×1的卷积层卷积后形成的目标特征图进行融合训练,确定目标模型。
第二方面,本申请实施例还提供了一种数据等级的确定装置,所述确定装置包括:
获取模块,获取多个工作节点中的各个工作节点对应的本地模型,所述本地模型为基于各个所述工作节点的本地数据训练好的模型;其中,所述本地数据包括用户的历史消费信息;
确定模块,用于基于各个所述工作节点对应的训练好的所述本地模型,确定各个所述工作节点所对应的数据生成模型以及所述数据生成模型生成的训练数据;其中,各个所述工作节点所对应的数据生成模型由对应的所述本地模型训练而成;
融合训练模块,用于将各个所述训练数据输入到对应的所述本地模型中和主服务器的初始训练模型中,并对输入所述训练数据后的各个所述节点所对应的所述本地模型和所述初始训练模型进行融合训练,确定目标模型;并根据所述目标模型,确定所述用户对应的目标等级类型;其中,所述目标模型的结构与所述初始训练模型的结构、所述本地模型的结构以及所述数据生成模型的结构均相同。
在一种可能的实施方式中,
所述确定模块包括:
第一确定单元,用于将预设噪声数据输入各个初始生成模型进行训练,确定各个所述初始生成模型所对应的虚拟数据;
第二确定单元,用于将各个所述虚拟数据输入对应的训练好的所述本地模型,确定各个所述虚拟数据所对应的第一等级类型;
生成单元,用于当各个所述第一等级类型与对应的所述本地模型输出的预设等级类型之间的损失值小于预设阈值或损失值迭代达到预设次数时,停止训练,生成各个所述工作节点所对应的数据生成模型。
在一种可能的实施方式中,
所述第一确定单元包括:
第一确定子单元,用于将预设噪声数据输入各个初始生成模型,并确定所述预设噪声数据在各个所述初始生成模型的第一中间层中训练所生成的中间特征;
第二确定子单元,用于针对各个所述初始生成模型的所述第一中间层中的最后一层中间层所生成的中间特征进行继续训练,确定各个所述初始生成模型的输出层所对应的虚拟数据。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器运行时执行上述第一方面中任一种可能的实施方式中所述的确定方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行述第一方面中任一种可能的实施方式中所述数据的确定方法的步骤。
本申请实施例中,通过获取训练各个工作节点所对应的本地模型来确定数据生成模型,并将生成的数据生成模型输出的训练数据重新输入到对应的本地模型中和主服务器的初始训练模型中进行融合训练,确定目标模型,通过目标模型,直接确定用户的目标等级类型,从而降低了各工作节点的回传频率,进而减小了回传频率对服务器通信造成的负担。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种数据等级的确定方法的流程图;
图2示出了本申请实施例所提供的另一种数据等级的确定方法的流程图;
图3示出了本申请实施例所提供的一种数据等级的确定装置的结构示意图;
图4示出了本申请实施例所提供的一种数据等级的确定方法中确定数据生成模型的结构示意图;
图5示出了本申请实施例所提供的一种数据等级的确定方法中本地模型与初始训练模型进行融合训练的结构示意图;
图6示出了本申请实施例所提供的另一种数据等级的确定方法中本地模型与初始训练模型进行融合训练的结构示意图;
图7示出了本申请实施例所提供的一种电子设备的结构示意图。
主要元件符号说明:
图中:300-确定装置;310-获取模块;320-确定模块;330-融合训练模块;700-电子设备;710-处理器;720-存储器;730-总线。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“数据等级的确定”,给出以下实施方式,对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下方法、系统、电子设备及存储介质可以应用于任何需要进行数据等级确定的场景,如金融领域中针对用户信用的数据评级方法或教育领域中针对教师教学质量的数据评级方法,本申请实施例并不对具体的应用场景作限制,任何使用本申请实施例提供的实体关联方法、装置、电子设备及存储介质的方案均在本申请保护范围内。
值得注意的是,经研究发现,现有技术中,针对于用户提供的数据进行风险等级的评估往往是由不同的工作节点(例如与用户进行业务数据交互的子公司服务器、子分支机构服务器以及子银行服务器)通过获取用户信息来完成的。这样的风险等级评估方法,由于子公司服务器、子分支机构服务器以及子银行服务器可能位于不同地域且受地域的产业的限制,会导致由于不同地域的消费水平、主要产业等因素的差异,而使得各工作节点的数据分布存在差异,导致各工作节点在获取用户信息时产生大量的信息回传,使得每个工作节点需要保持较高的回传频率,这样不仅影响了回传频率,还对服务器通信造成了负担。
