CN113706290A - 在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质 - Google Patents

在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN113706290A
CN113706290A CN202111006037.1A CN202111006037A CN113706290A CN 113706290 A CN113706290 A CN 113706290A CN 202111006037 A CN202111006037 A CN 202111006037A CN 113706290 A CN113706290 A CN 113706290A
Authority
CN
China
Prior art keywords
credit
credit data
neural network
evaluation model
architecture
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
CN202111006037.1A
Other languages
English (en)
Inventor
乔亚男
杨帆
薄钧戈
黄鑫
房琛琛
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202111006037.1A priority Critical patent/CN113706290A/zh
Publication of CN113706290A publication Critical patent/CN113706290A/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
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质，包括：获取信用数据；对信用数据进行预处理，得若干信用数据样本；采用模因优化算法确定神经网络架构；利用信用数据样本对神经网络进行训练；将训练后的神经网络作为信用评估模型保存于区块链的信用数据结构中，并在时间戳中写入时间信息，该方法、系统、设备及存储介质能够在较小数据挖掘背景知识下建立信用评估模型，同时模型的搜索效率较高。

Description

在区块链上采用神经架构搜索的信用评估模型构建方法、系 统、设备及存储介质
技术领域
本发明属于征信监管领域，涉及一种在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质。
背景技术
在信用评估的发展过程中，很多评估方法被提起并应用在信用评估上，主要包括线性判别分析法、基于统计学和运筹学的方法、非参数分析法、人工智能方法。学者们在不同时期充分利用能利用的资源对不同的评估方法提出不同的看法、观点，并将其用于现实，直到现在发展成为以人工智能方法为基础的信用评估系统。
现代个人信用评估方法主要是在统计学或运筹学的基础上发展起来的。常用的统计学方法有：线性判别分析、线性回归、Logistic回归等；后来运筹学方法也被考虑进来，主要是一些数学规划方法，例如线性规划、整数规划；最近一些年，采用各种人工智方法进行个人信用评估，如神经网络、遗传算法、专家系统等。纵观这些不同的方法，它们主要将个人信用评估看成两类问题：一类是分类问题，另一类是回归问题。
传统信用评估模型中，大量运用了计量经济学、统计学、运筹学的方法。随着风险管理工作和计算机技术，特别是数据挖掘技术的发展，各种新的基于数据挖掘的信用模型被提出，目的都在于提高分类的准确性和可解释性，然而现有的信用模型需要在大量数据挖掘背景知识下进行确定，同时搜索效率较低。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质，该方法、系统、设备及存储介质能够在较小数据挖掘背景知识下建立信用评估模型，同时模型的搜索效率较高。
为达到上述目的，本发明所述的在区块链上采用神经架构搜索的信用评估模型构建方法，包括：
获取信用数据；
对信用数据进行预处理，得若干信用数据样本；
采用模因优化算法确定神经网络架构；
利用信用数据样本对神经网络进行训练；
将训练后的神经网络作为信用评估模型保存于区块链的信用数据结构中，并在时间戳中写入时间信息。
将信用数据以信用数据结构的形式存储于区块链中，所述信用数据结构包括信用数据所属用户、信用数据及信用数据状态。
采用改进的SMOTE方法对信用数据进行平衡化，得若干信用数据样本。
采用模因优化算法确定神经网络架构的过程中，模因池中设置初始状态的模因节点为30个，每个模因节点包括一个初始化网络结构的参数，神经网络架构与模因节点具有映射关系，模因节点的状态代表对应的神经网络状态及架构，每次神经网络训练及搜索过程中，搜索得到的损失函数作为模因优化计算的拟合函数，模因节点通过进化及迭代过程搜索损失函数最小时的神经网络架构，与此同时，模因池中另一批模因节点对应神经网络架构中每层神经元的参数，所述每层神经元的参数包括神经元的个数及连接状态信息。
