JP2019511037A - 機械学習モデルのモデリング方法及びデバイス - Google Patents
機械学習モデルのモデリング方法及びデバイス Download PDFInfo
- Publication number
- JP2019511037A JP2019511037A JP2018542277A JP2018542277A JP2019511037A JP 2019511037 A JP2019511037 A JP 2019511037A JP 2018542277 A JP2018542277 A JP 2018542277A JP 2018542277 A JP2018542277 A JP 2018542277A JP 2019511037 A JP2019511037 A JP 2019511037A
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- variable
- initial target
- model
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006399 behavior Effects 0.000 claims abstract description 70
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000007717 exclusion Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 230000001680 brushing effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本願は、コンピュータ技術に関し、特に機械学習モデルのモデリング方法及びデバイスに関する。
挙動パターンが機械学習モデルを使用することにより特定される場合、特定の目標挙動に属する様々な特定の挙動の共通の特徴が一般に抽出され、それにより、共通の特徴に従って機械学習モデルを構築する。構築された機械学習モデルは、特定の挙動が共通の特徴を有するか否かに従って、特定の挙動が目標挙動に属するか否かを判断する。
本発明は、目標挙動が多くの異なるタイプの実施形態を有する場合、目標挙動の包括的な特定に適用可能であり、したがって、コストを節減し、認識効率を改善した機械学習モデルを構築する、機械学習モデルのモデリング方法及びデバイスを提供する。
排他的中間目標変数を取得することであって、中間目標変数は不正取引タイプを示すのに使用される、取得することと、
各中間目標変数に対応する機械学習サブモデルの確率値を得るように、機械学習サブモデルをトレーニングすることであって、機械学習サブモデルは、取引挙動を記述する特徴変数に従って、対応する中間目標変数により示される不正取引タイプを特定するのに使用される、トレーニングすることと、
機械学習サブモデルの確率値を合算して、目標確率値を取得することと、
目標確率値及び特徴変数に従って、不正取引を特定する目標機械学習モデルを確立することと
を含む。
排他的中間目標変数を取得するように構成された取得モジュールであって、中間目標変数は不正取引タイプを示すのに使用される、取得モジュールと、
各中間目標変数に対応する機械学習サブモデルの確率値を得るように、機械学習サブモデルをトレーニングするように構成されたトレーニングモジュールであって、機械学習サブモデルは、取引挙動を記述する特徴変数に従って、対応する中間目標変数により示される不正取引タイプを特定するのに使用される、トレーニングモジュールと、
機械学習サブモデルの確率値を合算して、目標確率値を取得するように構成された合算モジュールと、
目標確率値及び特徴変数に従って、不正取引を特定する目標機械学習モデルを確立するように構成されたモデリングモジュールと
を含む。
当業者は、以下の好ましい実施様式の詳細な説明を読むことにより様々な他の利点及び恩恵を明確に知ることになる。添付図面は、単に好ましい実施様式を示すために使用され、本発明を限定する意図はない。さらに、同一の参照符号は、添付図面全体を通して同一の構成要素を示すのに使用される。
本開示の例示的な実施形態について、添付図面を参照してより詳細に以下に説明する。本開示の例示的な実施形態は添付図面に示されるが、本開示が様々な形態で実施可能であり、本明細書に記載される実施形態により限定されるものではないことを理解されたい。逆に、実施形態は、当業者が本開示をより完全に理解するために提供され、本開示の範囲を当業者に完全に伝達することができる。
図1は、本発明の実施形態1による機械学習モデルのモデリング方法の概略フローチャートである。この実施形態において提供される方法は、不正取引を特定するのに使用することができる。換言すれば、この実施形態において述べられる目標挙動は不正取引であり得る。この実施形態において提供される方法は、他の異常取引に更に適用可能であり得、この実施形態に限定されない。図1に示されるように、方法は以下のステップを含む。
図2は、本発明の実施形態2による機械学習モデルのモデリング方法の概略フローチャートである。この実施形態では、不正取引を包括的に特定するための機械学習モデルの構築は、本発明の実施形態における技術的解決策を更に説明するための一例として使用される。図2に示されるように、方法は以下のステップを含む。
