CN114402335A - 用于管理模型更新的方法、系统和计算机程序产品 - Google Patents
用于管理模型更新的方法、系统和计算机程序产品 Download PDFInfo
- Publication number
- CN114402335A CN114402335A CN201980100085.1A CN201980100085A CN114402335A CN 114402335 A CN114402335 A CN 114402335A CN 201980100085 A CN201980100085 A CN 201980100085A CN 114402335 A CN114402335 A CN 114402335A
- Authority
- CN
- China
- Prior art keywords
- model
- machine learning
- feature
- policy
- states
- 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
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
- G06Q20/326—Payment applications installed on the mobile devices
-
- 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
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
- G06Q20/02—Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP]
- G06Q20/027—Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP] involving a payment switch or gateway
-
- 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
- G06Q20/08—Payment architectures
- G06Q20/20—Point-of-sale [POS] network systems
- G06Q20/204—Point-of-sale [POS] network systems comprising interface for record bearing medium or carrier for electronic funds transfer or payment credit
-
- 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
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
- G06Q20/321—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices using wearable devices
-
- 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
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
- G06Q20/327—Short range or proximity payments by means of M-devices
- G06Q20/3278—RFID or NFC payments by means of M-devices
-
- 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
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Finance (AREA)
- Computer Security & Cryptography (AREA)
- Neurology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Debugging And Monitoring (AREA)
Abstract
一种用于在多个数据中心处管理模型更新的方法、系统和计算机程序产品,其托管相同机器学习模型以:获得输入到第一机器学习模型的第一实施方案的多个第一特征简档,以及根据使用所述第一实施方案处理模型输入而确定的多个第一模型状态;基于包括由第一模型策略限定的一组模型状态的所述多个第一模型状态和包括由所述第一模型策略限定的一组特征简档的所述多个第一特征简档,确定与所述第一机器学习模型相关联的所述第一模型策略得到满足;并且响应于确定所述第一模型策略得到满足,提供所述多个第一模型状态和所述多个第一特征简档以用于更新所述第一机器学习模型的至少一个第二实施方案。
Description
技术领域
本公开大体上涉及用于管理模型更新的系统、装置、产品、设备和方法,并且在一些实施例中或方面,涉及用于动态跨数据中心简档更新以支持有状态机器学习模型的方法、系统和产品。
背景技术
与使用无状态机器学习模型的应用程序进行比较,接收基于时间的连续输入或事件的许多应用程序(例如,欺诈检测应用程序、替代处理应用程序、广告应用程序、营销应用程序等)使用例如递归神经网络等有状态机器学习模型,以提高应用程序的性能。例如,递归神经网络(RNN)存储从模型输入到模型状态的连续信息(例如,类似于人脑的记忆等)。作为示例,RNN模型可存储多层状态。
例如交易等的基于时间的连续输入或事件可在多个不同的数据中心处进行处理。例如,第一输入或事件可在第一数据中心处进行处理,并且第二输入或事件可在第二数据中心处进行处理。这些多个数据中心中的每个数据中心可提供有状态机器学习模型的实施方案(例如,实例等)。在多个数据中心之间同步和更新的模型状态和输入简档允许模型结果在多个数据中心之间保持准确和/或一致。然而,现有的数据库和存储器内缓存系统没有在多个数据中心之间维持一致的模型状态和输入简档的机制。例如,这些现有的系统在数据中心之间更新数据时不考虑数据的上下文。作为示例,现有的数据库和存储器内缓存系统可平等地对待所有数据(例如,不提供对何时复制数据、首先复制什么数据以及以什么次序复制数据的控制)。在此示例中,如果用于有状态机器学习模型的不同实施方案的模型状态和/或输入简档被不一致地更新和/或无序地更新,则模型结果可能是错误的和/或不一致的,并且正确的模型状态可能是不可恢复的。因此,所属领域需要改进对模型更新的管理。
发明内容
因此,提供了用于管理模型更新的改进的系统、装置、产品、设备和/或方法。
根据一些非限制性实施例或方面,提供了一种计算机实施的方法,包括:使用至少一个处理器获得输入到第一机器学习模型的第一实施方案的多个第一特征简档,以及根据使用所述第一机器学习模型的所述第一实施方案处理包括所述多个第一特征简档的模型输入而确定的多个第一模型状态;基于包括由第一模型策略限定的一组模型状态的所述多个第一模型状态和包括由所述第一模型策略限定的一组特征简档的所述多个第一特征简档,使用至少一个处理器确定与所述第一机器学习模型相关联的所述第一模型策略得到满足;以及响应于确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,使用至少一个处理器提供所述多个第一模型状态和所述多个第一特征简档以用于更新与所述第一机器学习模型的所述第一实施方案不同的所述第一机器学习模型的至少一个第二实施方案。
在一些非限制性实施例或方面中,所述第一机器学习模型包括第一神经网络,所述第一神经网络包括多个层,并且与所述多个层中的每个其它层相比,所述多个层中的每个层与由所述第一模型策略限定的所述一组模型状态中的不同模型状态相关联。
在一些非限制性实施例或方面中,由所述第一模型策略限定的所述一组特征简档包括由所述机器学习模型的所述第一实施方案处理的所述模型输入的特征简档的适当子集。
在一些非限制性实施例或方面中,所述模型输入与序列号相关联,并且确定与所述第一机器学习模型相关联的所述第一模型策略得到满足是基于所述序列号的,所述序列号包括与由所述机器学习模型的所述第一实施方案处理的模型输入相关联的序列号次序中的下一个序列号。
在一些非限制性实施例或方面中,获得所述多个第一模型状态包括在第一时间接收所述多个第一模型状态中的至少一个第一模型状态,并且在所述第一时间之后的另一时间接收所述多个模型状态中的至少一个其它第一模型状态,所述至少一个第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的模型状态,并且所述至少一个其它第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的另一模型状态。
在一些非限制性实施例或方面中,获得所述多个第一特征简档包括在第一时间接收所述多个第一特征简档中的至少一个第一特征简档,并且在所述第一时间之后的另一时间接收所述多个第一特征简档中的至少一个其它第一特征简档,所述至少一个第一特征简档不包括由所述第一模型策略限定的所述一组特征简档中的特征简档,并且所述至少一个其它第一特征简档包括由所述第一模型策略限定的所述一组特征简档中的特征简档。
在一些非限制性实施例或方面中,所述方法还包括:使用至少一个处理器,通过所述多个第一模型状态和所述多个第一特征简档更新所述第一机器学习模型的所述至少一个第二实施方案。
根据一些非限制性实施例或方面,提供了一种计算系统,包括:一个或多个处理器,其被编程和/或配置成:获得输入到第一机器学习模型的第一实施方案中的多个第一特征简档,以及根据使用所述第一机器学习模型的所述第一实施方案处理包括所述多个第一特征简档的模型输入而确定的多个第一模型状态;基于包括由第一模型策略限定的一组模型状态的所述多个第一模型状态和包括由所述第一模型策略限定的一组特征简档的所述多个第一特征简档,确定与所述第一机器学习模型相关联的所述第一模型策略得到满足;并且响应于确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,提供所述多个第一模型状态和所述多个第一特征简档以用于更新与所述第一机器学习模型的所述第一实施方案不同的所述第一机器学习模型的至少一个第二实施方案。
在一些非限制性实施例或方面中,所述第一机器学习模型包括第一神经网络,所述第一神经网络包括多个层,并且与所述多个层中的每个其它层相比,所述多个层中的每个层与由所述第一模型策略限定的所述一组模型状态中的不同模型状态相关联。