还包括：采用信用用户身份检测模型对信用评估这的用户身份进行识别。
将训练后的神经网络作为信用评估模型保存于区块链中的信用数据结构中，并在时间戳中写入时间信息之后，当金融机构收到信用评估申请后，则向区块链发送查询信用信息请求，信用链将要查询的信息加密并签名后发送给金融机构。
本发明所述的在区块链上采用神经架构搜索的信用评估模型构建系统包括：
获取模块，用于获取信用数据；
预处理模块，用于对信用数据进行预处理，得若干信用数据样本；
确定模块，用于采用模因优化算法确定神经网络架构；
训练模块，用于利用信用数据样本对神经网络进行训练；
保存模块，用于将训练后的神经网络作为信用评估模型保存于区块链的信用数据结构中，并在时间戳中写入时间信息。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述在区块链上采用神经架构搜索的信用评估模型构建方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述在区块链上采用神经架构搜索的信用评估模型构建方法的步骤。
本发明具有以下有益效果：
本发明所述的在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质在具体操作时，对信用数据进行预处理，再采用模因优化算法确定神经网络架构，从而在较小数据挖掘背景知识下建立信用评估模型，另外，利用信用数据样本对神经网络进行训练，再将训练后的神经网络作为信用评估模型保存于区块链的信用数据结构中，模型的搜索效率较高。
附图说明
图1为信用检测用户身份识别的CNN模型结构的示意图；
图2为信息安全验证的流程图。
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，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。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。
在附图中示出了根据本发明公开实施例的结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
参考图1及图2，本发明所述的在区块链上采用神经架构搜索的信用评估模型构建方法包括以下步骤：
1)获取信用数据，将信用数据存储于区块链中
信用数据所属用户包括个人、企业及团体。区块链系统中可以充分体现所有数据对象的状态变化及其隶属关系和其状态变化的时间，即通过信用数据的数据结构，可以根据时间戳对信用数据状态变化进行追溯，如表1所示；
表1
Figure BDA0003237077550000051
信用数据结构包括：
11)信用数据所属用户(Credit Data Owner)
信用数据所属用户表示该信用数据由谁首先生成或谁在操作数据，包括名称(Name)和类型(Type)字段。
12)信用数据(Data)：表示数据本身的信息，包括名称(Name)、类型(Type)、格式(Format)及数据的哈希值(Hash)。
13)信用数据状态(Credit Data State)：表示信用数据当前的状态，包括活动(Activity)及时间戳(Timestamp)字段。
信用数据结构、交易和区块均具有时间戳，其原因在于生成信用数据结构的时间、发送交易的时间及生成区块的时间可能不一致，为使信用数据溯源更准确，将上述时间点均记录下来。本发明面向安全要求较高及包含敏感信息的网络，该网络的结构相对稳定，网络中各节点的所有权及权限都很明确，因此，取消DPoS的投票过程，同时不需要加密货币进行分配股权，直接将各部门的管理节点作为见证节点，其他只参与生成信用数据的节点作为参与节点，设定固定时间T，在每个T时间随机选择一个管理节点作为新的区块生成节点，每间隔T时间，所有管理节点随机排列，第一个管理节点负责生成新区块，当第一个管理节点不能生成新区块时，则通过第二个管理节点生成新区块。
2)信用评估者用户身份识别
为保障信用评估者的身份安全，对信用评估者的照片信息进行检测，完成身份验证，在区块链分布式计算环境中，身份认证需解决的问题是：判断当前区块链系统的使用者是否与私钥用户身份一致，因此将其中一个用户作为合法用户，其他用户作为非法用户。
在进行身份识别时，构建信用用户身份检测模型，所述信用用户身份检测模型由7层的CNN网络组成，其中，前四层为卷积层，其余三层为全连接层，各卷积层后面均有一个最大池化层，前两层全连接层的输出由Dropout处理，最后一层全连接层的输出结果由Softmax函数处理，并得到分类标签的概率分布，对所有卷积层和除最后一层外的所有全连接层的输出均经ReLU非线性化处理，第一个卷积层使用32个大小为3*3*3的卷积核过滤大小为100*100*3的输入信用用户图像，步长为1像素。第二个卷积层将第一个卷积层的输出作为输入，并使用大小为3*3*32的64个卷积核对其进行过滤。第三卷积层使用128个大小为3*3*64的卷积核与第二卷积层的输出相连。第四卷积层具有大小为3*3*128的128个卷积核。第一全连接层有1024个神经元，第二层有512个神经元，均以0.5的概率通过Dropout层的处理。为防止模型过拟合，在最后三层全连接层的前两层加入Dropout层。采用Tensorflow提供的Adam优化算法，Adam优化算法为学习率自适应的优化算法，以引入二次方梯度校正。
