[發明專利]自適應數據處理方法、設備及存儲存儲介質

在審

• 申請號: 202011115729.5
• 申請日: 2020-10-16
• 公開（公告）號: CN112241528A
• 公開（公告）日: 2021-01-19
• 發明（設計）人: 范力欣;吳錦和;鞠策;金逸倫;張天豫;周雨豪;楊強
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06F21/55
• 分類號: G06F21/55;G06N3/04;G06N3/08
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 張志江

1.一種自適應數據處理方法，其特征在于，所述自適應數據處理方法包括：

在檢測到數據處理指令時，獲取待處理數據，將所述待處理數據輸入至預設動態擾動神經網絡模型中；

基于所述預設動態擾動神經網絡模型對所述待處理數據進行預測處理，得到目標結果；

其中，所述預設動態擾動神經網絡模型是基于具有預設標簽的預設訓練數據以及動態擾動因子，對預設基礎模型進行動態迭代訓練得到的。

2.如權利要求1所述的自適應數據處理方法，其特征在于，所述預設動態擾動神經網絡模型包括一個或者多個預設動態擾動神經子網絡模型，所述基于所述預設動態擾動神經網絡模型對所述待處理數據進行預測處理，得到目標結果的步驟，包括：

確定所述數據處理指令中的擾動關聯信息；

若所述擾動關聯信息包括多個擾動因素時，確定各擾動因素對應的擾動權重；

基于所述擾動因素以及對應的擾動權重，獲取所述預設動態擾動神經網絡模型中，各個擾動因素對應的預設動態擾動神經子網絡模型對所述待處理數據進行預測處理后，得到的各個第一預測結果；

融合處理所述各個第一預測結果，得到目標結果。

3.如權利要求1所述的自適應數據處理方法，其特征在于，所述基于所述預設動態擾動神經網絡模型對所述待處理數據進行預測處理，得到目標結果的步驟之前，所述方法包括：

獲取具有預設標簽的預設訓練數據以及動態擾動因子；

基于所述具有預設標簽的預設訓練數據以及動態擾動因子，對預設基礎模型進行動態迭代訓練，得到目標模型；

將所述目標模型設置為所述預設動態擾動神經網絡模型。

4.如權利要求3所述的自適應數據處理方法，其特征在于，所述基于所述具有預設標簽的預設訓練數據以及動態擾動因子，對預設基礎模型進行動態迭代訓練，得到目標模型的步驟，包括：

獲取預設時間段內，基于所述具有預設標簽的預設訓練數據以及動態擾動因子，對預設基礎模型進行動態迭代訓練后，得到的第二預測結果；

基于所述第二預測結果與所述預設標簽，對所述預設基礎模型進行模型參數的調整，以得到目標模型。

5.如權利要求3所述的自適應數據處理方法，其特征在于，所述動態擾動因子包括輸入數據因子；

所述基于所述具有預設標簽的預設訓練數據以及動態擾動因子，對預設基礎模型進行動態迭代訓練，得到目標模型的步驟，包括：

基于所述輸入數據因子以及第一預設擾動幅度，確定擾動輸入數據；

基于所述具有預設標簽的預設訓練數據，對預設基礎模型進行動態迭代訓練，并基于所述擾動輸入數據隨機或者自適應地對迭代訓練過程中的預設基礎模型進行擾動調整，得到目標模型。

6.如權利要求3所述的自適應數據處理方法，其特征在于，所述動態擾動因子包括網絡參數因子；

所述基于所述具有預設標簽的預設訓練數據以及動態擾動因子，對預設基礎模型進行動態迭代訓練，得到目標模型的步驟，包括：

基于所述具有預設標簽的預設訓練數據，對預設基礎模型的初始模型參數進行迭代訓練，得到中間模型參數；

基于所述網絡參數因子以及第二預設擾動幅度，確定擾動網絡參數；

基于所述擾動網絡參數隨機或者自適應對迭代訓練過程中的所述中間模型參數進行擾動調整，以得到目標模型。

7.如權利要求3所述的自適應數據處理方法，其特征在于，所述動態擾動因子包括損失函數因子；

所述基于所述具有預設標簽的預設訓練數據以及動態擾動因子，對預設基礎模型進行動態迭代訓練，得到目標模型的步驟，包括：

基于所述具有預設標簽的預設訓練數據，對預設基礎模型進行動態迭代訓練，得到中間訓練結果；

基于所述損失函數因子以及第三預設擾動幅度，確定擾動損失函數；

基于所述擾動損失函數隨機或者自適應對迭代訓練過程中的預設損失函數進行擾動調整，得到目標損失函數；

基于所述中間訓練結果，所述預設標簽以及所述目標損失函數，對預設基礎模型進行動態迭代訓練，以得到目標模型。