在一些非限制性实施例或方面中,由所述第一模型策略限定的所述一组特征简档包括由所述机器学习模型的所述第一实施方案处理的所述模型输入的特征简档的适当子集。
在一些非限制性实施例或方面中,所述模型输入与序列号相关联,并且所述一个或多个处理器被编程和/或配置成基于所述序列号确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,所述序列号包括与由所述机器学习模型的所述第一实施方案处理的模型输入相关联的序列号次序中的下一个序列号。
在一些非限制性实施例或方面中,所述一个或多个处理器被编程和/或配置成通过在第一时间接收所述多个第一模型状态中的至少一个第一模型状态并且在所述第一时间之后的另一时间接收所述多个模型状态中的至少一个其它第一模型状态来获得所述多个第一模型状态,所述至少一个第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的模型状态,并且所述至少一个其它第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的另一模型状态。
在一些非限制性实施例或方面中,所述一个或多个处理器被编程和/或配置成通过在第一时间接收所述多个第一特征简档中的至少一个第一特征简档,并且在所述第一时间之后的另一时间接收所述多个第一特征简档中的至少一个其它第一特征简档来获得所述多个第一特征简档,所述至少一个第一特征简档不包括由所述第一模型策略限定的所述一组特征简档中的特征简档,其中所述至少一个其它第一特征简档包括由所述第一模型策略限定的所述一组特征简档中的特征简档。
在一些非限制性实施例或方面中,所述计算系统还包括:第一数据中心,其被编程和/或配置成提供所述第一机器学习模型的所述第一实施方案;以及至少一个第二数据中心,其被编程和/或配置成提供所述第一机器学习模型的所述至少一个第二实施方案,其中所述一个或多个处理器还被编程和/或配置成将所述多个第一模型状态和所述多个第一特征简档发送到所述至少一个第二数据中心,以用于在所述至少一个第二数据中心处更新所述第一机器学习模型的所述至少一个第二实施方案。
根据一些非限制性实施例或方面,提供了一种计算机程序产品,包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括程序指令,所述程序指令在由至少一个处理器执行时使得所述至少一个处理器:获得输入到第一机器学习模型的第一实施方案中的多个第一特征简档,以及根据使用所述第一机器学习模型的所述第一实施方案处理包括所述多个第一特征简档的模型输入而确定的多个第一模型状态;基于包括由第一模型策略限定的一组模型状态的所述多个第一模型状态和包括由所述第一模型策略限定的一组特征简档的所述多个第一特征简档,确定与所述第一机器学习模型相关联的所述第一模型策略得到满足;并且响应于确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,提供所述多个第一模型状态和所述多个第一特征简档以用于更新与所述第一机器学习模型的所述第一实施方案不同的所述第一机器学习模型的至少一个第二实施方案。
在一些非限制性实施例或方面中,所述第一机器学习模型包括第一神经网络,所述第一神经网络包括多个层,并且与所述多个层中的每个其它层相比,所述多个层中的每个层与由所述第一模型策略限定的所述一组模型状态中的不同模型状态相关联。
在一些非限制性实施例或方面中,由所述第一模型策略限定的所述一组特征简档包括由所述机器学习模型的所述第一实施方案处理的所述模型输入的特征简档的适当子集。
在一些非限制性实施例或方面中,所述模型输入与序列号相关联,并且所述指令使得所述至少一个处理器基于所述序列号确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,所述序列号包括与由所述机器学习模型的所述第一实施方案处理的模型输入相关联的序列号次序中的下一个序列号。
在一些非限制性实施例或方面中,所述指令使得所述至少一个处理器通过在第一时间接收所述多个第一模型状态中的至少一个第一模型状态,并且在所述第一时间之后的另一时间接收所述多个模型状态中的至少一个其它第一模型状态来获得所述多个第一模型状态,所述至少一个第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的模型状态,并且所述至少一个其它第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的另一模型状态。
在一些非限制性实施例或方面中,所述指令使得所述至少一个处理器通过在第一时间接收所述多个第一特征简档中的至少一个第一特征简档,并且在所述第一时间之后的另一时间接收所述多个第一特征简档中的至少一个其它第一特征简档来获得所述多个第一特征简档,所述至少一个第一特征简档不包括由所述第一模型策略限定的所述一组特征简档中的特征简档,并且所述至少一个其它第一特征简档包括由所述第一模型策略限定的所述一组特征简档中的特征简档。
在以下编号条款中阐述其它实施例或方面:
条款1。一种计算机实施的方法,包括:使用至少一个处理器获得输入到第一机器学习模型的第一实施方案的多个第一特征简档,以及根据使用所述第一机器学习模型的所述第一实施方案处理包括所述多个第一特征简档的模型输入而确定的多个第一模型状态;基于包括由第一模型策略限定的一组模型状态的所述多个第一模型状态和包括由所述第一模型策略限定的一组特征简档的所述多个第一特征简档,使用至少一个处理器确定与所述第一机器学习模型相关联的所述第一模型策略得到满足;以及响应于确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,使用至少一个处理器提供所述多个第一模型状态和所述多个第一特征简档以用于更新与所述第一机器学习模型的所述第一实施方案不同的所述第一机器学习模型的至少一个第二实施方案。
条款2。根据条款1所述的计算机实施的方法,其中所述第一机器学习模型包括第一神经网络,所述第一神经网络包括多个层,并且其中与所述多个层中的每个其它层相比,所述多个层中的每个层与由所述第一模型策略限定的所述一组模型状态中的不同模型状态相关联。
条款3。根据条款1或2所述的计算机实施的方法,其中由所述第一模型策略限定的所述一组特征简档包括由所述机器学习模型的所述第一实施方案处理的所述模型输入的特征简档的适当子集。
条款4。根据条款1至3中任一项所述的计算机实施的方法,其中所述模型输入与序列号相关联,并且其中确定与所述第一机器学习模型相关联的所述第一模型策略得到满足是基于所述序列号的,所述序列号包括与由所述机器学习模型的所述第一实施方案处理的模型输入相关联的序列号次序中的下一个序列号。
条款5。根据条款1至4中任一项所述的计算机实施的方法,其中获得所述多个第一模型状态包括在第一时间接收所述多个第一模型状态中的至少一个第一模型状态,并且在所述第一时间之后的另一时间接收所述多个模型状态中的至少一个其它第一模型状态,其中所述至少一个第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的模型状态,并且其中所述至少一个其它第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的另一模型状态。
条款6。根据条款1至5中任一项所述的计算机实施的方法,其中获得所述多个第一特征简档包括在第一时间接收所述多个第一特征简档中的至少一个第一特征简档,并且在所述第一时间之后的另一时间接收所述多个第一特征简档中的至少一个其它第一特征简档,其中所述至少一个第一特征简档不包括由所述第一模型策略限定的所述一组特征简档中的特征简档,并且其中所述至少一个其它第一特征简档包括由所述第一模型策略限定的所述一组特征简档中的特征简档。
条款7。根据条款1至6中任一项所述的计算机实施的方法,还包括:使用至少一个处理器,通过所述多个第一模型状态和所述多个第一特征简档更新所述第一机器学习模型的所述至少一个第二实施方案。
条款8。一种计算系统,包括:一个或多个处理器,其被编程和/或配置成:获得输入到第一机器学习模型的第一实施方案中的多个第一特征简档,以及根据使用所述第一机器学习模型的所述第一实施方案处理包括所述多个第一特征简档的模型输入而确定的多个第一模型状态;基于包括由第一模型策略限定的一组模型状态的所述多个第一模型状态和包括由所述第一模型策略限定的一组特征简档的所述多个第一特征简档,确定与所述第一机器学习模型相关联的所述第一模型策略得到满足;并且响应于确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,提供所述多个第一模型状态和所述多个第一特征简档以用于更新与所述第一机器学习模型的所述第一实施方案不同的所述第一机器学习模型的至少一个第二实施方案。
条款9。根据条款8所述的计算系统,其中所述第一机器学习模型包括第一神经网络,所述第一神经网络包括多个层,并且其中与所述多个层中的每个其它层相比,所述多个层中的每个层与由所述第一模型策略限定的所述一组模型状态中的不同模型状态相关联。
条款10。根据条款8或9所述的计算系统,其中由所述第一模型策略限定的所述一组特征简档包括由所述机器学习模型的所述第一实施方案处理的所述模型输入的特征简档的适当子集。
条款11。根据条款8至10中任一项所述的计算系统,其中所述模型输入与序列号相关联,并且其中所述一个或多个处理器被编程和/或配置成基于所述序列号确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,所述序列号包括与由所述机器学习模型的所述第一实施方案处理的模型输入相关联的序列号次序中的下一个序列号。
条款12。根据条款8至11中任一项所述的计算系统,其中所述一个或多个处理器被编程和/或配置成通过在第一时间接收所述多个第一模型状态中的至少一个第一模型状态并且在所述第一时间之后的另一时间接收所述多个模型状态中的至少一个其它第一模型状态来获得所述多个第一模型状态,其中所述至少一个第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的模型状态,并且其中所述至少一个其它第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的另一模型状态。