に従って初期目標変数間の互換状態又は排他状態が特定され、相互に排他的な状態の初期目標変数が2つごとに初期目標変数対として使用される。Numijは、初期目標変数yi及び初期目標変数yjが過去取引データ内で肯定標本として同時に定義される取引レコードの数を示す。Numiは、初期目標変数yiにより、過去取引データ内で肯定標本として定義される取引レコードの数を示し、Numjは、初期目標変数yjにより、過去取引データ内で肯定標本として定義される取引レコードの数を示す。i及びjの範囲は1≦i≦N、1≦j≦Nである。Nは初期特徴変数の総数である。2つの初期目標変数は、H=1である場合、排他的であり、2つの初期目標変数は、H=0である場合、互換である。加えて、上記式中の0.2は単なる好ましい閾値である。実際の使用において、別の値を選択してもよい。閾値の値が低いほど、H=1である場合に特定される2つの初期目標変数は、互いに対する排他性が高い;換言すれば、一方の初期目標変数対は、他方の初期目標変数の値に対してより小さな影響を有する。
を使用することにより計算される。
は、過去取引データ内の特徴変数Xqの平均値であり、
は、過去取引データ内の初期目標変数ysの平均値である。
中間目標変数Yvの機械学習サブモデルのトレーニング標本集合が構築されるとき、中間目標変数Yvを取得するために統合される初期目標変数ysの重みは、W1、W2、・・・、Ws、・・・、Wsとして予め決定される。取引レコード毎に、中間目標変数Yvを取得するために統合される各初期目標変数ysの重みWsは、式
に代入される。
に代入して、機械学習モデルの確率Pを計算し取得する。
図4は、本発明の実施形態3による機械学習モデルのモデリングデバイスの概略構造図である。図4に示されるように、モデリングデバイスは、トレーニングモジュール41、合算モジュール42、及びモデリングモジュール43を含む。
に代入して、計算により機械学習モデルの確率Pを取得するように特に構成される。
図5は、本発明の実施形態4による機械学習モデルのモデリングデバイスの概略構造図である。図5に示されるように、図4に提供される機械学習モデルのモデリングデバイスを基準に、モデリングデバイスは、取得モジュール44を更に含む。
に従って、初期目標変数間の互換状態又は排他状態を特定するように構成される。
に代入して、取引レコードのコピー数CNを取得するように構成される。
Claims (18)
- 機械学習モデルのモデリング方法であって、
各中間目標変数に対応する機械学習サブモデルの確率値を得るように、前記機械学習サブモデルをトレーニングすることであって、前記機械学習サブモデルは、取引挙動を記述する特徴変数に従って、前記対応する中間目標変数により示される目標挙動タイプを特定するのに使用される、トレーニングすることと、
前記機械学習サブモデルの前記確率値を合算して、目標確率値を取得することと、
前記目標確率値及び前記特徴変数に従って、目標挙動を特定する目標機械学習モデルを確立することと
を含む、方法。 - 各中間目標変数に対応する機械学習サブモデルをトレーニングするステップの前に、
初期目標変数間の互換状態又は排他状態に従って、互換性のある初期目標変数を統合して、相互に排他的な状態の中間目標変数を取得することであって、前記初期目標変数は、目標挙動の実施形態を示すのに使用される、中間目標変数を取得すること
を含む、請求項1に記載のモデリング方法。 - 初期目標変数間の互換状態又は排他状態に従って、互換性のある初期目標変数を統合して、相互に排他的な状態の中間目標変数を取得するステップは、
相互に排他的な状態の初期目標変数を2つごとに結合して、初期目標変数対にすることと、
前記初期目標変数を含む分割集合を構築することと、
初期目標変数対毎に、前記初期目標変数対に従って分割集合を2つの次のレベルの分割集合に順次分割するステップを実行することであって、前記次のレベルの分割集合のそれぞれは、前記初期目標変数対中の1つの初期目標変数、及び前記初期目標変数対以外の前記分割集合内の全ての要素を含み、前記次のレベルの分割集合は、次の初期目標変数対に従って分割を行うために使用される、実行することと、
相互包含関係を有する分割集合を統合して、目標部分集合を取得することと、
同じ目標部分集合内の初期目標変数を統合して、前記中間目標変数として機能させることと
を含む、請求項2に記載のモデリング方法。 - 初期目標変数間の互換状態又は排他状態に従って、互換性のある初期目標変数を統合して、相互に排他的な状態の中間目標変数を取得するステップの前に、
式
に従って前記初期目標変数間の互換状態又は排他状態を特定すること
を更に含み、式中、Numijは、初期目標変数yi及び初期目標変数yjにより、過去取引データ内で肯定標本として同時に定義される取引レコードの数を示し、Numjは、初期目標変数yiにより、前記過去取引データ内で肯定標本として定義される取引レコードの数を示し、Numjは、初期目標変数yjにより、前記過去取引データ内で肯定標本として定義される取引レコードの数を示し、1≦i≦N、1≦j≦Nであり、Nは初期特徴変数の総数であり、前記2つの初期目標変数は、H=1である場合、排他的であり、前記2つの初期目標変数は、H=0である場合、互換であり、T1及びT2は予め設定される閾値であり、0<T1<1であり、かつ0<T2<1である、請求項2に記載のモデリング方法。 - 前記機械学習サブモデルは線形モデルであり、各中間目標変数に対応する機械学習サブモデルの確率値を得るように、前記機械学習サブモデルをトレーニングするステップの前に、
各機械学習サブモデルの特徴変数Xqと各初期目標変数ysとの共分散を計算することであって、前記初期目標変数ysは、前記機械学習サブモデルに対応する前記中間目標変数を取得するために、統合するのに使用される、計算することと、
前記特徴変数Xqと各初期目標変数ysとの前記共分散の符号が異なる場合、前記特徴変数Xqを排除し、その他の場合、前記特徴変数Xqを保持することと