基于此,本申请实施例提供了一种数据等级的确定方法、装置、电子设备及存储介质,通过获取训练各个工作节点所对应的本地模型来确定数据生成模型,并将生成的数据生成模型输出的训练数据重新输入到对应的本地模型中和主服务器的初始训练模型中进行融合训练,确定目标模型,通过目标模型,直接确定用户的目标等级类型,从而降低了各工作节点的回传频率,进而减小了回传频率对服务器通信造成的负担。
为便于对本申请进行理解,下面结合具体实施例对本申请提供的技术方案进行详细说明。
请参阅图1,图1为本申请实施例所提供的一种数据等级的确定方法的流程图。如图1中所示,本申请实施例提供的数据等级的确定方法,包括以下步骤:
S101、获取多个工作节点中的各个工作节点对应的本地模型,本地模型为基于各个工作节点的本地数据训练好的模型;其中,本地数据包括用户的历史消费信息。
该步骤中,通过获取各个工作节点所对应的基于本地数据所训练好的各个本地模型,且每个工作节点均对应一个本地模型,各个工作节点可通过以下方式得到所对应的训练好的本地模型:
基于各个工作节点的本地数据,将工作节点的本地数据输入到待训练的本地模型中,针对待训练的本地模型进行训练,生成各个工作节点所对应的训练好的本地模型,这里,可使用神经网络算法对本地模型进行模型训练,其中,本地模型的输入为工作节点对应的本地数据,本地模型的输出为该工作节点的本地数据所对应的用户的初始等级类型,其中,本地数据在包括用户的历史消费信息的基础上还包括用户的等级标签,用户的历史消费信息可包括历史消费金额信息和历史交易记录信息。
其中,基于各个工作节点的本地数据,针对初始训练模型进行训练,生成各个工作节点所对应的训练好的本地模型,包括:
将各个工作节点所对应的本地数据输入到待训练的本地模型中,得到各个工作节点的本地数据所对应的用户的初始等级类型;
当各个工作节点的本地数据所对应的初始等级类型与各个工作节点所对应的本地数据中用户的等级标签之间的损失值小于预设阈值或损失值迭代达到预设次数时,停止训练,生成各个工作节点所对应的训练好的本地模型;其中,本地数据还包括风险等级标签,各个工作节点中用户的风险等级标签为本地数据中该用户的真实等级类型,而待训练的本地模型的输出用来表征用户的预测等级类型,通过预测等级类型与真实级类型来进行损失计算。预测等级类型和真实等级类型可均可设置为低风险、中风险和高风险三个风险等级类型,但不限于此。
其中,计算损失值的方式可以但不限制于使用交叉熵作为损失函数的方式来计算,计算损失值用于优化本地模型的参数。
这里,各个工作节点可包括但不限制于具体业务的公司节点服务器、机构节点服务器或银行节点服务器,其中,发送各个初始生成模型的服务器与各个工作节点对应的服务器之间进行通信连接,且每个工作节点对应的服务器是相互独立的。各个初始生成模型的服务器与每个工作节点服务器通信连接,每个工作节点服务器通信连接主服务器。
进一步的,不同的公司、机构或银行拥有各自的用户群体,各个工作节点服务器存储有各自用户群体的历史消费金额信息和历史交易记录信息,且本地数据的每个用户信息均被表示成一个矩阵,矩阵的行向量包含了该用户某一次消费、交易涉及的信息,矩阵是基于同一个用户的消费信息和交易信息构建的,且在训练的过程中,将不同工作节点对应的多个用户的矩阵输入到初始训练模型中进行训练。
具体地,各个工作节点基于本地数据训练用的各个初始训练模型的模型结构相同,且每个初始训练模型具有相同的输入矩阵维度以及相同的输出矩阵维度。
S102、基于各个工作节点对应的训练好的本地模型,确定各个工作节点所对应的数据生成模型以及数据生成模型生成的训练数据;其中,各个工作节点所对应的数据生成模型由对应的本地模型训练而成。
该步骤中,数据生成模型为训练好的本地模型基于预设噪声数据训练得到,在训练完成得到数据生成模型后,数据生成模型输出为训练数据,这里,预设噪声数据为一组随机的噪声输入数据,无具体的物理意义,且训练数据为初始的虚拟数据,这里,初始的虚拟数据为未经由判别器判别的虚拟数据,判别器具体为本地模型。
其中,数据生成模型在训练的过程中,通过使用初始生成模型作为训练数据生成模型的生成器,通过使用本地模型作为训练数据生成模型的判别器,通过将预设噪声数据输入初始生成模型中,经由初始生成模型的训练,输出得到虚拟数据,将虚拟数据作为输入数据输入到对应的本地模型中进行判别,根据判别器的输出,确定各个工作节点所对应的数据生成模型以及各个数据生成模型输出的训练数据,并计算数据生成模型的判别损失,根据计算得到的判别损失,优化数据生成模型的参数,并保证了数据生成模型的参数保持固定,不再更新。
S103、将各个训练数据输入到对应的本地模型中和主服务器的初始训练模型中,并对输入训练数据后的各个节点所对应的本地模型和初始训练模型进行融合训练,确定目标模型;并根据目标模型,确定用户对应的目标等级类型;其中,目标模型的结构与初始训练模型的结构、本地模型的结构以及数据生成模型的结构均相同。