条款13。根据条款8至12中任一项所述的计算系统,其中所述一个或多个处理器被编程和/或配置成通过在第一时间接收所述多个第一特征简档中的至少一个第一特征简档,并且在所述第一时间之后的另一时间接收所述多个第一特征简档中的至少一个其它第一特征简档来获得所述多个第一特征简档,其中所述至少一个第一特征简档不包括由所述第一模型策略限定的所述一组特征简档中的特征简档,并且其中所述至少一个其它第一特征简档包括由所述第一模型策略限定的所述一组特征简档中的特征简档。
条款14。根据条款8至13中任一项所述的计算系统,还包括:第一数据中心,其被编程和/或配置成提供所述第一机器学习模型的所述第一实施方案;以及至少一个第二数据中心,其被编程和/或配置成提供所述第一机器学习模型的所述至少一个第二实施方案,其中所述一个或多个处理器还被编程和/或配置成将所述多个第一模型状态和所述多个第一特征简档发送到所述至少一个第二数据中心,以用于在所述至少一个第二数据中心处更新所述第一机器学习模型的所述至少一个第二实施方案。
条款15。一种计算机程序产品,包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括程序指令,所述程序指令在由至少一个处理器执行时使得所述至少一个处理器:获得输入到第一机器学习模型的第一实施方案中的多个第一特征简档,以及根据使用所述第一机器学习模型的所述第一实施方案处理包括所述多个第一特征简档的模型输入而确定的多个第一模型状态;基于包括由第一模型策略限定的一组模型状态的所述多个第一模型状态和包括由所述第一模型策略限定的一组特征简档的所述多个第一特征简档,确定与所述第一机器学习模型相关联的所述第一模型策略得到满足;并且响应于确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,提供所述多个第一模型状态和所述多个第一特征简档以用于更新与所述第一机器学习模型的所述第一实施方案不同的所述第一机器学习模型的至少一个第二实施方案。
条款16。根据条款15所述的计算机程序产品,其中所述第一机器学习模型包括第一神经网络,所述第一神经网络包括多个层,并且其中与所述多个层中的每个其它层相比,所述多个层中的每个层与由所述第一模型策略限定的所述一组模型状态中的不同模型状态相关联。
条款17。根据条款15或16所述的计算机程序产品,其中由所述第一模型策略限定的所述一组特征简档包括由所述机器学习模型的所述第一实施方案处理的所述模型输入的特征简档的适当子集。
条款18。根据条款15至17中任一项所述的计算机程序产品,其中所述模型输入与序列号相关联,并且其中所述指令使得所述至少一个处理器基于所述序列号确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,所述序列号包括与由所述机器学习模型的所述第一实施方案处理的模型输入相关联的序列号次序中的下一个序列号。
条款19。根据条款15至18中任一项所述的计算机程序产品,其中所述指令使得所述至少一个处理器通过在第一时间接收所述多个第一模型状态中的至少一个第一模型状态,并且在所述第一时间之后的另一时间接收所述多个模型状态中的至少一个其它第一模型状态来获得所述多个第一模型状态,其中所述至少一个第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的模型状态,并且其中所述至少一个其它第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的另一模型状态。
条款20。根据条款15至19中任一项所述的计算机程序产品,其中所述指令使得所述至少一个处理器通过在第一时间接收所述多个第一特征简档中的至少一个第一特征简档,并且在所述第一时间之后的另一时间接收所述多个第一特征简档中的至少一个其它第一特征简档来获得所述多个第一特征简档,其中所述至少一个第一特征简档不包括由所述第一模型策略限定的所述一组特征简档中的特征简档,并且其中所述至少一个其它第一特征简档包括由所述第一模型策略限定的所述一组特征简档中的特征简档。
在参考附图考虑以下描述和所附权利要求书之后,本公开的这些和其它特征和特性以及相关结构元件和各部分的组合的操作方法和功能以及制造经济性将变得更加显而易见,所有附图形成本说明书的部分,其中相似附图标号在各图中标示对应部分。然而,应明确地理解,各图式仅用于说明和描述目的,并非旨在作为对限制的定义。除非上下文另外明确规定,否则在本说明书和权利要求书中所用时,单数形式“一”及“所述”包括多个指示物。
附图说明
下文参考示意性附图中示出的示例性实施例或方面更详细地解释额外优点和细节,在附图中:
图1A是其中可实施本文所描述的系统、装置、产品、设备和/或方法的环境的非限制性实施例或方面的图;
图1B是用于管理模型更新的系统的非限制性实施例或方面的图;
图2是图1A和1B的一个或多个装置和/或一个或多个系统的组件的非限制性实施例或方面的图;
图3是用于管理模型更新的过程的非限制性实施例或方面的流程图。
具体实施方式
应理解,除了明确指定为相反的情况之外,本公开可采用各种替代变化和步骤顺序。还应当理解,附图中所示的以及在以下说明书中描述的特定装置和过程仅仅是示例性和非限制性实施例或方面。因此,与本文公开的实施例或方面有关的特定尺寸和其它物理特性不应被视为限制。
本文所使用的方面、组件、元件、结构、动作、步骤、功能、指令等都不应当被理解为关键的或必要的,除非明确地如此描述。并且,如本文所使用,冠词“一(a)”和“一(an)”旨在包括一个或多个项目,并且可以与“一个或多个”和“至少一个”互换使用。此外,如本文所使用,术语“组”旨在包括一个或多个项目(例如,相关项目、不相关项目、相关项目与不相关项目的组合等),并且可与“一个或多个”或“至少一个”互换使用。在希望仅有一个项目的情况下,使用术语“一个”或类似语言。且,如本文所使用,术语“具有”等希望是开放式术语。另外,除非另外明确陈述,否则表述“基于”旨在意味着“至少部分地基于”。
如本文所使用,术语“通信(communication)”和“传送(communicate)”是指接收或传达一个或多个信号、消息、命令或其它类型的数据。对于要与另一单元通信的一个单元(例如,任何装置、系统或其组件)意味着所述一个单元能够直接或间接从其它单元接收数据和/或将数据发送到其它单元。这可以指本质上有线和/或无线的直接或间接连接。另外,尽管所发送的数据可在第一单元与第二单元之间被修改、处理、中继和/或路由,但所述第一单元和所述第二单元也可彼此通信。例如,尽管第一单元被动地接收数据且不会主动地将数据发送到第二单元,但第一单元也可与第二单元通信。作为另一实例,如果中间单元处理来自一个单元的数据且将经处理的数据发送到第二单元,则第一单元可与第二单元通信。应当理解,可能有许多其它布置。
显然,本文所描述的系统和/或方法可以不同形式的硬件、软件或硬件和软件的组合实施。用于实施这些系统和/或方法的实际专用控制硬件或软件代码并不限制实施方案。因此,本文在不参考特定软件代码的情况下描述了系统和/或方法的操作和行为,应当理解,软件和硬件可以设计成基于本文的描述来实施系统和/或方法。
本文中结合阈值描述一些非限制性实施例或方面。如本文所使用,满足阈值可以指大于阈值、多于阈值、高于阈值、大于或等于阈值、小于阈值、少于阈值、低于阈值、小于或等于阈值、等于阈值等的值。
如本文所使用,术语“交易服务提供商”可以指接收来自商家或其它实体的交易授权请求且在一些情况下通过交易服务提供商与发行方机构之间的协议来提供支付保证的实体。术语“交易服务提供商”和“交易服务提供商系统”还可以指由交易服务提供商或代表交易服务提供商操作的一个或多个计算机系统,诸如执行一个或多个软件应用程序的交易处理系统。交易处理系统可包括具有一个或多个处理器的服务器计算机,并且在一些非限制性实施例或方面中,可由交易服务提供商或代表交易服务提供商操作。
如本文所使用,术语“账户标识符”可包括一个或多个主账号(PAN)、令牌或与用户(例如,客户、消费者等)的客户账户相关联的其它标识符(例如,全局唯一标识符(GUID)、通用唯一标识符(UUID)等)。术语“令牌”可指用作PAN等原始账户标识符的替代或替换标识符的标识符。账户标识符可以是文字数字的,或是字符和/或符号的任何组合。令牌可与PAN或一个或多个数据库中的其它原始账户标识符相关联,使得可在不直接使用原始账户标识符的情况下使用令牌进行交易。在一些实例中,诸如PAN的原始账户标识符可与用于不同个人或目的的多个令牌相关联。
如本文所使用,术语“发行方机构”、“便携式金融装置发行方”、“发行方”或“发行方银行”可指一个或多个实体,所述一个或多个实体向用户(例如,客户、消费者、组织等)提供一个或多个账户以进行交易(例如,支付交易),例如发起信用卡支付交易和/或借记卡支付交易。例如,发行方机构可向用户提供例如个人账号(PAN)等账户标识符,所述账户标识符唯一地标识与所述用户相关联的一个或多个账户。账户标识符可以在例如实体金融工具(例如,支付卡)等便携式金融装置上体现,和/或可以是电子的并且用于电子支付。在一些非限制性实施例或方面中,发行方机构可以与唯一地标识发行方机构的银行标识号码(BIN)相关联。如本文所使用,“发行方机构系统”可以指由发行方机构或代表发行方机构操作的一个或多个计算机系统,诸如执行一个或多个软件应用程序的服务器计算机。例如,发行方机构系统可以包括用于授权支付交易的一个或多个授权服务器。
如本文所使用,术语“商家”可以指基于诸如支付交易的交易向客户提供产品和/或服务或者对产品和/或服务的使用权的个人或实体。术语“商家”或“商家系统”还可以指由商家或代表商家操作的一个或多个计算机系统,诸如执行一个或多个软件应用程序的服务器计算机。如本文所使用,“销售点(POS)系统”可以指由商家用来与客户进行支付交易的一个或多个计算机和/或外围装置,包括一个或多个读卡器、近场通信(NFC)接收器、RFID接收器和/或其它非接触收发器或接收器、基于接触的接收器、支付终端、计算机、服务器、输入装置和/或可以用于发起支付交易的其它类似装置。
如本文所使用,术语“移动装置”可以指被配置为与一个或多个网络通信的一个或多个便携式电子装置。作为示例,移动装置可以包括蜂窝电话(例如,智能电话或标准蜂窝电话)、便携式计算机(例如,平板计算机、膝上型计算机等)、可穿戴装置(例如,手表、眼镜、镜片、衣服等)、个人数字助理(PDA)和/或其它类似装置。如本文所使用,术语“客户端装置”和“用户装置”是指被配置为与一个或多个服务器或远程装置和/或系统通信的任何电子装置。客户端装置或用户装置可以包括移动装置、支持网络的设备(例如,支持网络的电视、冰箱、恒温器等)、计算机、POS系统和/或能够与网络通信的任何其它装置或系统。
