CN113435997A - 基于深度学习的高斯混合模型银行交易数据模拟生成算法 - Google Patents

基于深度学习的高斯混合模型银行交易数据模拟生成算法 Download PDF

Info

Publication number
CN113435997A
CN113435997A CN202110635012.1A CN202110635012A CN113435997A CN 113435997 A CN113435997 A CN 113435997A CN 202110635012 A CN202110635012 A CN 202110635012A CN 113435997 A CN113435997 A CN 113435997A
Authority
CN
China
Prior art keywords
transaction
data
distribution
gaussian mixture
bank
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.)
Pending
Application number
CN202110635012.1A
Other languages
English (en)
Inventor
韩景光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Entropy Enthalpy Technology Co ltd
Original Assignee
Chengdu Entropy Enthalpy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Entropy Enthalpy Technology Co ltd filed Critical Chengdu Entropy Enthalpy Technology Co ltd
Priority to CN202110635012.1A priority Critical patent/CN113435997A/zh
Publication of CN113435997A publication Critical patent/CN113435997A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Complex Calculations (AREA)

Abstract

本发明提供一种基于深度学习的高斯混合模型银行交易数据模拟生成方法和系统，解决反欺诈过程中负样本数量过少的问题，同时解决大数据集中的样本数据分布不均问题。减少正常交易误以为是欺诈的误报，有效降低误报率，提高银行交易中对反欺诈信息的监管。