该步骤中,将训练完成的数据生成模型输出的训练数据输入到对应的本地模型以及主服务器的初始训练模型进行融合训练,并在经由融合训练后确定目标模型,根据目标模型,确定用户输入的数据信息所属的目标等级类型,根据目标等级类型,确定用户数据信息的风险等级,以及根据风险等级,确定风险评级任务,这里,目标等级类型可具体但不限制于设置为三个目标等级,即第一目标等级、第二目标等级以及第三目标等级,其中,第一目标等级对应的风险等级可为低风险,第二目标等级对应的风险等级可为中风险,第三目标等级对应的风险类型可为高风险,风险评级任务可具体设为针对不同风险类型的数据所采取的人为自定义的评级任务。
其中,在将本地模型以及初始训练模型进行融合训练的过程中,需要在初始训练模型中的主卷积网络的每个主卷积层中,增添卷积核大小为1×1的卷积层,作为支路的卷积层,支路的卷积层的作用是为了使用本地模型的第二中间层所对应的特征图对初始训练模型的初始中间层所对应的初始特征图进行监督,进而实现使用各个本地模型输出的等级类型对目标模型输出的目标等级类型进行监督。
这里,第二中间层所对应的特征图为本地模型中的各个第二中间层进行卷积所生成得到的对应的特征图;初始特征图为初始训练模型的各个初始中间层进行卷积所生成得到的对应的特征图。
本申请实施例提供的数据等级的确定方法,与现有技术中相比,本申请通过获取训练各个工作节点所对应的本地模型来确定数据生成模型,并将生成的数据生成模型输出的训练数据重新输入到对应的本地模型中与初始训练模型进行融合训练,确定目标模型,通过目标模型,直接确定用户的目标等级类型,在保证了各工作节点数据的隐私信息的基础上,从而降低了各工作节点的回传频率,进而减小了回传频率对服务器通信造成的负担。
请参阅图2,图2为本申请另一实施例提供的一种数据等级的确定方法的流程图。如图2中所示,本申请实施例提供的数据等级的确定方法,包括以下步骤:
S201、获取多个工作节点中的各个工作节点对应的本地模型,本地模型为基于各个工作节点的本地数据训练好的模型;其中,本地数据包括用户的历史消费信息。
S202、将预设噪声数据输入各个初始生成模型进行训练,确定各个初始生成模型所对应的虚拟数据。
该步骤中,通过以下实施例确定各个初始生成模型所对应的虚拟数据:
进一步的,将预设噪声数据输入各个初始生成模型进行训练,确定各个初始生成模型所对应的虚拟数据,包括:
将预设噪声数据输入各个初始生成模型,并确定预设噪声数据在各个初始生成模型的第一中间层中训练所生成的中间特征。
其中,k为预设噪声数据矩阵的数据个数,即表示预设噪声数据的预设个数;j为各个初始生成模型中在第一中间层下提取的特征的个数。
针对各个初始生成模型的第一中间层中的最后一层中间层所生成的中间特征进行继续训练,确定各个初始生成模型的输出层所对应的虚拟数据,第一中间层特征包括第一中间层中的最后一层中间层所生成的中间特征。
其中,虚拟数据并没有对应的实际意义,是对各个工作节点的用户信息的隐私保护。
S203、将各个虚拟数据输入对应的训练好的本地模型,确定各个虚拟数据所对应的第一等级类型。
该步骤中,通过将虚拟数据输入各个训练好的本地模型,各个训练好的本地模型会输出各个虚拟数据所对应的第一等级类型。
其中,将各个虚拟数据输入各个训练好的本地模型,确定各个虚拟数据所对应的第一等级类型,包括:
将各个虚拟数据输入各个训练好的本地模型的对应层中进行训练,对应层与初始生成模型的第一中间层对应,确定各个虚拟数据所对应的第一等级类型;其中,第一中间层中的最后一层中间层与对应层中的第一层对应层相对应,第一中间层中的第一层中间层与对应层中的最后一层对应层相对应,也就是说,中间层与对应层的层级关系为对称关系。
这里,通过将各个虚拟数据输入各个训练好的本地模型中与第一中间层对应的对应层中进行训练,确定各个虚拟数据所对应的第一等级类型,其中,,即第一等级类型的数据为虚拟数据的数量与第一中间层对应的对应层的数量之和。
其中,如图4所示的确定数据生成模型的结构示意图,这里,第一中间层中的最后一层中间层与对应层中的第一层对应层相对应,第一中间层中的第一层中间层与对应层中的最后一层对应层相对应,这里第一中间层的训练方式为转置卷积的训练方式,对应层的训练方式为正卷积的训练方式。
S204、当各个第一等级类型与对应的本地模型输出的预设等级类型之间的损失值小于预设阈值或损失值迭代达到预设次数时,停止训练,生成各个工作节点所对应的数据生成模型以及各个数据生成模型输出的训练数据;其中各个工作节点所对应的数据生成模型由对应的本地模型训练而成。
该步骤中,通过计算各个第一等级类型,与各个本地模型输出的预设等级类型之间的损失值来确定数据生成模型是否训练完成。
其中,损失值是根据虚拟数据输入到训练好的本地模型输出的结果数字特征来衡量生成数据优劣的,这里,损失函数与损失函数对应的损失值用来表征对数据生成模型进行参数优化。
损失值的计算方式如以下公式:
其中,训练数据并没有对应的实际意义,训练数据是对本地数据中用户的历史消费信息以及用户的等级标签等信息的隐私保护。
S205、将各个训练数据输入到对应的本地模型中和主服务器的初始训练模型中,并对输入训练数据后的各个节点所对应的本地模型和初始训练模型进行融合训练,确定目标模型;并根据目标模型,确定用户对应的目标等级类型;其中,目标模型的结构与初始训练模型的结构、本地模型的结构以及数据生成模型的结构均相同。