如本文所使用,术语“计算装置”或“计算机装置”可以指被配置为直接或间接地与一个或多个网络通信或在一个或多个网络上进行通信的一个或多个电子装置。计算装置可以是移动装置、台式计算机等。此外,术语“计算机”可以指包括用于接收、处理和输出数据的必要组件且通常包括显示器、处理器、存储器、输入装置和网络接口的任何计算装置。“应用程序”或“应用程序编程接口”(API)是指计算机代码或在计算机可读介质上排序的其它数据,其可以由处理器执行以促进软件组件之间的交互,诸如客户侧前端和/或服务器侧后端的交互以用于从客户端接收数据。“接口”是指生成的显示,诸如用户可直接或间接(例如,通过键盘、鼠标、触摸屏等)与其交互的一个或多个图形用户接口(GUI)。
如本文所使用,术语“电子钱包”和“电子钱包应用程序”是指被配置为发起和/或进行支付交易的一个或多个电子装置和/或软件应用程序。例如,电子钱包可包括执行电子钱包应用程序的移动装置,并且还可包括用于维护交易数据并将交易数据提供给移动装置的服务器端侧软件和/或数据库。“电子钱包提供商”可包括为客户提供和/或维护电子钱包的实体,例如Google WalletTM、AndroidAppleSamsung和/或其它类似的电子支付系统。在一些非限制性实例中,发行方银行可是电子钱包提供商。
如本文所使用,举例来说,术语“便携式金融装置”或“支付装置”可指例如支付卡(例如,信用卡或借记卡)、礼品卡、智能卡、智能介质、工资卡、医疗保健卡、腕带、包含账户信息的机器可读介质、钥匙链装置或吊坠、RFID应答器、零售商折扣或会员卡、执行电子钱包应用程序的移动装置、个人数字助理(PDA)、安全卡、访问卡、无线终端和/或应答器。便携式金融装置可包括易失性或非易失性存储器,用于存储例如账户标识符和/或账户持有人姓名的信息。
如本文所使用,术语“服务器”可以指或包括一个或多个处理器或计算机、存储装置或由诸如因特网的网络环境中的多方操作或促进多方进行通信和处理的类似的计算机布置,但应了解,可以通过一个或多个公开或专用网络环境促进通信,并且各种其它布置也是可能的。此外,在网络环境中直接或间接通信的多个计算机(例如服务器)或其它计算机化装置(例如POS装置)可以构成例如商家的POS系统的“系统”。如本文所使用,术语“数据中心”可包括一个或多个服务器,或其它计算装置,和/或数据库。
如本文所使用,术语“收单方”可以指由交易服务提供商许可和/或由交易服务提供商批准以使用交易服务提供商的便携式金融装置发起交易的实体。收单方还可以指由收单方或代表收单方操作的一个或多个计算机系统,诸如执行一个或多个软件应用程序的服务器计算机(例如,“收单方服务器”)。“收单方”可以是商家银行,或者在一些情况下,商家系统可以是收单方。所述交易可以包括原始信用交易(OCT)和账户资金交易(AFT)。交易服务提供商可以授权收单方签署服务提供商的商家以使用交易服务提供商的便携式金融装置发起交易。收单方可以与支付服务商签约,以使服务商能够赞助商家。收单方可以根据交易服务提供商的规章监视支付服务商的合规性。收单方可以对支付服务商进行尽职调查,并确保在签署受赞助商家之前进行适当的尽职调查。收单方可以对他们运营或赞助的所有交易服务提供商程序承担责任。收单方可以对其支付服务商以及其或其支付服务商赞助的商家的行为负责。
如本文所使用,术语“支付网关”可以指实体和/或由这种实体或代表这种实体操作的支付处理系统,所述实体(例如,商家服务提供商、支付服务提供商、支付服务商、与收单方签约的支付服务商、支付集合商等)将支付服务(例如,交易服务提供商支付服务、支付处理服务等)提供给一个或多个商家。支付服务可以与由交易服务提供商管理的便携式金融装置的使用相关联。如本文所使用,术语“支付网关系统”可以指由支付网关或代表支付网关操作的一个或多个计算机系统、计算机装置、服务器、服务器群组等。
提供了用于管理模型更新的改进的系统、装置、产品、设备和/或方法。
本公开的非限制性实施例或方面涉及用于管理模型更新的系统、方法和计算机程序产品,所述模型更新获得输入到第一机器学习模型的第一实施方案中的多个第一特征简档,以及根据使用所述第一机器学习模型的所述第一实施方案处理包括所述多个第一特征简档的模型输入而确定的多个第一模型状态;基于包括由第一模型策略限定的一组模型状态的所述多个第一模型状态和包括由所述第一模型策略限定的一组特征简档的所述多个第一特征简档,确定与所述第一机器学习模型相关联的所述第一模型策略得到满足;并且响应于确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,提供所述多个第一模型状态和所述多个第一特征简档以用于更新与所述第一机器学习模型的所述第一实施方案不同的所述第一机器学习模型的至少一个第二实施方案。以此方式,本公开的非限制性实施例或方面可提供动态跨数据中心简档更新,其使用模型状态、特征简档优先级和/或模型输入排序来支持有状态机器学习模型,以实现更准确且一致的模型结果并且改善机器学习模型的多个实施方案之间(例如,在多个数据中心之间等)的同步数据。
现在参考图1A,所述图1A是其中可实施本文所描述的装置、系统、方法和/或产品的示例环境100的图。如图1A所示,环境100包括交易处理网络101,其可包括商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或发行方系统110、用户装置112和/或通信网络114。交易处理网络101、商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108、发行方系统110和/或用户装置112可通过有线连接、无线连接或有线连接和无线连接的组合互连(例如,建立连接以进行通信等)。
商家系统102可包括一个或多个装置,所述装置能够(例如,通过通信网络114等)从支付网关系统104、收单方系统106、交易服务提供商系统108、发行方系统110和/或用户装置112接收信息和/或数据,和/或(例如,通过通信网络114等)将信息和/或数据传送到支付网关系统104、收单方系统106、交易服务提供商系统108、发行方系统110和/或用户装置112。商家系统102可包括能够通过与用户装置112的通信连接(例如,NFC通信连接、RFID通信连接、通信连接等)从用户装置112接收信息和/或数据和/或通过所述通信连接将信息和/或数据传送到用户装置112的装置。例如,商家系统102可包括计算装置,例如服务器、服务器群组、客户端装置、客户端装置群组和/或其它类似装置。在一些非限制性实施例或方面中,商家系统102可以与本文所描述的商家相关联。在一些非限制性实施例或方面中,商家系统102可以包括能够供商家用以与用户进行支付交易的一个或多个装置,例如计算机、计算机系统和/或外围装置。例如,商家系统102可包括POS装置和/或POS系统。
支付网关系统104可包括一个或多个装置,所述装置能够(例如,通过通信网络114等)从商家系统102、收单方系统106、交易服务提供商系统108、发行方系统110和/或用户装置112接收信息和/或数据,和/或(例如,通过通信网络114等)将信息和/或数据传送到商家系统102、收单方系统106、交易服务提供商系统108、发行方系统110和/或用户装置112。例如,支付网关系统104可包括计算装置,例如服务器、服务器群组和/或其它类似装置。在一些非限制性实施例或方面中,支付网关系统104与本文所描述的支付网关相关联。
收单方系统106可包括一个或多个装置,所述装置能够(例如,通过通信网络114等)从商家系统102、支付网关系统104、交易服务提供商系统108、发行方系统110和/或用户装置112接收信息和/或数据,和/或(例如,通过通信网络114等)将信息和/或数据传送到商家系统102、支付网关系统104、交易服务提供商系统108、发行方系统110和/或用户装置112。例如,收单方系统106可包括计算装置,例如服务器、服务器群组和/或其它类似装置。在一些非限制性实施例或方面中,收单方系统106可与本文所描述的收单方相关联。
交易服务提供商系统108可包括一个或多个装置,所述装置能够(例如,通过通信网络114等)从商家系统102、支付网关系统104、收单方系统106、发行方系统110和/或用户装置112接收信息和/或数据,和/或(例如,通过通信网络114等)将信息和/或数据传送到商家系统102、支付网关系统104、收单方系统106、发行方系统110和/或用户装置112。例如,交易服务提供商系统108可包括计算装置,例如服务器(例如,交易处理服务器等)、服务器群组和/或其它类似装置。在一些非限制性实施例或方面中,交易服务提供商系统108可与本文所描述的交易服务提供商相关联。在一些非限制性实施例或方面中,交易服务提供商108可包括和/或访问一个或多个一个或多个内部和/或外部数据库,其包括账户数据、交易数据、特征简档、模型状态、模型策略、序列号等。
发行方系统110可包括一个或多个装置,所述装置能够(例如,通过通信网络114等)从商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或用户装置112接收信息和/或数据,和/或(例如,通过通信网络114等)将信息和/或数据传送到商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或用户装置112。例如,发行方系统110可包括计算装置,例如服务器、服务器群组和/或其它类似装置。在一些非限制性实施例或方面中,发行方系统110可与本文所描述的发行方机构相关联。例如,发行方系统110可与发行支付账户或工具(例如,信用账户、借记账户、信用卡、借记卡等)给用户(例如,与用户装置112相关联的用户等)的发行方机构相关联。
在一些非限制性实施例或方面中,交易处理网络101包括通信路径中用于处理交易的多个系统。例如,交易处理网络101可包括通信路径(例如,通信路径、通信信道、通信网络等)中用于处理电子支付交易的商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或发行方系统110。作为示例,交易处理网络101可通过商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或发行方系统110之间的通信路径来处理(例如,接收、发起、进行、授权等)电子支付交易。