を更に含む、請求項2に記載のモデリング方法。 - 各中間目標変数に対応する機械学習サブモデルの確率値を得るように、前記機械学習サブモデルをトレーニングするステップの前に、
各初期目標変数ysの重みWsにより決まる取引レコードのコピー数に従って、各機械学習サブモデルのために前記過去取引データ内の取引レコードをコピーすることであって、前記初期目標変数ysは、前記機械学習サブモデルに対応する前記中間目標変数を取得するために、統合して使用される、コピーすることと、
前記機械学習サブモデルのトレーニング標本として、前記コピーされた過去取引データを使用することと
を更に含む、請求項2に記載のモデリング方法。 - 前記過去取引データ内の取引レコードをコピーするステップの前に、
取引レコード毎に、前記初期目標変数ys及び前記初期目標変数ysの前記重みWsを式
中に代入して、前記取引レコードの前記コピー数CNを取得することであって、前記取引レコードが前記初期目標変数ysの肯定標本である場合、ys=1であり、その他の場合、ys=0であり、Sは前記初期目標変数ysの数である、取得すること
を更に含む、請求項6に記載のモデリング方法。 - 前記機械学習サブモデルの前記確率値を合算して、目標確率値を取得するステップは、
各機械学習サブモデルの確率Pvを式
に代入して、計算により、前記機械学習モデルの確率Pを取得することであって、式中、N’は前記機械学習サブモデルの数である、取得すること
を含む、請求項1に記載のモデリング方法。 - 前記目標挙動は不正取引である、請求項1〜8のいずれか一項に記載のモデリング方法。
- 機械学習モデルのモデリングデバイスであって、
各中間目標変数に対応する機械学習サブモデルの確率値を得るように、前記機械学習サブモデルをトレーニングするように構成されたトレーニングモジュールであって、前記機械学習サブモデルは、取引挙動を記述する特徴変数に従って、前記対応する中間目標変数により示される目標挙動タイプを特定するのに使用される、トレーニングモジュールと、
前記機械学習サブモデルの前記確率値を合算して、目標確率値を取得するように構成された合算モジュールと、
前記目標確率値及び前記特徴変数に従って、目標挙動を特定する目標機械学習モデルを確立するように構成されたモデリングモジュールと
を含む、モデリングデバイス。 - 初期目標変数間の互換状態又は排他状態に従って、互換性のある初期目標変数を統合して、相互に排他的な状態の中間目標変数を取得するように構成された取得モジュールであって、前記初期目標変数は、目標挙動の実施形態を示すのに使用される、取得モジュール
を更に含む、請求項10に記載のモデリングデバイス。 - 前記取得モジュールは、
相互に排他的な状態の初期目標変数を2つごとに結合して、初期目標変数対にするように構成された結合ユニットと、
前記初期目標変数を含む分割集合を構築するように構成された構築ユニットと、
初期目標変数対毎に、前記初期目標変数対に従って分割集合を2つの次のレベルの分割集合に順次分割するステップを実行するように構成された分割ユニットであって、前記次のレベルの分割集合のそれぞれは、前記初期目標変数対中の1つの初期目標変数、及び前記初期目標変数対以外の前記分割集合内の全ての要素を含み、前記次のレベルの分割集合は、次の初期目標変数対に従って分割を行うために使用される、分割ユニットと、
相互包含関係を有する分割集合を統合して、目標部分集合を取得するように構成された統合ユニットと、
同じ目標部分集合内の初期目標変数を統合して、前記中間目標変数として機能させるように構成された決定ユニットと
を含む、請求項11に記載のモデリングデバイス。 - 前記取得モジュールは、
式
に従って前記初期目標変数間の互換状態又は排他状態を特定するように構成された計算ユニット
を更に含み、式中、Numijは、初期目標変数yi及び初期目標変数yjにより、過去取引データ内で肯定標本として同時に定義される取引レコードの数を示し、Numiは、初期目標変数yiにより、前記過去取引データ内で肯定標本として定義される取引レコードの数を示し、Numjは、初期目標変数yjにより、前記過去取引データ内で肯定標本として定義される取引レコードの数を示し、1≦i≦N、1≦j≦Nであり、Nは初期特徴変数の総数であり、前記2つの初期目標変数は、H=1である場合、排他的であり、前記2つの初期目標変数は、H=0である場合、互換であり、T1及びT2は予め設定される閾値であり、0<T1<1であり、0<T2<1である、請求項11に記載のモデリングデバイス。 - 前記機械学習サブモデルは線形モデルであり、前記デバイスは、
各機械学習サブモデルの特徴変数Xqと各初期目標変数ysとの共分散を計算するように構成された共分散計算モジュールであって、前記初期目標変数ysは、前記機械学習サブモデルに対応する前記中間目標変数を取得するために、統合するのに使用される、共分散計算モジュールと、
前記特徴変数Xqと各初期目標変数ysとの前記共分散の符号が異なる場合、前記特徴変数Xqを排除し、その他の場合、前記特徴変数Xqを保持するように構成されたスクリーニングモジュールと
を更に含む、請求項11に記載のモデリングデバイス。 - 各初期目標変数ysの重みWsにより決まる取引レコードのコピー数に従って、各機械学習サブモデルのために前記過去取引データ内の取引レコードをコピーするように構成されたコピーモジュールであって、前記初期目標変数ysは、前記機械学習サブモデルに対応する前記中間目標変数を取得するために、統合するのに使用される、コピーモジュールと、
前記機械学習サブモデルのトレーニング標本として、前記コピーされた過去取引データを使用するように構成された標本モジュールと
を更に含む、請求項11に記載のモデリングデバイス。 - 取引レコード毎に、前記初期目標変数ys及び前記初期目標変数ysの前記重みWsを式