进一步的,将各个训练数据输入到对应的本地模型中和主服务器的初始训练模型中,并对输入训练数据后的各个节点所对应的本地模型和初始训练模型进行融合训练,确定目标模型,包括:
将各个训练数据输入到对应的本地模型和主服务器的初始训练模型中进行训练,确定各个本地模型的第二中间层所对应的特征图和主服务器的初始训练模型的初始中间层所对应的初始特征图。
将各个本地模型的第二中间层所对应的特征图与主服务器的初始训练模型的初始中间层所对应的初始特征图经由卷积核大小为1×1的卷积层卷积后形成的目标特征图进行融合训练,确定目标模型。
这里,每个目标特征图是由本地模型中的每个第二中间层所对应的特征图与主服务器的初始训练模型中的每个初始中间层所对应的初始特征图经由卷积核大小为1×1的卷积层卷积后形成的。
其中,卷积核大小为1×1的卷积层为一个卷积核大小为1×1的卷积层的支路卷积层,支路的卷积层的作用是为了使用各个本地模型的第二中间层所对应的特征图对初始训练模型的初始中间层所对应的初始特征图进行监督,进而实现使用各个本地模型输出的等级类型对目标模型输出的目标等级类型进行监督。
其中,r和q为预设的超参数,使用第i个数据生成模型产生的训练数据时,将使用第i个本地模型的各级特征图对初始训练模型的对应分支的各级初始特征图进行L1范数的约束,使用第j(j≠i)个本地模型的各级特征图对初始训练模型的对应分支的各级初始特征图进行最大均值差异的约束。融合训练完成预设的迭代次数或损失函数下降到预设数值时,完成融合训练过程,并在完成融合训练后,删除所有分支卷积层,得到目标模型。
这里,为了叙述方便,将工作节点数设置为2对本发明的数据等级的确定方法进行举例说明,即获取的本地模型的数量为两个,分别设置两个本地模型的名称为第一本地模型和第二本地模型。
图5为一种数据等级的确定方法中本地模型与初始训练模型进行融合训练的结构示意图,具体为选取第一本地模型的第二中间层所对应的特征图对初始训练模型的对应分支的初始中间层所对应的初始特征图进行L1范数的约束,使用第二本地模型的第二中间层所对应的特征图对初始神将网络模型的对应分支的初始中间层所对应的初始特征图进行最大均值差异的约束。融合训练完成预设的迭代次数或损失函数下降到预设数值时,完成融合训练过程,并在完成融合训练后,删除所有分支卷积层,得到目标模型。
这里,所述第一本地模型的第二中间层所对应的特征图为经由第一本地模型中的各个卷积网络层卷积后得到的特征图;所述初始特征图为经由初始训练模型中的各个卷积网络层卷积后得到的特征图。
本申请实施例提供的数据的集成方法,与现有技术中相比,本申请通过获取训练各个工作节点所对应的本地模型来确定数据生成模型,并将生成的数据生成模型输出的训练数据重新输入到对应的本地模型中与初始训练模型进行融合训练,确定目标模型,通过目标模型,直接确定用户的目标等级类型,在保证了各工作节点数据的隐私信息的基础上,从而降低了各工作节点的回传频率,进而减小了回传频率对服务器通信造成的负担。
如图6所示,图6为另一种数据等级的确定方法中本地模型与初始训练模型进行融合训练的结构示意图,具体为选取第二本地模型的第二中间层所对应的特征图对初始训练模型的对应分支的初始中间层所对应的初始特征图进行L1范数的约束,使用第一本地模型的第二中间层所对应的特征图对始神将网络模型的对应分支的初始中间层所对应的初始特征图进行最大均值差异的约束。融合训练完成预设的迭代次数或损失函数下降到预设数值时,完成融合训练过程,并在完成融合训练后,删除所有分支卷积层,得到目标模型。
本申请实施例提供的数据的集成方法,与现有技术中相比,本申请通过获取训练各个工作节点所对应的本地模型来确定数据生成模型,并将生成的数据生成模型输出的训练数据重新输入到对应的本地模型中和主服务器的初始训练模型中进行融合训练,确定目标模型,通过目标模型,直接确定用户的目标等级类型,从而降低了各工作节点的回传频率,进而减小了回传频率对服务器通信造成的负担。
请参阅图3,图3为本申请实施例所提供的一种种数据等级的确定装置的结构示意图,如图3中所示,确定装置300包括:
获取模块310,用于获取多个工作节点中的各个工作节点对应的本地模型,本地模型为基于各个工作节点的本地数据训练好的模型;其中,本地数据包括用户的历史消费信息;
确定模块320,用于基于各个工作节点对应的训练好的本地模型,确定各个工作节点所对应的数据生成模型以及数据生成模型生成的训练数据;其中,各个工作节点所对应的数据生成模型由对应的本地模型训练而成。
进一步的,确定模块320包括:
第一确定单元,用于将预设噪声数据输入各个初始生成模型进行训练,确定各个初始生成模型所对应的虚拟数据;
第二确定单元,用于将各个虚拟数据输入对应的训练好的本地模型,确定各个虚拟数据所对应的第一等级类型;
生成单元,用于当各个第一等级类型与对应的本地模型输出的预设等级类型之间的损失值小于预设阈值或损失值迭代达到预设次数时,停止训练,生成各个工作节点所对应的数据生成模型。
进一步的,第一确定单元包括:
第一确定子单元,用于将预设噪声数据输入各个初始生成模型,并确定预设噪声数据在各个初始生成模型的第一中间层中训练所生成的中间特征;