3)信用数据预处理过程
采用改进的SMOTE方法对信用数据进行平衡化，SMOTE方法基于插值，具体为：
设训练集的一个少数类的样本数为T，则SMOTE算法将为该少数类合成NT个新样本，其中，N为正整数，考虑该少数类的一个样本i，其特征向量为H∈{1,2,...,xi},i∈{1,2,...,T}，具体为：
31)从该少数类的全部T个样本中查找样本xi的k个近邻xi_near；
32)从k个近邻中随机选择一个样本xnn，再生成一个00到11之间的随机数
Figure BDA0003237077550000071
从而合成一个新样本xnew，
Figure BDA0003237077550000072
33)将步骤32)重复进行N次，得N个新样本xnew，则对全部的T个少数类样本进行上述操作，得该少数类合成NT个新样本；当样本的特征维数为22维，则每个样本都可以用二维平面上的一个点来表示。SMOTE算法所合成出的一个新样本xi_near相当于为表示信用样本xi_near的点与表示样本xi_nn的点之间所连线段上的一个点，SMOTE算法基于插值来合成新的信用数据样本。
4)采用模因优化算法确定神经网络架构
模因池中设置初始状态的模因节点为30个，每个模因节点包括一个初始化网络结构的参数，神经网络架构与模因节点具有映射关系，模因节点的状态代表对应的神经网络状态及架构，每次神经网络训练及搜索过程中，搜索得到的损失函数作为模因优化计算的拟合函数，模因节点通过进化及迭代过程搜索损失函数最小时的神经网络架构，与此同时，模因池中另一批模因节点对应神经网络架构中每层神经元的参数，所述每层神经元的参数包括神经元的个数及连接状态信息。通过模因优化计算每次搜索需要找到最优的网络结构。
5)利用信用数据样本对神经网络进行训练；
将预训练模型作为特征提取装置，具体的，将输出层去掉，然后将剩下的整个神经网络作为一个固定的特征提取机，从而应用到新的数据集中，采用预训练模型的结构，我们还可以采用预训练模型的结构，但先将所有的权重随机化，然后依据自己的数据集进行训练，训练特定层时，冻结其他层；另一种训练方式是，将模型起始的若干层的权重保持不变，重新训练后面的层，得新的权重，以找到frozen layers(冻结层)和retrain layers(训练层)之间的最佳搭配。
控制器通过在大型计算图中搜索最优子图来查找神经网络结构，训练控制器试图选择一个在验证集上获得最佳准确度的子图。为自动模型设计提供一种快速、经济的方法。确定信用模型搜索空间中参数范围，通过强制所有子模型共享权值来提高神经架构搜索的效率，以避免每个子模型从无到有训练，采用单有向无圈图(DAG)表示神经架构搜索的搜索空间。递归单元的设计采用具有N个节点的DAG，以代表局部计算，边缘表示N个节点之间的信息流。ENAS的控制器为RNN，其决定在DAG中的每个节点处执行哪些计算，并且哪些边缘被激活。控制器网络为具备100个隐藏单元的LSTM。在模型搜索过程中，采用针对模型压缩中的重要方法，即剪枝(Pruning)。虽然模型训练时需要复杂的结构，但训练好的模型一般有比较高的冗余度，因此可以进行裁剪，且只降低很少精度，从而提高精度，由于剪枝能起到正则化效果，从而提高模型的泛化能力。
对信用数据集进行分割，每批次模型搜索结束后，测试搜索模型的准确率，选择准确率最高的模型作为下一次搜索的初始模型，经过n次搜索过程，确定最终得到的最优信用模型。
6)将训练后的神经网络作为信用评估模型保存于区块链的信用数据结构中，并在时间戳中写入时间信息。
搜索得到的当前最佳信用模型保存在区块链的信用数据结构中，并在时间戳中写入时间信息，从而可以在后续实现模型的溯源功能。当金融机构收到信用评估申请后，则向区块链发送查询信用信息请求，信用链将要查询的信息加密并签名后发送给金融机构，整个过程采用基于PKI的信息安全验证，如果借贷过程中产生新的信用信息，则向信用链提出同步信息申请，信用链同意后，借贷链将信贷信息加密并签名后发送给信用链，以保证系统的实时性。
本发明所述的在区块链上采用神经架构搜索的信用评估模型构建系统包括：
获取模块，用于获取信用数据；
预处理模块，用于对信用数据进行预处理，得若干信用数据样本；
确定模块，用于采用模因优化算法确定神经网络架构；
训练模块，用于利用信用数据样本对神经网络进行训练；
保存模块，用于将训练后的神经网络作为信用评估模型保存于区块链的信用数据结构中，并在时间戳中写入时间信息。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述在区块链上采用神经架构搜索的信用评估模型构建方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述在区块链上采用神经架构搜索的信用评估模型构建方法的步骤。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图下面结合附图说明和具体实施方式对本发明做进一步详细说明。

