[發明專利]檢測模型訓練、數據檢測方法、裝置、設備及存儲介質

在審

• 申請號: 202211266575.9
• 申請日: 2022-10-17
• 公開（公告）號: CN115496205A
• 公開（公告）日: 2022-12-20
• 發明（設計）人: 張昊;胡鑫旭;邱路遙
• 申請（專利權）人: 中國農業銀行股份有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06K9/62;G06Q40/04
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 倪焱

本發明實施例公開了一種檢測模型訓練、數據檢測方法、裝置、設備及存儲介質，其中，檢測模型訓練方法包括：根據歷史目標樣本數據構建多維度綜合畫像樣本數據；根據GAN生成器生成偽目標樣本數據；將所述多維度綜合畫像樣本數據和所述多維度綜合畫像樣本數據作為訓練數據輸入至GAN判別器，以對基于GAN網絡的檢測模型進行訓練。本發明實施例的技術方案能夠提高檢測模型的訓練效率，降低模型訓練所使用的計算資源，并提高檢測模型的準確率，進而提高數據檢測的效率和準確率。

技術領域

本發明實施例涉及數據處理技術領域，尤其涉及一種檢測模型訓練、數據檢測方法、裝置、設備及存儲介質。

背景技術

隨著大數據的快速發展，為了提高數據處理效率，保證數據處理的質量，通常需要對數據進行檢測。例如，可以檢測數據中的異常數據，如從互聯網數據中檢測黑名單數據，或檢測數據中所需的特定數據類型等，如從圖像數據中檢測人臉數據或等。

目前，檢測數據包括兩種主要檢測方案，第一種通過人為檢測，如人為肉眼核驗由平臺推送過來的交易數據是否合理。第二種為通過網絡模型自動檢測。近年來，機器學習發展迅速，廣泛應用于多個領域。機器學習的核心思想是使得網絡模型能夠提取出訓練集數據樣本的統計特性，從而將輸入給網絡的對象按照差異性進行分類，在數據檢測領域應用也較為廣泛。

發明人在實現本發明的過程中，發現現有技術存在如下缺陷：人為檢測的方式難以滿足大數據的檢測需求，當檢測數據量較大時，僅憑肉眼核驗是不現實的，數據檢測效率極低。通過網絡模型自動檢測時，往往直接將樣本數據作為訓練數據訓練網絡模型，或僅對樣本數據進行簡單的預處理操作，這種模型訓練方式會耗費大量時間和計算資源，導致模型訓練效率低且模型準確率較低，進而導致數據檢測效果不理想。

發明內容

本發明實施例提供一種檢測模型訓練、數據檢測方法、裝置、設備及存儲介質，能夠提高檢測模型的訓練效率，降低模型訓練所使用的計算資源，并提高檢測模型的準確率，進而提高數據檢測的效率和準確率。

根據本發明的一方面，提供了一種檢測模型訓練方法，包括：

根據歷史目標樣本數據構建多維度綜合畫像樣本數據；

根據GAN(Generative Adversarial Network，生成式對抗網絡)生成器生成偽目標樣本數據；

將所述多維度綜合畫像樣本數據和所述多維度綜合畫像樣本數據作為訓練數據輸入至GAN判別器，以對基于GAN網絡的檢測模型進行訓練。

根據本發明的另一方面，提供了一種數據檢測方法，包括：

獲取待檢測數據；

將所述待檢測數據輸入至基于GAN網絡的檢測模型中進行目標數據的檢測；

其中，所述基于GAN網絡的檢測模型通過上述任一所述的檢測模型訓練方法訓練得到。

根據本發明的另一方面，提供了一種檢測模型訓練裝置，包括：

綜合畫像樣本數據構建模塊，用于根據歷史目標樣本數據構建多維度綜合畫像樣本數據；

偽目標樣本數據生成模塊，用于根據GAN生成器生成偽目標樣本數據；

檢測模型訓練模塊，用于將所述多維度綜合畫像樣本數據和所述多維度綜合畫像樣本數據作為訓練數據輸入至GAN判別器，以對基于GAN網絡的檢測模型進行訓練。

根據本發明的另一方面，提供了一種數據檢測裝置，包括：

待檢測數據獲取模塊，用于獲取待檢測數據；

目標數據檢測模塊，用于將所述待檢測數據輸入至基于GAN網絡的檢測模型中進行目標數據的檢測；