用户装置112可包括一个或多个装置,所述装置能够(例如,通过通信网络114等)从商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或发行方系统110接收信息和/或数据,和/或(例如,通过通信网络114等)将信息和/或数据传送到商家系统102、支付网关系统104、收单方系统106、交易服务提供商系统108和/或发行方系统110。例如,用户装置112可包括客户端装置等。在一些非限制性实施例或方面中,用户装置112能够通过短程无线通信连接(例如,NFC通信连接、RFID通信连接、通信连接等)(例如,从商家系统102等)接收信息,和/或通过短程无线通信连接传送信息(例如,到商家系统102)。在一些非限制性实施例或方面中,用户装置112可包括与用户装置112相关联的应用程序,例如存储在用户装置112上的应用程序、在用户装置112上存储和/或执行的移动应用程序(例如,移动装置应用程序、移动装置的本机应用程序、移动装置的移动云应用程序、电子钱包应用程序等)。
通信网络114可以包括一个或多个有线和/或无线网络。例如,通信网络114可包括蜂窝网络(例如,长期演进(LTE)网络、第三代(3G)网络、第四代(4G)网络、第五代网络(5G)网络、码分多址(CDMA)网络等)、公用陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网络(例如,公共交换电话网络(PSTN))、专用网络、自组网络、内联网、因特网、基于光纤的网络、云计算网络等,和/或这些或其它类型网络的组合。
现在参考图1B,所述图1B是用于维持管理模型更新的系统150的非限制性实施例或方面的图。系统150可对应于交易处理网络101的一个或多个装置、商家系统102的一个或多个装置、支付网关系统104的一个或多个装置、收单方系统106的一个或多个装置、交易服务提供商系统108的一个或多个装置、发行方系统110的一个或多个装置,和/或用户装置112(例如,用户装置112的系统的一个或多个装置等)。如图1B所示,系统150包括多个数据中心,例如第一数据中心152a、第二数据中心152b和/或第n数据中心152n和/或数据复制系统154。第一数据中心152a、第二数据中心152b、第n数据中心152n和/或数据复制系统154可在单个装置和/或系统内实施,或分布在多个装置和/或系统(例如,跨多个数据中心和/或系统等)之间。例如,多个数据中心152a、152b、152n中的每个数据中心可包括数据复制系统154的实施方案,或者单个数据复制系统154可从多个数据中心152a、152b、152n中的每个数据中心接收包括模型状态和/或特征简档输入的消息。系统150可被编程和/或配置成管理数据中心152a、152b和/或152n之间的模型更新以用于有状态机器学习模型,并且在下文参考图3和4更详细地描述。例如,第一数据中心152a可被编程和/或配置成提供机器学习模型的第一实施方案,第二数据中心152b可被编程和/或配置成提供机器学习模型的第二实施方案,和/或第n数据中心152n可被编程和/或配置成提供机器学习模型的第n实施方案。在一些非限制性实施例或方面中,数据中心152a、152b和152n中的一个或多个可被编程和/或配置成提供多个不同机器学习模型(例如,第一机器学习模式、第二机器学习模型、欺诈检测模型、替代处理模型、营销模型、广告模型等)的一个或多个实施方案。
图1A和1B所示的装置和系统的数目和布置作为示例提供。可存在额外装置和/或系统、更少装置和/或系统、不同装置和/或系统,或以与图1A和1B所示的那些不同的方式布置的装置和/或系统。此外,可以在单个装置和/或系统内实施图1A和1B所示的两个或更多个装置和/或系统,或图1A和1B所示的单个装置和/或系统可实施为多个分布式装置和/或系统。另外或替代地,环境100的一组装置和/或系统(例如,一个或多个装置或系统)可执行被描述为由环境100的另一组装置和/或系统执行的一个或多个功能。
现在参考图2,图2是装置200的示例组件的图。装置200可对应于交易处理网络101的一个或多个装置、商家系统102的一个或多个装置、支付网关系统104的一个或多个装置、收单方系统106的一个或多个装置、交易服务提供商系统108的一个或多个装置、发行方系统110的一个或多个装置,和/或用户装置112(例如,用户装置112的系统的一个或多个装置等)。在一些非限制性实施例或方面中,交易处理网络101的一个或多个装置、商家系统102的一个或多个装置、支付网关系统104的一个或多个装置、收单方系统106的一个或多个装置、交易服务提供商系统108的一个或多个装置、发行方系统110的一个或多个装置、用户装置112(例如,用户装置112的系统的一个或多个装置等),和/或通信网络114的一个或多个装置可包括至少一个装置200和/或装置200的至少一个组件。如图2所示,装置200可包括总线202、处理器204、存储器206、存储组件208、输入组件210、输出组件212和通信接口214。
总线202可包括准许装置200的组件之间的通信的组件。在一些非限制性实施例或方面中,处理器204可以硬件、软件,或硬件和软件的组合实施。例如,处理器204可包括处理器(例如,中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)等)、微处理器、数字信号处理器(DSP)和/或可以被编程为执行功能的任何处理组件(例如,现场可编程门阵列(FPGA)、专用集成电路(ASIC)等)。存储器206可包括随机存取存储器(RAM)、只读存储器(ROM),和/或存储供处理器204使用的信息和/或指令的另一类型的动态或静态存储装置(例如,闪存存储器、磁存储器、光学存储器等)。
存储组件208可存储与装置200的操作和使用相关联的信息和/或软件。例如,存储组件208可以包括硬盘(例如,磁盘、光盘、磁光盘、固态磁盘等)、压缩光盘(CD)、数字多功能光盘(DVD)、软盘、盒带、磁带和/或另一类型的计算机可读介质,以及对应的驱动器。
输入组件210可以包括准许装置200例如经由用户输入(例如,触摸屏显示器、键盘、小键盘、鼠标、按钮、开关、麦克风等)接收信息的组件。另外或替代地,输入组件210可以包括用于感测信息的传感器(例如,全球定位系统(GPS)组件、加速度计、陀螺仪、致动器等)。输出组件212可以包括提供来自装置200的输出信息的组件(例如,显示器、扬声器、一个或多个发光二极管(LED)等)。
通信接口214可以包括收发器式组件(例如,收发器、独立的接收器和发送器等),所述收发器式组件使装置200能够例如经由有线连接、无线连接,或有线连接和无线连接的组合与其它装置通信。通信接口214可以准许装置200接收来自另一装置的信息和/或向另一装置提供信息。例如,通信接口214可包括以太网接口、光学接口、同轴接口、红外接口、射频(RF)接口、通用串行总线(USB)接口、接口、蜂窝网络接口等。
装置200可以执行本文所描述的一个或多个过程。装置200可以基于处理器204执行由例如存储器206和/或存储组件208的计算机可读介质存储的软件指令来执行这些过程。计算机可读介质(例如,非瞬态计算机可读介质)在本文中定义为非瞬态存储器装置。存储器装置包括位于单个物理存储装置内的存储器空间或跨多个物理存储装置扩展的存储器空间。
软件指令可以经由通信接口214从另一计算机可读介质或从另一装置读取到存储器206和/或存储组件208中。当执行时,存储在存储器206和/或存储组件208中的软件指令可以使处理器204执行本文中所描述的一个或多个过程。另外或替代地,硬接线电路系统可替代或结合软件指令使用以执行本文中所描述的一个或多个过程。因此,本文所描述的实施例或方面不限于硬件电路和软件的任何特定组合。
存储器206和/或存储组件208可包括数据存储装置或一个或多个数据结构(例如,数据库等)。装置200能够从存储器206和/或存储组件208中的数据存储装置或一个或多个数据结构接收信息、将信息存储于所述数据存储装置或一个或多个数据结构中、向所述数据存储装置或一个或多个数据结构传送信息或搜索其中存储的信息。例如,交易服务提供商系统108可包括和/或访问一个或多个内部和/或外部数据库,其存储与在交易处理网络101中已处理和/或正在处理的交易(例如,经由交易服务提供商系统108处理的先前或历史交易等)相关联的交易数据、账户数据、输入数据、输出数据、更新数据、模型输入、特征简档、模型状态、模型策略等。
图2所示的组件的数目和布置作为示例提供。在一些非限制性实施例或方面中,装置200可包括额外组件、更少组件、不同组件或以与图2中所示的那些不同的方式布置的组件。另外或替代地,装置200的一组组件(例如,一个或多个组件)可执行被描述为由装置200的另一组组件执行的一个或多个功能。
现在参考图3,所述图3是用于管理模型更新的过程300的非限制性实施例或方面的流程图。在一些非限制性实施例或方面中,过程300中的一个或多个步骤可(例如,完全、部分地等)由交易服务提供商系统108(例如,交易服务提供商系统108的一个或多个装置)执行。在一些非限制性实施例或方面中,过程300的一个或多个步骤可以(例如,完全、部分地等)由独立于或包括交易服务提供商系统的另一装置或装置群组执行,所述另一装置或装置群组例如商家系统102(例如,商家系统102的一个或多个装置)、支付网关系统104(例如,支付网关系统104的一个或多个装置)、收单方系统106(例如,收单方系统106的一个或多个装置)、发行方系统110(例如,发行方系统110的一个或多个装置),和/或用户装置112(例如,用户装置112的系统的一个或多个装置)。
如图3所示,在步骤302处,过程300包括获得与机器学习模型的第一实施方案相关联的特征简档和/或模型状态。例如,交易服务提供商系统108(例如,数据复制系统154等)可获得与机器学习模型的第一实施方案相关联的特征简档和/或模型状态。作为示例,交易服务提供商系统108(例如,数据复制系统154等)可获得输入到第一机器学习模型的第一实施方案(例如,在第一数据中心152a处等)的多个第一特征简档,以及根据使用第一机器学习模型的第一实施方案(例如,在第一数据中心152a处等)处理包括多个第一特征简档的模型输入而确定的多个第一模型状态。
在一些非限制性实施例或方面中,模型输入可包括输入和/或被配置成输入到机器学习模型的实施方案的特征简档。例如,模型输入可包括由机器学习模型的实施方案处理或将要处理的事件或输入。作为示例,模型输入可与在交易处理网络101中接收、发起、执行和/或处理的交易相关联。在此示例中,特征简档可包括与交易相关联的交易数据。
在一些非限制性实施例或方面中,交易数据可包括与交易相关联的参数,例如账户标识符(例如,PAN等)、交易金额、交易日期和时间、与交易相关联的产品和/或服务的类型、货币兑换率、货币类型、商家类型、商家名称、商家位置、交易批准(和/或拒绝)率等。在一些非限制性实施例或方面中,交易数据可包括与账户标识符相关联的账户数据,例如先前时间段内(例如,前24小时内等)与账户标识符相关联的总交易金额,来自处理与账户标识符相关联的先前交易的机器学习模型的实施方案的模型结果或输出,和/或其它类似参数,所述账户数据可响应于与在交易处理网络101中处理的账户标识符或其它账户标识符相关联的交易而进行更新和/或修改(例如,通过机器学习模型的实施方案进行处理等)。例如,机器学习模型可被编程和/或配置成处理与交易相关联的特征简档,以生成用于欺诈检测应用程序、替代处理应用程序、广告应用程序、营销应用程序等的输出或预测。