Claims (9)

1.一种在区块链上采用神经架构搜索的信用评估模型构建方法，其特征在于，包括：
获取信用数据；
对信用数据进行预处理，得若干信用数据样本；
采用模因优化算法确定神经网络架构；
利用信用数据样本对神经网络进行训练；
将训练后的神经网络作为信用评估模型保存于区块链的信用数据结构中，并在时间戳中写入时间信息。
2.根据权利要求1所述的在区块链上采用神经架构搜索的信用评估模型构建方法，其特征在于，将信用数据以信用数据结构的形式存储于区块链中，所述信用数据结构包括信用数据所属用户、信用数据及信用数据状态。
3.根据权利要求1所述的在区块链上采用神经架构搜索的信用评估模型构建方法，其特征在于，采用改进的SMOTE方法对信用数据进行平衡化，得若干信用数据样本。
4.根据权利要求1所述的在区块链上采用神经架构搜索的信用评估模型构建方法，其特征在于，采用模因优化算法确定神经网络架构的过程中，模因池中设置初始状态的模因节点为30个，每个模因节点包括一个初始化网络结构的参数，神经网络架构与模因节点具有映射关系，模因节点的状态代表对应的神经网络状态及架构，每次神经网络训练及搜索过程中，搜索得到的损失函数作为模因优化计算的拟合函数，模因节点通过进化及迭代过程搜索损失函数最小时的神经网络架构，与此同时，模因池中另一批模因节点对应神经网络架构中每层神经元的参数，所述每层神经元的参数包括神经元的个数及连接状态信息。
5.根据权利要求1所述的在区块链上采用神经架构搜索的信用评估模型构建方法，其特征在于，还包括：采用信用用户身份检测模型对信用评估这的用户身份进行识别。
6.根据权利要求1所述的在区块链上采用神经架构搜索的信用评估模型构建方法，其特征在于，将训练后的神经网络作为信用评估模型保存于区块链中的信用数据结构中，并在时间戳中写入时间信息之后，当金融机构收到信用评估申请后，则向区块链发送查询信用信息请求，信用链将要查询的信息加密并签名后发送给金融机构。
7.一种在区块链上采用神经架构搜索的信用评估模型构建系统，其特征在于，包括：
获取模块，用于获取信用数据；
预处理模块，用于对信用数据进行预处理，得若干信用数据样本；
确定模块，用于采用模因优化算法确定神经网络架构；
训练模块，用于利用信用数据样本对神经网络进行训练；
保存模块，用于将训练后的神经网络作为信用评估模型保存于区块链的信用数据结构中，并在时间戳中写入时间信息。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述在区块链上采用神经架构搜索的信用评估模型构建方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述在区块链上采用神经架构搜索的信用评估模型构建方法的步骤。
CN202111006037.1A 2021-08-30 2021-08-30 在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质 Pending CN113706290A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111006037.1A CN113706290A (zh) 2021-08-30 2021-08-30 在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111006037.1A CN113706290A (zh) 2021-08-30 2021-08-30 在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113706290A true CN113706290A (zh) 2021-11-26

