[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

本申請公開了一種自適應數據處理方法、設備和存儲存儲介質，該方法包括：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。本申請提升了深度神經網絡模型對各種攻擊的防御能力,提升了待處理數據的處理效率和準確性。

技術領域

本申請涉及金融科技(Fintech)的人工智能技術領域，尤其涉及一種自適應數據處理方法、設備及存儲存儲介質。

背景技術

隨著金融科技，尤其是互聯網科技金融的不斷發展，越來越多的技術應用在金融領域，但金融業也對技術提出了更高的要求，如金融業對自適應數據處理也有更高的要求。

深度學習模型是應用非常廣泛的一類模型，深度學習模型常用于人工智能領域的數據處理，然而，現有深度學習模型常常受到竊取模型貢獻方的訓練數據，竊取模型貢獻方的隱私信息，對模型貢獻方進行數據下毒，偽造測試對抗樣本等各種干擾學習的攻擊，現有技術深度學習模型仍然按照在未受攻擊的模式下(理想狀態)進行訓練學習得到，這導致實際訓練得到的深度學習模型性能下降，致使數據的處理效率和準確性降低。

發明內容

本申請的主要目的在于提供一種自適應數據處理方法、設備和存儲存儲介質，旨在解決現有技術中使用在未受攻擊的模式下訓練學習得到的深度學習模型進行數據處理，造成數據的處理效率和準確性降低的技術問題。

為實現上述目的，本申請提供一種自適應數據處理方法，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。

可選地，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。

可選地，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。

可選地，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。