在一些非限制性实施例或方面中,机器学习模型包括神经网络,所述神经网络包括多个层,并且与多个层中的每个其它层相比,多个层中的每个层与由与机器学习模型相关联的模型策略限定的一组模型状态中的不同模型状态相关联。例如,第一机器学习模型可包括第一神经网络,所述第一神经网络包括多个层,其中与第一神经网络的多个层中的每个其它层相比,第一神经网络的多个层中的每个层可与由与第一机器学习模型相关联的第一模型策略限定的一组模型状态中的不同模型状态相关联,并且与第一机器学习模型不同的第二机器学习模型可包括第二神经网络,所述第二神经网络包括多个层,其中与第一神经网络的多个层中的每个其它层相比,第二神经网络的多个层中的每个层可与由与第二机器学习层相关联的第二模型策略限定的一组模型状态中的不同模型状态相关联。作为示例,模型状态可包括固定长度的向量,所述向量随着时间推移选择性地存储变换后的模型输入,并且模型状态可限定与模型状态相关联的神经网络层的一个或多个参数和/或权重。在此示例中,包括多个层的神经网络可与对应于多个层的多个模型状态相关联。
在一些非限制性实施例或方面中,多个数据中心可提供一个或多个机器学习模型的多个实施方案。例如,并且再次参考图1B,第一数据中心152a可提供第一机器学习模型的第一实施方案,第二数据中心152b可提供第一机器学习模型的第二实施方案,和/或第n数据中心152n可提供第一机器学习模型的第n实施方案。在一些非限制性实施例或方面中,第一数据中心152a、第二数据中心152b和第三数据中心152n中的一个或多个可提供多个不同机器学习模型的实施方案(例如,在第一数据中心152a处提供的第一机器学习模型的第一实施方案,在第一数据中心152a处提供的第二机器学习模型的第一实施方案,在第二数据中心152b处提供的第一机器学习模型的第二实施方案,在第二数据中心152b处提供的第二机器学习模型的第二实施方案等)。在此类示例中,交易服务提供商系统108(例如,数据复制系统154等)可从多个数据中心152a、152b、152n接收与一个或多个机器学习模型的多个实施方案相关联的模型状态和简档输入,并且可在多个数据中心152a、152b、152n中的每一个处管理每个机器学习模型的每个实施方案之间的模型状态和简档输入的更新。
如图3所示,在步骤304处,过程300包括基于特征简档和模型状态确定模型策略得到满足。例如,交易服务提供商系统108(例如,数据复制系统154等)可基于特征简档和模型状态确定模型策略得到满足。作为示例,交易服务提供商系统108(例如,数据复制系统154等)可基于包括由第一模型策略限定的一组模型状态的多个第一模型状态和包括由第一模型策略限定的一组特征简档的多个第一特征简档,确定与第一机器学习模型相关联的第一模型策略得到满足。
在一些非限制性实施例或方面中,模型策略限定以下各项中的至少一个:与机器学习模型相关联的一组模型状态、与机器学习模型相关联的一组特征简档、与由机器学习模型的实施方案处理的模型输入相关联的序列号次序或其任何组合。例如,如果交易服务提供商系统108(例如,数据复制系统154等)接收(例如,可访问,能够提供等)与机器学习模型的实施方案相关联的模型状态、与机器学习模型的实施方案相关联的特征简档以及与接收到的模型状态和/或特征简档相关联的模型输入的序列号(例如,与交易相关联的交易标识符或时间戳等),则交易服务提供商系统108(例如,数据复制系统154等)可确定模型策略得到满足,所述模型状态包括、对应于或匹配由与所述机器学习模型相关联的模型策略限定的一组模型状态中的每个模型状态,所述特征简档包括、对应于或匹配由与所述机器学习模型相关联的模型策略限定的每个特征简档,所述序列号包括、对应于或匹配与由所述机器学习模型的实施方案处理的模型输入相关联的序列号次序中的下一个序列号。作为示例,交易服务提供商系统108(例如,数据复制系统154等)可针对相同机器学习模型的每个实施方案存储和/或使用相同模型策略。在此示例中,交易服务提供商系统108(例如,数据复制系统154等)可针对多个不同机器学习模型中的每个不同机器学习模型存储和/或使用不同的模型策略。
在一些非限制性实施例或方面中,由与机器学习模型相关联的模型策略限定的一组模型状态可包括对应于或匹配机器学习模型的神经网络的每个层的模型状态。例如,在交易服务提供商系统108(例如,数据复制系统154等)可基于从相同机器学习模型的所述实施方案接收到的任何模型状态(和/或特征简档)而为相同机器学习模型的另一实施方案提供更新之前,与机器学习模型相关联的模型策略可要求交易服务提供商系统108(例如,数据复制系统154等)从机器学习模型的实施方案接收对应于或匹配所述机器学习模型的每个层的模型状态。作为示例,交易服务提供商系统108(例如,数据复制系统154等)可延迟提供和/或更新带有接收到的模型状态(和/或特征简档)中的任一个的相同机器学习模型的其它实施方案,直到与机器学习模型相关联的模型策略得到满足为止。在此示例中,交易服务提供商系统108(例如,数据复制系统154等)可通过在第一时间接收多个第一模型状态中的至少一个第一模型状态并且在第一时间之后的另一时间接收多个模型状态中的至少一个其它第一模型状态来获得多个第一模型状态,至少一个第一模型状态包括由第一模型策略限定的一组模型状态中的模型状态,并且至少一个其它第一模型状态包括由第一模型策略限定的一组模型状态中的另一模型状态。
在一些非限制性实施例或方面中,由模型策略限定的一组特征简档包括由机器学习模型的实施方案处理的模型输入的特征简档的适当子集(例如,机器学习模型的特征输入层的特征简档的适当子集等)。例如,在交易服务提供商系统108(例如,数据复制系统154等)可基于从相同机器学习模型的所述实施方案接收到的任何特征简档(和/或模型状态)而为相同机器学习模型的另一实施方案提供更新之前,与机器学习模型相关联的模型策略可要求交易服务提供商系统108(例如,数据复制系统154等)从机器学习模型的实施方案接收对应于或匹配特征简档的适当子集的每个特征简档的特征简档。作为示例,交易服务提供商系统108(例如,数据复制系统154等)可延迟提供和/或更新带有接收到的特征简档(和/或模型状态)中的任一个的相同机器学习模型的其它实施方案,直到与机器学习模型相关联的模型策略得到满足为止。在此示例中,模型策略可通过要求接收或提供较高优先级的特征简档以满足模型策略来限定与机器学习模型相关联的特征简档的优先级(例如,特征简档对机器学习模型的准确性的贡献量等),同时即使尚未接收到或无法提供较低优先级的特征简档,也允许通过接收较高优先级的特征简档来满足模型策略。在此示例中,交易服务提供商系统108(例如,数据复制系统154等)可获得多个第一特征简档,所述获得过程包括在第一时间接收多个第一特征简档中的至少一个第一特征简档,以及在第一时间之后的另一时间接收多个第一特征简档中的至少一个其它第一特征简档,其中所述至少一个第一特征简档不包括由第一模型策略限定的一组特征简档中的特征简档,并且其中所述至少一个其它第一特征简档包括由第一模型策略限定的一组特征简档中的特征简档。
然而,非限制性实施例或方面不限于由模型策略限定的一组特征简档,所述一组特征简档包括由机器学习模型的实施方案处理的模型输入的特征简档的适当子集,并且由模型策略限定的一组特征简档可包括由机器学习模型的实施方案处理的模型输入的每个特征简档(例如,机器学习模型的特征输入层的每个特征简档等)。
如图3所示,在步骤306处,过程300包括为机器学习模型的第二实施方案提供更新。例如,交易服务提供商系统108(例如,数据复制系统154等)可为机器学习模型的第二实施方案提供更新。作为示例,交易服务提供商系统108(例如,数据复制系统154等)可响应于确定与第一机器学习模型相关联的第一模型策略得到满足而提供多个第一模型状态和多个第一特征简档,以用于(例如,在第二数据中心152b处等)更新与第一机器学习模型的第一实施方案不同的第一机器学习模型的至少一个第二实施方案。
在一些非限制性实施例或方面中,交易服务提供商系统108(例如,数据复制系统154等)可以根据与模型状态和特征简档相关联的模型输入的序列号对接收到的模型状态和接收到的特征简档进行分类或分组。例如,与相同序列号(和/或相同机器学习模型的相同实施方案)相关联的接收到的模型状态和接收到的特征简档可分组到相同群组或消息中。作为示例,与相同序列号相关联的一组模型状态和特征简档可以由位图表示,并且位图中的每个位可提供数据复制系统154是否已经接收到单个模型状态或特征简档的指示。作为示例,交易服务提供商系统108(例如,数据复制系统154等)可提供群组或消息,以响应于与所述群组或消息满足与第一机器学习模型相关联的第一模型策略相关联的模型状态、特征简档以及序列号而更新与第一机器学习模型的第一实施方案不同的第一机器学习模型的至少一个第二实施方案(例如,作为响应,所述位图指示已经接收到由第一模型策略限定的第一模型状态和第一特征简档等)。在此示例中,响应于第一数据中心152a处的第一模型策略得到满足,数据复制系统154可将消息(例如,多个第一模型状态和多个第一特征简档等)发送或作为更新应用到第二数据中心152b,以用于在第二数据中心152b处更新与第一机器学习模型的第一实施方案不同的第一机器学习模型的至少一个第二实施方案。
在一些非限制性实施例或方面中,多个数据中心可提供一个或多个机器学习模型的多个实施方案。例如,并且再次参考图1B,第一数据中心152a可提供第一机器学习模型的第一实施方案,第二数据中心152b可提供第一机器学习模型的第二实施方案,和/或第n数据中心152n可提供第一机器学习模型的第n实施方案。在一些非限制性实施例或方面中,第一数据中心152a、第二数据中心152b和第三数据中心152n中的一个或多个可提供多个不同机器学习模型的实施方案(例如,在第一数据中心152a处提供的第一机器学习模型的第一实施方案,在第一数据中心152a处提供的第二机器学习模型的第一实施方案,在第二数据中心152b处提供的第一机器学习模型的第二实施方案,在第二数据中心152b处提供的第二机器学习模型的第二实施方案等)。在此类示例中,交易服务提供商系统108(例如,数据复制系统154等)可从多个数据中心152a、152b、152n接收与一个或多个机器学习模型的多个实施方案相关联的模型状态和简档输入,并且可在多个数据中心152a、152b、152n中的每一个处管理(例如,提供、应用等)每个机器学习模型的每个实施方案之间的模型状态和简档输入。