第二确定子单元,用于针对各个初始生成模型的第一中间层中的最后一层中间层所生成的中间特征进行继续训练,确定各个初始生成模型的输出层所对应的虚拟数据。
融合训练模块330,用于将各个训练数据输入到对应的本地模型中和主服务器的初始训练模型中,并对输入训练数据后的各个节点所对应的本地模型和初始训练模型进行融合训练,确定目标模型;并根据目标模型,确定用户对应的目标等级类型;其中,目标模型的结构与初始训练模型的结构、本地模型的结构以及数据生成模型的结构均相同。
进一步的,融合训练模块330包括:
第三确定单元,用于将各个训练数据输入到对应的本地模型和主服务器的初始训练模型中进行训练,确定各个本地模型的第二中间层所对应的特征图和主服务器的初始训练模型的初始中间层所对应的初始特征图;
融合训练单元,用于将各个所述本地模型的第二中间层所对应的特征图与所述主服务器的初始训练模型的初始中间层所对应的初始特征图经由卷积核大小为1×1的卷积层卷积后形成的目标特征图进行融合训练,确定目标模型。
本申请实施例提供的确定装置300,与现有技术中相比,本申通过获取训练各个工作节点所对应的本地模型来确定数据生成模型,并将生成的数据生成模型输出的训练数据重新输入到对应的本地模型中和主服务器的初始训练模型中进行融合训练,确定目标模型,通过目标模型,直接确定用户的目标等级类型,从而降低了各工作节点的回传频率,进而减小了回传频率对服务器通信造成的负担。
请参阅图7,图7为本申请实施例所提供的一种电子设备700的结构示意图,包括:处理器710、存储器720和总线730,存储器720存储有处理器710可执行的机器可读指令,当电子设备700运行时,处理器710与存储器720之间通过总线730进行通信,机器可读指令被处理器710运行时执行如上述实施例中任一的数据等级的确定的步骤。
具体地,机器可读指令被处理器710执行时可以执行如下处理:
获取多个工作节点中的各个工作节点对应的本地模型,本地模型为基于各个工作节点的本地数据训练好的模型;其中,本地数据包括用户的历史消费信息;
基于各个工作节点对应的训练好的本地模型,确定各个工作节点所对应的数据生成模型以及数据生成模型生成的训练数据;其中,各个工作节点所对应的数据生成模型由对应的本地模型训练而成;
将各个训练数据输入到对应的本地模型中和主服务器的初始训练模型中,并对输入训练数据后的各个节点所对应的本地模型和初始训练模型进行融合训练,确定目标模型;并根据目标模型,确定用户对应的目标等级类型;其中,目标模型的结构与初始训练模型的结构、本地模型的结构以及数据生成模型的结构均相同。
本申请实施例中,通过获取训练各个工作节点所对应的本地模型来确定数据生成模型,并将生成的数据生成模型输出的训练数据重新输入到对应的本地模型中和主服务器的初始训练模型中进行融合训练,确定目标模型,通过目标模型,直接确定用户的目标等级类型,从而降低了各工作节点的回传频率,进而减小了回传频率对服务器通信造成的负担。
基于同一申请构思,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例提供的数据等级的确定方法的步骤。
具体地,存储介质能够为通用的存储介质,如移动磁盘、硬盘等,存储介质上的计算机程序被运行时,能够执行上数据等级的确定方法,可以在保证了各工作节点数据的隐私信息的基础上,降低了各工作节点的回传频率,进而减小了回传频率对服务器通信造成的负担。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者技术方案的部分可以以软件产品的形式体现出来,计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种数据等级的确定方法,其特征在于,应用于主服务器,所述确定方法包括:
获取多个工作节点中的各个工作节点对应的本地模型,所述本地模型为基于各个所述工作节点的本地数据训练好的模型;其中,所述本地数据包括用户的历史消费信息;
基于各个所述工作节点对应的训练好的所述本地模型,确定各个所述工作节点所对应的数据生成模型以及所述数据生成模型生成的训练数据;其中,各个所述工作节点所对应的数据生成模型由对应的所述本地模型训练而成;
将各个所述训练数据输入到对应的所述本地模型和所述主服务器的初始训练模型中进行训练,确定各个所述本地模型的第二中间层所对应的特征图和所述主服务器的初始训练模型的初始中间层所对应的初始特征图;将各个所述本地模型的所述第二中间层所对应的所述特征图与所述主服务器的初始训练模型的所述初始中间层所对应的所述初始特征图经由卷积核大小为1×1的卷积层卷积后形成的目标特征图进行融合训练,确定目标模型;并根据所述目标模型,确定所述用户对应的目标等级类型;其中,所述目标模型的结构与所述初始训练模型的结构、所述本地模型的结构以及所述数据生成模型的结构均相同。
2.根据权利要求1所述的确定方法,其特征在于,所述基于各个所述工作节点对应的训练好的所述本地模型,确定各个所述工作节点所对应的数据生成模型,包括:
将预设噪声数据输入各个初始生成模型进行训练,确定各个所述初始生成模型所对应的虚拟数据;
将各个所述虚拟数据输入对应的训练好的所述本地模型,确定各个所述虚拟数据所对应的第一等级类型;
当各个所述第一等级类型与对应的所述本地模型输出的预设等级类型之间的损失值小于预设阈值或损失值迭代达到预设次数时,停止训练,生成各个所述工作节点所对应的数据生成模型。
3.根据权利要求2所述的确定方法,其特征在于,所述将预设噪声数据输入各个初始生成模型进行训练,确定各个所述初始生成模型所对应的虚拟数据,包括:
将预设噪声数据输入各个初始生成模型,并确定所述预设噪声数据在各个所述初始生成模型的第一中间层中训练所生成的中间特征;
针对各个所述初始生成模型的所述第一中间层中的最后一层中间层所生成的中间特征进行继续训练,确定各个所述初始生成模型的输出层所对应的虚拟数据。
4.根据权利要求3所述的确定方法,其特征在于,所述将各个所述虚拟数据输入对应的训练好的所述本地模型,确定各个所述虚拟数据所对应的第一等级类型,包括:
将各个所述虚拟数据输入各个训练好的所述本地模型的对应层中进行训练,所述对应层与所述初始生成模型的所述第一中间层对应,确定各个所述虚拟数据所对应的第一等级类型;其中,所述第一中间层中的最后一层中间层与所述对应层中的第一层对应层相对应,所述第一中间层中的第一层中间层与所述对应层中的最后一层对应层相对应。
5.一种数据等级的确定装置,其特征在于,所述确定装置包括:
获取模块,用于获取多个工作节点中的各个工作节点对应的本地模型,所述本地模型为基于各个所述工作节点的本地数据训练好的模型;其中,所述本地数据包括用户的历史消费信息;
确定模块,用于基于各个所述工作节点对应的训练好的所述本地模型,确定各个所述工作节点所对应的数据生成模型以及所述数据生成模型生成的训练数据;其中,各个所述工作节点所对应的数据生成模型由对应的所述本地模型训练而成;
融合训练模块,用于将各个所述训练数据输入到对应的所述本地模型和主服务器的初始训练模型中进行训练,确定各个所述本地模型的第二中间层所对应的特征图和所述主服务器的初始训练模型的初始中间层所对应的初始特征图;将各个所述本地模型的所述第二中间层所对应的所述特征图与所述主服务器的初始训练模型的所述初始中间层所对应的所述初始特征图经由卷积核大小为1×1的卷积层卷积后形成的目标特征图进行融合训练,确定目标模型;并根据所述目标模型,确定所述用户对应的目标等级类型;其中,所述目标模型的结构与所述初始训练模型的结构、所述本地模型的结构以及所述数据生成模型的结构均相同。
6.根据权利要求5所述的确定装置,其特征在于,所述确定模块包括:
第一确定单元,用于将预设噪声数据输入各个初始生成模型进行训练,确定各个所述初始生成模型所对应的虚拟数据;
第二确定单元,用于将各个所述虚拟数据输入对应的训练好的所述本地模型,确定各个所述虚拟数据所对应的第一等级类型;
生成单元,用于当各个所述第一等级类型与对应的所述本地模型输出的预设等级类型之间的损失值小于预设阈值或损失值迭代达到预设次数时,停止训练,生成各个所述工作节点所对应的数据生成模型。
7.根据权利要求6所述的确定装置,其特征在于,所述第一确定单元包括:
第一确定子单元,用于将预设噪声数据输入各个初始生成模型,并确定所述预设噪声数据在各个所述初始生成模型的第一中间层中训练所生成的中间特征;
第二确定子单元,用于针对各个所述初始生成模型的所述第一中间层中的最后一层中间层所生成的中间特征进行继续训练,确定各个所述初始生成模型的输出层所对应的虚拟数据。
8.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器运行时执行如上述权利要求1至4中任一所述的确定方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述权利要求1至4中任一所述的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110894378.0A CN113344587B (zh) | 2021-08-05 | 2021-08-05 | 数据等级的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110894378.0A CN113344587B (zh) | 2021-08-05 | 2021-08-05 | 数据等级的确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344587A CN113344587A (zh) | 2021-09-03 |
CN113344587B true CN113344587B (zh) | 2022-04-05 |
Family