Description

基于深度学习的高斯混合模型银行交易数据模拟生成算法
技术领域
本发明属于金融科技领域、人工智能、大数据，尤其涉及数据模拟与生成
背景技术
不同的银行有自己的主营业务，如消费银行的业务包括：反欺诈、监控客户流失情况、抵押/贷款等业务等；企业银行的业务包括：反欺诈、银行收费增值服务等；投资银行的业务包括：反欺诈、投资分析服务等。上述银行交易数据中反欺诈的负样本数据相对与正常的银行交易数据十分的稀少，由于反欺诈中的负样本数据太少，就会出现正常交易误以为是欺诈，要很多人工对该银行交易数据进行再度复查，为了避免上述情况的出现，本发明提出一种基于深度学习的高斯混合模型银行交易数据模拟生成算法，来丰富反欺诈中的负样本数量，减少正常交易误以为是欺诈的误报，有效降低误报率，提高银行交易中对反欺诈信息的监管。
发明内容
为解决上述问题，提供一种银行交易数据模拟生成算法，来丰富反欺诈中的负样本数据，本发明的技术方案是，
一种基于深度学习的高斯混合模型银行交易数据模拟生成方法，包括，
获取银行真实交易数据；
对银行真实交易数据类型过滤，仅读取所需的数据并进行多路分解为不同属性的银行交易流之间的样本记录，其中，所述不同属性包括但不限于交易金额、交易类型和交易主体；
对不同属性的单个交易流进行分别进行模拟，其中，在单个交易流进行分别进行模拟时，进行预配置参数和分布参数评估，生成交易维度的概率分布的数据特征；
将经过预配置参数和分布参数评估的数据，通过随机数生成器生成数字序列，所述数字序列以用作数字属性值采样集索引或用于随机生成分类值的输入；所述采样集是根据实际银行交易数据分布进行排序和组织的，这种分布可近似为样本集中的样本重复；
所述数字序列的数字将落入采样设置范围内，获得选取的样本，将所述样本作为进行模拟完成的单个交易流；
将分别进行模拟完成的单个交易流输出合并。
进一步的，所述分布参数评估，使用高斯混合模型进行分布参数评估的问题推理；
给出一组数据
X＝{x1，x2...xn}
根据未知的分布，估计参数θ拟合数据的改成高斯混合模型
Figure BDA0003105291960000021
其中μ为数据均值，σ为数据标准差，k是混合模型中子高斯模型的数量，N观测数据样本的数量,Wi是观测数据属于第i个子模型的概率；
给定的约束
0＜wi＜1；
Figure BDA0003105291960000022
分布参数的估计采用似然最大化法P(X/θ)；这表示与模型参数有关的数据集的概率
Figure BDA0003105291960000023
最大期望算法，从实际训练数据中自动估计数值属性的分布；高斯混合分布参数通过期望最大化算法计算：
Figure BDA0003105291960000024
Figure BDA0003105291960000025
Figure BDA0003105291960000026
分完成分布参数评估。
进一步的，所述分布估计过程包括
算法会根据实际训练数据自动估算数值属性的分布。高斯混合分布参数通过期望最大化算法计算。
即使用户可以决定手动设置混合物数量作为配置参数，每次EM算法迭代后，分布与原始数据之间的MDL损失也会被计算。算法会迭代地增加混合物的数量，直到改进低于阈值T，其中MDL为最小描述长度。
重复直到MDLn-1-MDLn>T,
MDL＝-log(L(X,Z,θ))+{(K-1)+K[D+0.5D(D+1)]}log(N)。
进一步的，所述随机数生成
基于高斯混合模型的数值生成程序；
生成0…1之间的随机数；
根据重量配比选择合适的混合数；
使用逆混合CDF F-1(X)生成随机数，生成介于0…size(样本集)之间的随机数；抽取的样本的索引等于随机数，其中，CDF为累积密度函数。
一种基于深度学习的高斯混合模型银行交易数据模拟生成系统，包括：
构建银行交易模拟器，其中，
所述银行交易模拟器包括源数据存储模块、银行交易类型过滤器、银行交易流模块、预配置参数模块、分布参数评估模块、随机数生成器模块、采样和采样集模块、维度合并模块和接收器；
所述源数据存储模块，包括带有示例模拟器的真实交易存储区，用于推断目标交易的分配属性；
所述银行交易类型过滤器，确保所述模拟器仅读取所需数据并进行多路分解不同银行交易流之间的样本记录，其中，所述银行交易流负责模拟单个交易记录的一组组件属性；
所述预配置参数模块，包括主题专家定义的参数集、最小参数定义交易属性的格式、所述参数关形状和属性的概率分布以及样本集的设置
所述分布参数评估模块，用于组件使模拟器能够从源数据进行评估，用于生成交易维度的概率分布的数据特征；
随机数生成器模块，组件生成数字序列以用作数字属性值，采样集索引或用于随机生成分类值的输入；
所述采样和采样集模块，用户定义的数据集，用于绘制分类属性。使用此选项使用户可以控制分类输出的格式；
维度合并模块将多个交易流的输出合并为单个交易；
接收器通过REST接口或队列之类的接口处理生成的事务的传输。
