[發明專利]基于淺層自學習算法拒絕推斷的設備認證方法及系統、電子設備

在審

• 申請號: 202110475415.4
• 申請日: 2021-04-29
• 公開（公告）號: CN113298264A
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 張倩倩
• 申請（專利權）人: 上海淇玥信息技術有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06N5/04;G06K9/62;G06F16/2458
• 代理公司: 北京清誠知識產權代理有限公司 11691
• 代理人: 喬東峰

1.一種基于自學習算法拒絕推斷的設備認證方法，其特征在于，包括如下步驟：

采集首次認證后被拒絕的設備數據，采用無監督的異常數據識別算法，對輸入的首次認證后被拒絕的設備數據剔除無效數據，其中，首次認證是采用機器自學習的模型進行的；

通過迭代閾值分位數，給無標簽樣本進行打標；

結合確定標簽的無標簽樣本和有標簽的通過樣本，重新訓練整理所述模型，以達到修正模型打分分布的作用；

采用修正好的模型對新設備進行設備認證。

2.根據權利要求1所述的方法，其特征在于，

所述剔除無效數據包括：剔除所述模型輸入樣本的特征空間中與X^a特征空間差異較大的樣本；其中，定義總體樣本X中包含接受樣本，即X^a為接受樣本。

3.根據權利要求1所述的方法，其特征在于，

所述剔除無效數據包括：剔除所述模型輸入樣本中的特征空間與X^a最為接近的一部分拒絕樣本。

4.根據權利要求1至3中任一項所述的方法，其特征在于，

所述剔除的步驟采用孤立森林算法實現。

5.根據權利要求4所述的方法，其特征在于，

所述剔除步驟具體包括：

子步驟1，用X^a訓練孤立森林模型記為g(x)；

子步驟2，使用g(x)為X^r樣本進行打分；

子步驟3，根據事先定義的閾值上下限[δ₁,δ₂]，小于閾值和大于閾值部分的樣本剔除；得到用于繼續打標的拒絕樣本X^r*；

其中，定義拒絕樣本，即X^r樣本為拒絕樣本；接受樣本能觀察一定MOB的逾期表現，樣本的逾期表現記為而拒絕樣本則為無標簽樣本。

6.根據權利要求1所述的方法，其特征在于，

所述模型使用帶正則項的邏輯回歸模型。

7.根據權利要求1至3中任一項所述的方法，其特征在于，

所述的打標的步驟具體包括：

對于經過孤立森林算法篩選出的樣本X^r*

子步驟1，使用X^a訓練出一個帶懲罰項的邏輯回歸基模型f(x)；

子步驟2，對每個樣本使用f(x)對其打分；

子步驟3，根據給定的超參數α、θ，確定閾值c_b,c_g，使得

篩選出符合閾值范圍的無標簽拒絕樣本組成的集合為X^*；其中α、θ為超參數，θ表示正負樣本之間的倍數；P()表示滿足括號中條件的概率。

8.根據權利要求7所述的方法，其特征在于，

α、θ通過交叉驗證法進行調整，和/或，根據業務的經驗給出θ的取值。

9.根據權利要求7所述的方法，其特征在于，

閾值c_b,c_g能夠通過正負樣本的更新，動態對基分類器進行更新，從而動態對拒絕樣本進行打標。

10.根據權利要求7所述的方法，其特征在于，

上述打標的步驟還包括：

設置迭代次數為k，每一次迭代重復上述的算法，將每次迭代篩選出的X^*加入到X^a中，重新訓練基模型，并進行閾值更新。