ID=77480769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110894378.0A Active CN113344587B (zh) | 2021-08-05 | 2021-08-05 | 数据等级的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344587B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942154A (zh) * | 2019-11-22 | 2020-03-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的数据处理方法、装置、设备及存储介质 |
CN111461221A (zh) * | 2020-04-01 | 2020-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种面向自动驾驶的多源传感器融合目标检测方法和系统 |
CN111680382A (zh) * | 2019-02-25 | 2020-09-18 | 北京嘀嘀无限科技发展有限公司 | 等级预测模型训练方法、等级预测方法、装置及电子设备 |
CN111831675A (zh) * | 2020-07-07 | 2020-10-27 | 平安科技(深圳)有限公司 | 一种仓储模型训练方法、装置、计算机设备及存储介质 |
CN111932267A (zh) * | 2020-07-27 | 2020-11-13 | 中国工商银行股份有限公司 | 企业金融服务风险预测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10552944B2 (en) * | 2017-10-13 | 2020-02-04 | Adobe Inc. | Image upscaling with controllable noise reduction using a neural network |
US10726858B2 (en) * | 2018-06-22 | 2020-07-28 | Intel Corporation | Neural network for speech denoising trained with deep feature losses |
-
2021
- 2021-08-05 CN CN202110894378.0A patent/CN113344587B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680382A (zh) * | 2019-02-25 | 2020-09-18 | 北京嘀嘀无限科技发展有限公司 | 等级预测模型训练方法、等级预测方法、装置及电子设备 |
CN110942154A (zh) * | 2019-11-22 | 2020-03-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的数据处理方法、装置、设备及存储介质 |
CN111461221A (zh) * | 2020-04-01 | 2020-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种面向自动驾驶的多源传感器融合目标检测方法和系统 |
CN111831675A (zh) * | 2020-07-07 | 2020-10-27 | 平安科技(深圳)有限公司 | 一种仓储模型训练方法、装置、计算机设备及存储介质 |
CN111932267A (zh) * | 2020-07-27 | 2020-11-13 | 中国工商银行股份有限公司 | 企业金融服务风险预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于CNNs的两次训练融合的分类方法;佟国香 等;《电子科技大学学报》;20191031;第48卷(第05期);全文 * |
基于深度学习的行人重识别经典算法研究;王蕴绮等;《河南农业》;20180125(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344587A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11386496B2 (en) | Generative network based probabilistic portfolio management | |
Raju et al. | Real-time prediction of BITCOIN price using machine learning techniques and public sentiment analysis | |
CN105051693B (zh) | 管理计算机服务器能力的方法、装置和系统 | |
Hainaut | A model for interest rates with clustering effects | |