本发明的有益效果：1.解决反欺诈过程中负样本数量过少的问题；2.解决大数据集中的样本数据分布不均问题；3.给出基于深度学习的数据模拟方法；4.给出生成样本数据与原始数据质量评测方法。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例的银行交易模拟流程图；
图2为本发明实施例的交易数据的频次分布概率
图3为本发明实施例的高斯混合模型的深度学习过程、目标函数和评测方法；
图4为本发明实施例的是一种概率变化，将频率分布转换成概率分布；
图5为本发明实施例的另一种概率变化，将频率分布转换成概率分布；
图6为本发明实施例的最大期望算法每次迭代后流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
一种基于深度学习的高斯混合模型银行交易数据模拟生成方法，包括，
获取银行真实交易数据；
对银行真实交易数据类型过滤，仅读取所需的数据并进行多路分解为不同属性的银行交易流之间的样本记录，其中，所述不同属性包括但不限于交易金额、交易类型和交易主体；
对不同属性的单个交易流进行分别进行模拟，其中，在单个交易流进行分别进行模拟时，进行预配置参数和分布参数评估，生成交易维度的概率分布的数据特征；
将经过预配置参数和分布参数评估的数据，通过随机数生成器生成数字序列，所述数字序列以用作数字属性值采样集索引或用于随机生成分类值的输入；所述采样集是根据实际银行交易数据分布进行排序和组织的，这种分布可近似为样本集中的样本重复；
所述数字序列的数字将落入采样设置范围内，获得选取的样本，将所述样本作为进行模拟完成的单个交易流；
将分别进行模拟完成的单个交易流输出合并。
进一步的，所述分布参数评估，使用高斯混合模型进行分布参数评估的问题推理；
给出一组数据
X＝{x1，x2...xn}
根据未知的分布，估计参数θ拟合数据的改成高斯混合模型
Figure BDA0003105291960000051
其中μ为数据均值，σ为数据标准差，k是混合模型中子高斯模型的数量，N观测数据样本的数量,Wi是观测数据属于第i个子模型的概率；
给定的约束
0＜wi＜1；
Figure BDA0003105291960000052
分布参数的估计采用似然最大化法P(X/θ)；这表示与模型参数有关的数据集的概率
Figure BDA0003105291960000053
最大期望算法，从实际训练数据中自动估计数值属性的分布；高斯混合分布参数通过期望最大化算法计算：
Figure BDA0003105291960000061
Figure BDA0003105291960000062
Figure BDA0003105291960000063
分完成分布参数评估。
进一步的，所述分布估计过程包括
算法会根据实际训练数据自动估算数值属性的分布。高斯混合分布参数通过期望最大化算法计算。
即使用户可以决定手动设置混合物数量作为配置参数，每次EM算法迭代后，分布与原始数据之间的MDL损失也会被计算。算法会迭代地增加混合物的数量，直到改进低于阈值T，其中MDL为最小描述长度。
重复直到MDLn-1-MDLn>T,
MDL＝-log(L(X,Z,θ))+{(K-1)+K[D+0.5D(D+1)]}log(N)。
进一步的，所述随机数生成
基于高斯混合模型的数值生成程序；
生成0…1之间的随机数；
根据重量配比选择合适的混合数；
使用逆混合CDF F-1(X)生成随机数，生成介于0…size(样本集)之间的随机数；抽取的样本的索引等于随机数，其中，CDF为累积密度函数。
一种基于深度学习的高斯混合模型银行交易数据模拟生成系统，包括：
构建银行交易模拟器，其中，
所述银行交易模拟器包括源数据存储模块、银行交易类型过滤器、银行交易流模块、预配置参数模块、分布参数评估模块、随机数生成器模块、采样和采样集模块、维度合并模块和接收器；
所述源数据存储模块，包括带有示例模拟器的真实交易存储区，用于推断目标交易的分配属性；
所述银行交易类型过滤器，确保所述模拟器仅读取所需数据并进行多路分解不同银行交易流之间的样本记录，其中，所述银行交易流负责模拟单个交易记录的一组组件属性；
所述预配置参数模块，包括主题专家定义的参数集、最小参数定义交易属性的格式、所述参数关形状和属性的概率分布以及样本集的设置
所述分布参数评估模块，用于组件使模拟器能够从源数据进行评估，用于生成交易维度的概率分布的数据特征；
随机数生成器模块，组件生成数字序列以用作数字属性值，采样集索引或用于随机生成分类值的输入；
所述采样和采样集模块，用户定义的数据集，用于绘制分类属性。使用此选项使用户可以控制分类输出的格式；
维度合并模块将多个交易流的输出合并为单个交易；
接收器通过REST接口或队列之类的接口处理生成的事务的传输。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.一种基于深度学习的高斯混合模型银行交易数据模拟生成方法，包括，