中に代入して、前記取引レコードの前記コピー数CNを取得するように構成された計算モジュールであって、前記取引レコードが前記初期目標変数ysの肯定標本である場合、ys=1であり、その他の場合、ys=0であり、Sは前記初期目標変数ysの数である、計算モジュール
を更に含む、請求項15に記載のモデリングデバイス。 - 前記合算モジュールは、各機械学習サブモデルの確率Pvを式
に代入して、計算により、前記機械学習モデルの確率Pを取得するように特に構成され、式中、N’は前記機械学習サブモデルの数である、請求項10に記載のモデリングデバイス。 - 前記目標挙動は不正取引である、請求項10〜17のいずれか一項に記載のモデリングデバイス。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610094664.8A CN107103171B (zh) | 2016-02-19 | 2016-02-19 | 机器学习模型的建模方法及装置 |
CN201610094664.8 | 2016-02-19 | ||
PCT/CN2017/073023 WO2017140222A1 (zh) | 2016-02-19 | 2017-02-07 | 机器学习模型的建模方法及装置 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2019511037A true JP2019511037A (ja) | 2019-04-18 |
JP2019511037A5 JP2019511037A5 (ja) | 2020-03-19 |
JP7102344B2 JP7102344B2 (ja) | 2022-07-19 |
Family
ID=59624727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018542277A Active JP7102344B2 (ja) | 2016-02-19 | 2017-02-07 | 機械学習モデルのモデリング方法及びデバイス |
Country Status (5)
Country | Link |
---|---|
US (1) | US20180374098A1 (ja) |
JP (1) | JP7102344B2 (ja) |
CN (1) | CN107103171B (ja) |
TW (1) | TWI789345B (ja) |
WO (1) | WO2017140222A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200145641A (ko) * | 2019-06-19 | 2020-12-30 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 정보 생성 방법 및 장치 |
WO2022249266A1 (ja) * | 2021-05-25 | 2022-12-01 | 日本電気株式会社 | 不正検知システム、不正検知方法およびプログラム記録媒体 |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017050865A1 (en) | 2015-09-23 | 2017-03-30 | Janssen Pharmaceutica Nv | Bi-heteroaryl substituted 1,4-benzodiazepines and uses thereof for the treatment of cancer |
SI3353177T1 (sl) | 2015-09-23 | 2020-08-31 | Janssen Pharmaceutica Nv | Triciklični heterocikli za zdravljenje raka |
CN107103171B (zh) * | 2016-02-19 | 2020-09-25 | 阿里巴巴集团控股有限公司 | 机器学习模型的建模方法及装置 |
CN107423883B (zh) * | 2017-06-15 | 2020-04-07 | 创新先进技术有限公司 | 待处理业务的风险识别方法及装置、电子设备 |
CN109426701B (zh) * | 2017-08-30 | 2022-04-05 | 西门子(中国)有限公司 | 数据模型的运行方法、运行系统和存储介质 |
CN108228706A (zh) * | 2017-11-23 | 2018-06-29 | 中国银联股份有限公司 | 用于识别异常交易社团的方法和装置 |
CN109165249B (zh) * | 2018-08-07 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
US11567964B2 (en) * | 2018-08-31 | 2023-01-31 | Eligible, Inc. | Feature selection for artificial intelligence in healthcare management |
CN109325193B (zh) * | 2018-10-16 | 2021-02-26 | 杭州安恒信息技术股份有限公司 | 基于机器学习的waf正常流量建模方法以及装置 |
CN109934709A (zh) * | 2018-11-05 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 基于区块链的数据处理方法、装置和服务器 |