尽管已出于说明和描述的目的详细描述了实施例或方面,但应当理解,这种细节仅用于所述目的,并且所述实施例或方面不限于所公开的实施例或方面,而是相反,旨在涵盖在所附权利要求书的精神和范围内的修改和等效布置。例如,应当理解,本公开预期,尽可能地,任何实施例或方面的一个或多个特征可以与任何其它实施例或方面的一个或多个特征组合。实际上,这些特征中的任何特征可以未在权利要求书中具体地叙述和/或未在说明书中公开的方式组合。尽管下文列出的每项从属权利要求可能直接取决于仅一项权利要求,但可能的实施方案的公开内容包括与权利要求集中的每项其它权利要求相组合的每项从属权利要求。
Claims (20)
1.一种计算机实施的方法,包括:
使用至少一个处理器获得输入到第一机器学习模型的第一实施方案的多个第一特征简档,以及根据使用所述第一机器学习模型的所述第一实施方案处理包括所述多个第一特征简档的模型输入而确定的多个第一模型状态;
基于包括由第一模型策略限定的一组模型状态的所述多个第一模型状态和包括由所述第一模型策略限定的一组特征简档的所述多个第一特征简档,使用至少一个处理器确定与所述第一机器学习模型相关联的所述第一模型策略得到满足;以及
响应于确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,使用至少一个处理器提供所述多个第一模型状态和所述多个第一特征简档以用于更新与所述第一机器学习模型的所述第一实施方案不同的所述第一机器学习模型的至少一个第二实施方案。
2.根据权利要求1所述的计算机实施的方法,其中所述第一机器学习模型包括第一神经网络,所述第一神经网络包括多个层,并且其中与所述多个层中的每个其它层相比,所述多个层中的每个层与由所述第一模型策略限定的所述一组模型状态中的不同模型状态相关联。
3.根据权利要求1所述的计算机实施的方法,其中由所述第一模型策略限定的所述一组特征简档包括由所述机器学习模型的所述第一实施方案处理的所述模型输入的特征简档的适当子集。
4.根据权利要求1所述的计算机实施的方法,其中所述模型输入与序列号相关联,并且其中确定与所述第一机器学习模型相关联的所述第一模型策略得到满足是基于所述序列号的,所述序列号包括与由所述机器学习模型的所述第一实施方案处理的模型输入相关联的序列号次序中的下一个序列号。
5.根据权利要求1所述的计算机实施的方法,其中获得所述多个第一模型状态包括在第一时间接收所述多个第一模型状态中的至少一个第一模型状态,并且在所述第一时间之后的另一时间接收所述多个模型状态中的至少一个其它第一模型状态,其中所述至少一个第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的模型状态,并且其中所述至少一个其它第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的另一模型状态。
6.根据权利要求1所述的计算机实施的方法,其中获得所述多个第一特征简档包括在第一时间接收所述多个第一特征简档中的至少一个第一特征简档,并且在所述第一时间之后的另一时间接收所述多个第一特征简档中的至少一个其它第一特征简档,其中所述至少一个第一特征简档不包括由所述第一模型策略限定的所述一组特征简档中的特征简档,并且其中所述至少一个其它第一特征简档包括由所述第一模型策略限定的所述一组特征简档中的特征简档。
7.根据权利要求1所述的计算机实施的方法,还包括:
使用至少一个处理器,通过所述多个第一模型状态和所述多个第一特征简档更新所述第一机器学习模型的所述至少一个第二实施方案。
8.一种计算系统,包括:
一个或多个处理器,其被编程和/或配置成:
获得输入到第一机器学习模型的第一实施方案中的多个第一特征简档,以及根据使用所述第一机器学习模型的所述第一实施方案处理包括所述多个第一特征简档的模型输入而确定的多个第一模型状态;
基于包括由第一模型策略限定的一组模型状态的所述多个第一模型状态和包括由所述第一模型策略限定的一组特征简档的所述多个第一特征简档,确定与所述第一机器学习模型相关联的所述第一模型策略得到满足;并且
响应于确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,提供所述多个第一模型状态和所述多个第一特征简档以用于更新与所述第一机器学习模型的所述第一实施方案不同的所述第一机器学习模型的至少一个第二实施方案。
9.根据权利要求8所述的计算系统,其中所述第一机器学习模型包括第一神经网络,所述第一神经网络包括多个层,并且其中与所述多个层中的每个其它层相比,所述多个层中的每个层与由所述第一模型策略限定的所述一组模型状态中的不同模型状态相关联。
10.根据权利要求8所述的计算系统,其中由所述第一模型策略限定的所述一组特征简档包括由所述机器学习模型的所述第一实施方案处理的所述模型输入的特征简档的适当子集。
11.根据权利要求8所述的计算系统,其中所述模型输入与序列号相关联,并且其中所述一个或多个处理器被编程和/或配置成基于所述序列号确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,所述序列号包括与由所述机器学习模型的所述第一实施方案处理的模型输入相关联的序列号次序中的下一个序列号。
12.根据权利要求8所述的计算系统,其中所述一个或多个处理器被编程和/或配置成通过在第一时间接收所述多个第一模型状态中的至少一个第一模型状态并且在所述第一时间之后的另一时间接收所述多个模型状态中的至少一个其它第一模型状态来获得所述多个第一模型状态,其中所述至少一个第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的模型状态,并且其中所述至少一个其它第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的另一模型状态。
13.根据权利要求8所述的计算系统,其中所述一个或多个处理器被编程和/或配置成通过在第一时间接收所述多个第一特征简档中的至少一个第一特征简档,并且在所述第一时间之后的另一时间接收所述多个第一特征简档中的至少一个其它第一特征简档来获得所述多个第一特征简档,其中所述至少一个第一特征简档不包括由所述第一模型策略限定的所述一组特征简档中的特征简档,并且其中所述至少一个其它第一特征简档包括由所述第一模型策略限定的所述一组特征简档中的特征简档。
14.根据权利要求8所述的计算系统,还包括:
第一数据中心,其被编程和/或配置成提供所述第一机器学习模型的所述第一实施方案;以及
至少一个第二数据中心,其被编程和/或配置成提供所述第一机器学习模型的所述至少一个第二实施方案,
其中所述一个或多个处理器还被编程和/或配置成将所述多个第一模型状态和所述多个第一特征简档发送到所述至少一个第二数据中心,以用于在所述至少一个第二数据中心处更新所述第一机器学习模型的所述至少一个第二实施方案。
15.一种计算机程序产品,包括至少一个非瞬态计算机可读介质,所述至少一个非瞬态计算机可读介质包括程序指令,所述程序指令在由至少一个处理器执行时使得所述至少一个处理器:
获得输入到第一机器学习模型的第一实施方案中的多个第一特征简档,以及根据使用所述第一机器学习模型的所述第一实施方案处理包括所述多个第一特征简档的模型输入而确定的多个第一模型状态;
基于包括由第一模型策略限定的一组模型状态的所述多个第一模型状态和包括由所述第一模型策略限定的一组特征简档的所述多个第一特征简档,确定与所述第一机器学习模型相关联的所述第一模型策略得到满足;并且
响应于确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,提供所述多个第一模型状态和所述多个第一特征简档以用于更新与所述第一机器学习模型的所述第一实施方案不同的所述第一机器学习模型的至少一个第二实施方案。
16.根据权利要求15所述的计算机程序产品,其中所述第一机器学习模型包括第一神经网络,所述第一神经网络包括多个层,并且其中与所述多个层中的每个其它层相比,所述多个层中的每个层与由所述第一模型策略限定的所述一组模型状态中的不同模型状态相关联。
17.根据权利要求15所述的计算机程序产品,其中由所述第一模型策略限定的所述一组特征简档包括由所述机器学习模型的所述第一实施方案处理的所述模型输入的特征简档的适当子集。
18.根据权利要求15所述的计算机程序产品,其中所述模型输入与序列号相关联,并且其中所述指令使得所述至少一个处理器基于所述序列号确定与所述第一机器学习模型相关联的所述第一模型策略得到满足,所述序列号包括与由所述机器学习模型的所述第一实施方案处理的模型输入相关联的序列号次序中的下一个序列号。
19.根据权利要求15所述的计算机程序产品,其中所述指令使得所述至少一个处理器通过在第一时间接收所述多个第一模型状态中的至少一个第一模型状态,并且在所述第一时间之后的另一时间接收所述多个模型状态中的至少一个其它第一模型状态来获得所述多个第一模型状态,其中所述至少一个第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的模型状态,并且其中所述至少一个其它第一模型状态包括由所述第一模型策略限定的所述一组模型状态中的另一模型状态。
20.根据权利要求15所述的计算机程序产品,其中所述指令使得所述至少一个处理器通过在第一时间接收所述多个第一特征简档中的至少一个第一特征简档,并且在所述第一时间之后的另一时间接收所述多个第一特征简档中的至少一个其它第一特征简档来获得所述多个第一特征简档,其中所述至少一个第一特征简档不包括由所述第一模型策略限定的所述一组特征简档中的特征简档,并且其中所述至少一个其它第一特征简档包括由所述第一模型策略限定的所述一组特征简档中的特征简档。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2019/050590 WO2021050061A1 (en) | 2019-09-11 | 2019-09-11 | Method, system, and computer program product for managing model updates |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114402335A true CN114402335A (zh) | 2022-04-26 |
Family