获取银行真实交易数据；
对银行真实交易数据类型过滤，仅读取所需的数据并进行多路分解为不同属性的银行交易流之间的样本记录，其中，所述不同属性包括但不限于交易金额、交易类型和交易主体；
对不同属性的单个交易流进行分别进行模拟，其中，在单个交易流进行分别进行模拟时，进行预配置参数和分布参数评估，生成交易维度的概率分布的数据特征；
将经过预配置参数和分布参数评估的数据，通过随机数生成器生成数字序列，所述数字序列以用作数字属性值采样集索引或用于随机生成分类值的输入；所述采样集是根据实际银行交易数据分布进行排序和组织的，这种分布可近似为样本集中的样本重复；
所述数字序列的数字将落入采样设置范围内，获得选取的样本，将所述样本作为进行模拟完成的单个交易流；
将分别进行模拟完成的单个交易流输出合并。
2.根据权利要求1所述的基于深度学习的高斯混合模型银行交易数据模拟生成方法，其特征在于，所述分布参数评估，使用高斯混合模型进行分布参数评估的问题推理；
给出一组数据
X＝{x1，x2...xn}
根据未知的分布，估计参数θ拟合数据的改成高斯混合模型
Figure FDA0003105291950000011
其中μ为数据均值，σ为数据标准差，k是混合模型中子高斯模型的数量，N观测数据样本的数量,Wi是观测数据属于第i个子模型的概率；
给定的约束
0＜wi＜1；
Figure FDA0003105291950000012
分布参数的估计采用似然最大化法P(X/θ)；这表示与模型参数有关的数据集的概率
Figure FDA0003105291950000021
最大期望算法，从实际训练数据中自动估计数值属性的分布；高斯混合分布参数通过期望最大化算法计算：
Figure FDA0003105291950000022
Figure FDA0003105291950000023
Figure FDA0003105291950000024
分完成分布参数评估。
3.根据权利要求1所述的基于深度学习的高斯混合模型银行交易数据模拟生成方法，其特征在于，所述分布估计过程包括
算法会根据实际训练数据自动估算数值属性的分布。高斯混合分布参数通过期望最大化算法计算。
即使用户可以决定手动设置混合物数量作为配置参数，每次EM算法迭代后，分布与原始数据之间的MDL损失也会被计算。算法会迭代地增加混合物的数量，直到改进低于阈值T，其中MDL为最小描述长度。
重复直到MDLn-1-MDLn>T,
MDL＝-log(L(X,Z,θ))+{(K-1)+K[D+0.5D(D+1)]}log(N)。
4.根据权利要求1所述的基于深度学习的高斯混合模型银行交易数据模拟生成方法，其特征在于，所述随机数生成
基于高斯混合模型的数值生成程序；
生成0…1之间的随机数；
根据重量配比选择合适的混合数；
使用逆混合CDF F-1(X)生成随机数，生成介于0…size(样本集)之间的随机数；抽取的样本的索引等于随机数，其中，CDF为累积密度函数。
5.一种基于深度学习的高斯混合模型银行交易数据模拟生成系统，包括：
构建银行交易模拟器，其中，
所述银行交易模拟器包括源数据存储模块、银行交易类型过滤器、银行交易流模块、预配置参数模块、分布参数评估模块、随机数生成器模块、采样和采样集模块、维度合并模块和接收器；
所述源数据存储模块，包括带有示例模拟器的真实交易存储区，用于推断目标交易的分配属性；
所述银行交易类型过滤器，确保所述模拟器仅读取所需数据并进行多路分解不同银行交易流之间的样本记录，其中，所述银行交易流负责模拟单个交易记录的一组组件属性；
所述预配置参数模块，包括主题专家定义的参数集、最小参数定义交易属性的格式、所述参数关形状和属性的概率分布以及样本集的设置
所述分布参数评估模块，用于组件使模拟器能够从源数据进行评估，用于生成交易维度的概率分布的数据特征；
随机数生成器模块，组件生成数字序列以用作数字属性值，采样集索引或用于随机生成分类值的输入；
所述采样和采样集模块，用户定义的数据集，用于绘制分类属性。使用此选项使用户可以控制分类输出的格式；
维度合并模块将多个交易流的输出合并为单个交易；
接收器通过REST接口或队列之类的接口处理生成的事务的传输。
CN202110635012.1A 2021-06-08 2021-06-08 基于深度学习的高斯混合模型银行交易数据模拟生成算法 Pending CN113435997A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110635012.1A CN113435997A (zh) 2021-06-08 2021-06-08 基于深度学习的高斯混合模型银行交易数据模拟生成算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110635012.1A CN113435997A (zh) 2021-06-08 2021-06-08 基于深度学习的高斯混合模型银行交易数据模拟生成算法

Publications (1)

Publication Number Publication Date
CN113435997A true CN113435997A (zh) 2021-09-24

Family

ID=77803843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110635012.1A Pending CN113435997A (zh) 2021-06-08 2021-06-08 基于深度学习的高斯混合模型银行交易数据模拟生成算法

Country Status (1)

Country Link
CN (1) CN113435997A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717601A (zh) * 2019-10-15 2020-01-21 厦门铅笔头信息科技有限公司 一种基于有监督学习和无监督学习的反欺诈方法
CN111461855A (zh) * 2019-01-18 2020-07-28 同济大学 基于欠采样的信用卡欺诈检测方法及系统、介质、设备
CN111861487A (zh) * 2020-07-10 2020-10-30 中国建设银行股份有限公司 金融交易数据处理方法、欺诈行为的监测方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461855A (zh) * 2019-01-18 2020-07-28 同济大学 基于欠采样的信用卡欺诈检测方法及系统、介质、设备
CN110717601A (zh) * 2019-10-15 2020-01-21 厦门铅笔头信息科技有限公司 一种基于有监督学习和无监督学习的反欺诈方法
CN111861487A (zh) * 2020-07-10 2020-10-30 中国建设银行股份有限公司 金融交易数据处理方法、欺诈行为的监测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李辉明等: "基于云平台的电子银行业务交易风险监控系统", 《金融电子化》 *
赵泽栋等: "商业银行智能化反欺诈体系建设浅析", 《中国金融电脑》 *

Similar Documents

Publication Publication Date Title
CN111181939B (zh) 一种基于集成学习的网络入侵检测方法及装置
CN113515770A (zh) 基于隐私保护确定目标业务模型的方法及装置
CN112070125A (zh) 一种基于孤立森林学习的不平衡数据集的预测方法
CN111311401A (zh) 一种基于LightGBM的金融违约概率预测模型
CN111461180A (zh) 样本分类方法、装置、计算机设备及存储介质
Utari et al. Implementation of data mining for drop-out prediction using random forest method
CN111754345A (zh) 一种基于改进随机森林的比特币地址分类方法
CN109214444B (zh) 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法
CN111506504A (zh) 基于软件开发过程度量的软件安全性缺陷预测方法及装置
CN111986027A (zh) 基于人工智能的异常交易处理方法、装置
CN114663002A (zh) 一种自动化匹配绩效考核指标的方法及设备
CN112884569A (zh) 一种信用评估模型的训练方法、装置及设备
CN112149884A (zh) 一种面向大规模学员的学业预警监测方法
CN115730947A (zh) 银行客户流失预测方法及装置
CN116091185A (zh) 一种客户流失预警方法和装置
Leqi et al. Supervised learning with general risk functionals
Guevara et al. The initial condition problem with complete history dependency in learning models for travel choices
CN112434862B (zh) 上市企业财务困境预测方法及装置
CN113435997A (zh) 基于深度学习的高斯混合模型银行交易数据模拟生成算法
CN104468276A (zh) 基于随机抽样多分类器的网络流量识别方法
CN116611911A (zh) 基于支持向量机的信用风险预测方法及装置
CN112819499A (zh) 信息发送方法、装置、服务器及存储介质
CN116541755A (zh) 一种基于时序图表征学习的金融行为模式分析预测方法
CN114282657A (zh) 一种市场数据长期预测模型训练方法、装置、设备及存储介质
CN114360653A (zh) 一种基于数据遗传变异的样本生成及生存评估方法、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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210924

RJ01 Rejection of invention patent application after publication