Li et al. | Credit scoring by incorporating dynamic networked information | |
Vossmeyer | Sample selection and treatment effect estimation of lender of last resort policies | |
Abdullaev | The development of methods of analysis and forecasting of the liquidity of commercial banks in Uzbekistan | |
CN115170319A (zh) | 异常账户检测方法、图神经网络模型的构建方法和装置 | |
Muthuraman et al. | Simulation‐Based Portfolio Optimization For Large Portfolios With Transaction Costs | |
Bangroo et al. | Cryptocurrency Price Prediction using Machine Learning Algorithm | |
Hussain et al. | Discrete time hedging of the American option | |
CN113344587B (zh) | 数据等级的确定方法、装置、电子设备及存储介质 | |
CN115660814A (zh) | 风险预测方法、装置、计算机可读存储介质及电子设备 | |
He et al. | Network entropy and systemic risk in dynamic banking systems | |
CN114331540A (zh) | 训练模型的方法、确定资产估值的方法和装置 | |
Bellotti | A simulation study of Basel II expected loss distributions for a portfolio of credit cards | |
Wu et al. | The total return swap pricing model under fuzzy random environments | |
Mehlawat et al. | An integrated fuzzy-grey relational analysis approach to portfolio optimization | |
Pulkkinen et al. | A multi-objective rule optimizer with an application to risk management | |
Banerjee et al. | Stock market prediction | |
Gallo | Algorithmic Cryptocurrency Trading using Sentiment Analysis and Dueling Double Deep Q-Networks | |
CN114757723B (zh) | 用于资源要素交易平台的数据分析模型构建系统及方法 | |
López et al. | Credit Risk Models in the Mexican Context Using Machine Learning | |
Ohsato et al. | Developing an Input-Output Table Generation Algorithm Using a Japanese Trade Database: Dealing with Ambiguous Export and Import Information | |
Trung et al. | Applying Mathematics in Estimating Weighted Beta CAPM for Vietnam Banking Industry and Building Better Risk Management Information System (RMIS) |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Room 716, 7 / F, building 2, 28 Andingmen East Street, Dongcheng District, Beijing Patentee after: Beijing Easy Yikang Information Technology Co.,Ltd. Address before: Room 716, 7 / F, building 2, 28 Andingmen East Street, Dongcheng District, Beijing Patentee before: BEIJING QINGSONGCHOU INFORMATION TECHNOLOGY Co.,Ltd. |