US20200159690A1 (en) * | 2018-11-16 | 2020-05-21 | Sap Se | Applying scoring systems using an auto-machine learning classification approach |
US11593811B2 (en) * | 2019-02-05 | 2023-02-28 | International Business Machines Corporation | Fraud detection based on community change analysis using a machine learning model |
US11574360B2 (en) * | 2019-02-05 | 2023-02-07 | International Business Machines Corporation | Fraud detection based on community change analysis |
JP2020140540A (ja) * | 2019-02-28 | 2020-09-03 | 富士通株式会社 | 判定プログラム、判定方法および情報処理装置 |
CN110991650A (zh) * | 2019-11-25 | 2020-04-10 | 第四范式(北京)技术有限公司 | 训练养卡识别模型、识别养卡行为的方法及装置 |
CN111080360B (zh) * | 2019-12-13 | 2023-12-01 | 中诚信征信有限公司 | 行为预测方法、模型训练方法、装置、服务器及存储介质 |
CN111860865B (zh) * | 2020-07-23 | 2022-07-19 | 中国工商银行股份有限公司 | 模型构建和分析的方法、装置、电子设备和介质 |
CN112465626B (zh) * | 2020-11-24 | 2023-08-29 | 平安科技(深圳)有限公司 | 基于客户端分类聚合的联合风险评估方法及相关设备 |
CN113705824A (zh) * | 2021-01-23 | 2021-11-26 | 深圳市玄羽科技有限公司 | 一种用于构建机器学习建模过程的系统 |
CN113177597A (zh) * | 2021-04-30 | 2021-07-27 | 平安国际融资租赁有限公司 | 模型训练数据确定方法、检测模型训练方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001256212A (ja) * | 2000-03-09 | 2001-09-21 | Fuji Electric Co Ltd | ニューラルネットワークの最適化学習方法 |
JP2004078959A (ja) * | 2002-08-13 | 2004-03-11 | Samsung Electronics Co Ltd | 人工神経網を利用した顔認識法及びその装置 |
JP2004265190A (ja) * | 2003-03-03 | 2004-09-24 | Japan Energy Electronic Materials Inc | 階層型ニューラルネットワークの学習方法、そのプログラム及びそのプログラムを記録した記録媒体 |
JP2009122851A (ja) * | 2007-11-13 | 2009-06-04 | Internatl Business Mach Corp <Ibm> | データを分類する技術 |
JP2009271885A (ja) * | 2008-05-12 | 2009-11-19 | Panasonic Corp | 年齢推定方法及び年齢推定装置 |
JP2013156691A (ja) * | 2012-01-26 | 2013-08-15 | Nippon Telegr & Teleph Corp <Ntt> | 購買予測装置、方法、及びプログラム |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467726B (zh) * | 2010-11-04 | 2015-07-29 | 阿里巴巴集团控股有限公司 | 一种基于网上交易平台的数据处理方法和装置 |
US20160223554A1 (en) * | 2011-08-05 | 2016-08-04 | Nodality, Inc. | Methods for diagnosis, prognosis and methods of treatment |
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
CN103106365B (zh) * | 2013-01-25 | 2015-11-25 | 中国科学院软件研究所 | 一种移动终端上的恶意应用软件的检测方法 |
CN103064987B (zh) * | 2013-01-31 | 2016-09-21 | 五八同城信息技术有限公司 | 一种虚假交易信息识别方法 |
US20140279379A1 (en) * | 2013-03-14 | 2014-09-18 | Rami Mahdi | First party fraud detection system |
US20140279745A1 (en) * | 2013-03-14 | 2014-09-18 | Sm4rt Predictive Systems | Classification based on prediction of accuracy of multiple data models |
CN104679777B (zh) * | 2013-12-02 | 2018-05-18 | 中国银联股份有限公司 | 一种用于检测欺诈交易的方法及系统 |