ID=74866406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980100085.1A Pending CN114402335A (zh) | 2019-09-11 | 2019-09-11 | 用于管理模型更新的方法、系统和计算机程序产品 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220318622A1 (zh) |
EP (1) | EP4028950A4 (zh) |
CN (1) | CN114402335A (zh) |
WO (1) | WO2021050061A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007299366A (ja) * | 2006-01-31 | 2007-11-15 | Sony Corp | 学習装置および学習方法、認識装置および認識方法、生成装置および生成方法、認識生成装置および認識生成方法、並びにプログラム |
US9652712B2 (en) * | 2015-07-27 | 2017-05-16 | Google Inc. | Analyzing health events using recurrent neural networks |
CN110770758B (zh) * | 2017-01-23 | 2024-06-04 | 牛津大学创新有限公司 | 确定可移动的设备的位置 |
US11475291B2 (en) | 2017-12-27 | 2022-10-18 | X Development Llc | Sharing learned information among robots |
US11423254B2 (en) * | 2019-03-28 | 2022-08-23 | Intel Corporation | Technologies for distributing iterative computations in heterogeneous computing environments |
-
2019
- 2019-09-11 CN CN201980100085.1A patent/CN114402335A/zh active Pending
- 2019-09-11 WO PCT/US2019/050590 patent/WO2021050061A1/en unknown
- 2019-09-11 EP EP19945043.8A patent/EP4028950A4/en not_active Withdrawn
- 2019-09-11 US US17/641,455 patent/US20220318622A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4028950A1 (en) | 2022-07-20 |
EP4028950A4 (en) | 2022-09-14 |
US20220318622A1 (en) | 2022-10-06 |
WO2021050061A1 (en) | 2021-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11836642B2 (en) | Method, system, and computer program product for dynamically scheduling machine learning inference jobs with different quality of services on a shared infrastructure | |
US11475301B2 (en) | Method, system, and computer program product for determining relationships of entities associated with interactions | |
US20210217014A1 (en) | Method, System, and Computer Program Product for Co-Located Merchant Anomaly Detection | |
US20190188719A1 (en) | Computer-Implemented System, Method, and Computer Program Product for Automatically Generating an Account Profile for at Least One User Associated with a Plurality of Account Identifiers | |
US20210192641A1 (en) | System, Method, and Computer Program Product for Determining Correspondence of Non-Indexed Records | |
US20220129929A1 (en) | Method, System, and Computer Program Product for Predicting Future Transactions | |
US11748386B2 (en) | Method, system, and computer program product for managing source identifiers of clustered records | |
US20230222459A1 (en) | System, Method, and Computer Program Product for Updating an Application Programming Interface Field of a Transaction Message | |
US20210065038A1 (en) | Method, System, and Computer Program Product for Maintaining Model State | |
CN112988171A (zh) | 用于动态确保sdk完整性的方法、系统和计算机程序产品 | |
CN114402335A (zh) | 用于管理模型更新的方法、系统和计算机程序产品 | |
WO2020068062A1 (en) | System, method, and computer program product for real-time, anonymous peer-to-peer lending | |
US11734132B2 (en) | Method, system, and computer program product for maintaining data centers | |
US20220245516A1 (en) | Method, System, and Computer Program Product for Multi-Task Learning in Deep Neural Networks | |
US11636490B2 (en) | System, method, and computer program product for linking accounts across systems | |
US20220300755A1 (en) | Method, System, and Computer Program Product for Predicting Future States Based on Time Series Data Using Feature Engineering and/or Hybrid Machine Learning Models | |
US11810153B2 (en) | Method, system, and computer program product for matching card transaction data to mobile application usage | |
US20240086926A1 (en) | System, Method, and Computer Program Product for Generating Synthetic Graphs That Simulate Real-Time Transactions | |
US11488065B2 (en) | System, method, and computer program product for iteratively refining a training data set | |
US11847654B2 (en) | System, method, and computer program product for learning continuous embedding space of real time payment transactions | |
US20220138501A1 (en) | Method, System, and Computer Program Product for Recurrent Neural Networks for Asynchronous Sequences | |
WO2023215043A1 (en) | System, method, and computer program product for active learning in graph neural networks through hybrid uncertainty reduction | |
WO2023136821A1 (en) | System, method, and computer program product for system machine learning in device placement | |
WO2023244501A1 (en) | System, method, and computer program product for network message augmentation | |
WO2019010347A1 (en) | SYSTEM, METHOD AND COMPUTER PROGRAM PRODUCT FOR PROVIDING TRANSACTION COMPENSATION BASED ON TRANSACTION |
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 |