Family

ID=78656973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111006037.1A Pending CN113706290A (zh) 2021-08-30 2021-08-30 在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113706290A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341634A (zh) * 2022-11-18 2023-06-27 上海玄戒技术有限公司 神经结构搜索模型的训练方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472690A (zh) * 2018-10-25 2019-03-15 深圳壹账通智能科技有限公司 基于区块链的贷款审批方法、装置、存储介质及电子设备
CN110555148A (zh) * 2018-05-14 2019-12-10 腾讯科技（深圳）有限公司 一种用户行为评估方法、计算设备及存储介质
CN110912712A (zh) * 2019-12-18 2020-03-24 东莞市大易产业链服务有限公司 基于区块链的业务操作风险认证方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555148A (zh) * 2018-05-14 2019-12-10 腾讯科技（深圳）有限公司 一种用户行为评估方法、计算设备及存储介质
CN109472690A (zh) * 2018-10-25 2019-03-15 深圳壹账通智能科技有限公司 基于区块链的贷款审批方法、装置、存储介质及电子设备
CN110912712A (zh) * 2019-12-18 2020-03-24 东莞市大易产业链服务有限公司 基于区块链的业务操作风险认证方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PENGXIAO SHAN 等: "An Adaptive Memetic Algorithm for Designing Artificial Neural Networks", 2015 IEEE 12TH INTL CONF ON UBIQUITOUS INTELLIGENCE AND COMPUTING AND 2015 IEEE 12TH INTL CONF ON AUTONOMIC AND TRUSTED COMPUTING AND 2015 IEEE 15TH INTL CONF ON SCALABLE COMPUTING AND COMMUNICATIONS AND ITS ASSOCIATED WORKSHOPS (UIC-ATC-SCALCOM) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341634A (zh) * 2022-11-18 2023-06-27 上海玄戒技术有限公司 神经结构搜索模型的训练方法、装置及电子设备

Similar Documents

Publication Publication Date Title
Li et al. LGM-Net: Learning to generate matching networks for few-shot learning
US11042802B2 (en) System and method for hierarchically building predictive analytic models on a dataset
Mu et al. Urban land use and land cover change prediction via self-adaptive cellular based deep learning with multisourced data
CN111339818B (zh) 一种人脸多属性识别系统
CN113065974A (zh) 一种基于动态网络表示学习的链路预测方法
CN113822315A (zh) 属性图的处理方法、装置、电子设备及可读存储介质
CN114913379B (zh) 基于多任务动态对比学习的遥感图像小样本场景分类方法
CN113011893B (zh) 数据处理方法、装置、计算机设备及存储介质
CN113706290A (zh) 在区块链上采用神经架构搜索的信用评估模型构建方法、系统、设备及存储介质
CN113762331A (zh) 关系型自蒸馏方法、装置和系统及存储介质
Zhang et al. Strans-gan: Spatially-transferable generative adversarial networks for urban traffic estimation
CN116523002A (zh) 多源异构数据的动态图生成对抗网络轨迹预测方法和系统
CN116977265A (zh) 缺陷检测模型的训练方法、装置、计算机设备和存储介质
Nasr et al. Transfer learning framework for forecasting fresh produce yield and price
CN116188174A (zh) 基于模块度和互信息的保险欺诈检测方法及系统
Hu et al. Crowd R-CNN: An object detection model utilizing crowdsourced labels
CN114529063A (zh) 一种基于机器学习的金融领域数据预测方法、设备及介质
Suyal et al. An Agile Review of Machine Learning Technique
CN113158088A (zh) 一种基于图神经网络的位置推荐方法
CN113590720A (zh) 数据分类方法、装置、计算机设备和存储介质
Khanarsa et al. Self-Identification ResNet-ARIMA Forecasting Model
Cai et al. Monitoring harmful bee colony with deep learning based on improved grey prediction algorithm
Kim et al. Swarm ascending: Swarm intelligence-based exemplar group detection for robust clustering
CN115831339B (zh) 基于深度学习的医疗系统风险管控事前预测方法、系统
CN117709967B (zh) 反洗钱检测方法和系统

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