US20150363791A1 (en) * | 2014-01-10 | 2015-12-17 | Hybrid Application Security Ltd. | Business action based fraud detection system and method |
US20150242747A1 (en) * | 2014-02-26 | 2015-08-27 | Nancy Packes, Inc. | Real estate evaluating platform methods, apparatuses, and media |
CN104933053A (zh) * | 2014-03-18 | 2015-09-23 | 中国银联股份有限公司 | 非平衡类数据的分类 |
CN103914064B (zh) * | 2014-04-01 | 2016-06-08 | 浙江大学 | 基于多分类器和d-s证据融合的工业过程故障诊断方法 |
CN104636912A (zh) * | 2015-02-13 | 2015-05-20 | 银联智惠信息服务(上海)有限公司 | 信用卡套现识别方法和装置 |
CN104834918A (zh) * | 2015-05-20 | 2015-08-12 | 中国科学院上海高等研究院 | 一种基于高斯过程分类器的人体行为识别方法 |
CN105022845A (zh) * | 2015-08-26 | 2015-11-04 | 苏州大学张家港工业技术研究院 | 一种基于特征子空间的新闻分类方法及系统 |
US20170147941A1 (en) * | 2015-11-23 | 2017-05-25 | Alexander Bauer | Subspace projection of multi-dimensional unsupervised machine learning models |
CN107103171B (zh) * | 2016-02-19 | 2020-09-25 | 阿里巴巴集团控股有限公司 | 机器学习模型的建模方法及装置 |
-
2016
- 2016-02-19 CN CN201610094664.8A patent/CN107103171B/zh active Active
-
2017
- 2017-02-07 JP JP2018542277A patent/JP7102344B2/ja active Active
- 2017-02-07 WO PCT/CN2017/073023 patent/WO2017140222A1/zh active Application Filing
- 2017-02-07 TW TW106103976A patent/TWI789345B/zh active
-
2018
- 2018-08-17 US US15/999,073 patent/US20180374098A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001256212A (ja) * | 2000-03-09 | 2001-09-21 | Fuji Electric Co Ltd | ニューラルネットワークの最適化学習方法 |
JP2004078959A (ja) * | 2002-08-13 | 2004-03-11 | Samsung Electronics Co Ltd | 人工神経網を利用した顔認識法及びその装置 |
JP2004265190A (ja) * | 2003-03-03 | 2004-09-24 | Japan Energy Electronic Materials Inc | 階層型ニューラルネットワークの学習方法、そのプログラム及びそのプログラムを記録した記録媒体 |
JP2009122851A (ja) * | 2007-11-13 | 2009-06-04 | Internatl Business Mach Corp <Ibm> | データを分類する技術 |
JP2009271885A (ja) * | 2008-05-12 | 2009-11-19 | Panasonic Corp | 年齢推定方法及び年齢推定装置 |
JP2013156691A (ja) * | 2012-01-26 | 2013-08-15 | Nippon Telegr & Teleph Corp <Ntt> | 購買予測装置、方法、及びプログラム |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200145641A (ko) * | 2019-06-19 | 2020-12-30 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 정보 생성 방법 및 장치 |
KR102308002B1 (ko) | 2019-06-19 | 2021-10-05 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 정보 생성 방법 및 장치 |
US11436540B2 (en) | 2019-06-19 | 2022-09-06 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating information |
WO2022249266A1 (ja) * | 2021-05-25 | 2022-12-01 | 日本電気株式会社 | 不正検知システム、不正検知方法およびプログラム記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
US20180374098A1 (en) | 2018-12-27 |
WO2017140222A1 (zh) | 2017-08-24 |
CN107103171A (zh) | 2017-08-29 |
CN107103171B (zh) | 2020-09-25 |
JP7102344B2 (ja) | 2022-07-19 |
TWI789345B (zh) | 2023-01-11 |
TW201734844A (zh) | 2017-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019511037A (ja) | 機械学習モデルのモデリング方法及びデバイス | |
US8341149B2 (en) | Ranking with learned rules | |
CN105809448B (zh) | 账户交易的聚类方法及其系统 | |
CN112927072B (zh) | 一种基于区块链的反洗钱仲裁方法、系统及相关装置 | |
Suryanarayana et al. | Machine learning approaches for credit card fraud detection | |
CN109635010B (zh) | 一种用户特征及特征因子抽取、查询方法和系统 | |
CN111008898B (zh) | 评估模型解释工具的方法和装置 | |
CN110084609B (zh) | 一种基于表征学习的交易欺诈行为深度检测方法 | |
CN107392217B (zh) | 计算机实现的信息处理方法及装置 | |
CN111221960A (zh) | 文本检测方法、相似度计算方法、模型训练方法及装置 | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
CN111325344A (zh) | 评估模型解释工具的方法和装置 | |
Ramasubramanian et al. | Machine learning model evaluation | |
Islam et al. | An ensemble learning approach for anomaly detection in credit card data with imbalanced and overlapped classes | |
CN111340102B (zh) | 评估模型解释工具的方法和装置 | |
CN111275480B (zh) | 面向多维稀疏销售数据仓库的欺诈行为挖掘方法 | |
CN113762579A (zh) | 一种模型训练方法、装置、计算机存储介质及设备 | |
CN106874286B (zh) | 一种筛选用户特征的方法及装置 | |
Caplescu et al. | Will they repay their debt? Identification of borrowers likely to be charged off | |
CN110990164B (zh) | 账户检测方法和装置、账户检测模型的训练方法和装置 | |
CN114140246A (zh) | 模型训练方法、欺诈交易识别方法、装置和计算机设备 | |
CN112766320A (zh) | 一种分类模型训练方法及计算机设备 | |
Tyrrell et al. | Algorithm-performance personas ‘for Siamese meta-learning and automated algorithm selection | |
Jose et al. | Detection of Credit Card Fraud Using Resampling and Boosting Technique | |
Lee | A data mining approach using transaction patterns for card fraud detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200204 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200204 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210310 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210405 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210705 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210906 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220127 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220425 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220527 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220607 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220706 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7102344 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |