检测模型训练、数据检测方法、装置、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115496205A(43)申请公布日2022.12.20(21)申请号202211266575.9(22)申请日2022.10.17(71)申请人中国农业银行股份有限公司地址100005北京市东城区建国门内大街69号(72)发明人张昊胡鑫旭邱路遥(74)专利代理机构北京品源专利代理有限公司11332专利代理师倪焱(51)Int.Cl.G06N3/08(2006.01)G06N3/04(2006.01)G06K9/62(2022.01)G06Q40/04(2012.01)权利要求书2页说明书13页附图3页(54)发明名称检测模型训练、数据检测方法、装置、设备及存储介质(57)摘要本发明实施例公开了一种检测模型训练、数据检测方法、装置、设备及存储介质，其中，检测模型训练方法包括：根据历史目标样本数据构建多维度综合画像样本数据；根据GAN生成器生成伪目标样本数据；将所述多维度综合画像样本数据和所述多维度综合画像样本数据作为训练数据输入至GAN判别器，以对基于GAN网络的检测模型进行训练。本发明实施例的技术方案能够提高检测模型的训练效率，降低模型训练所使用的计算资源，并提高检测模型的准确率，进而提高数据检测的效率和准确率。CN115496205ACN115496205A权利要求书1/2页1.一种检测模型训练方法，其特征在于，包括：根据历史目标样本数据构建多维度综合画像样本数据；根据生成式对抗网络GAN生成器生成伪目标样本数据；将所述多维度综合画像样本数据和所述多维度综合画像样本数据作为训练数据输入至GAN判别器，以对基于GAN网络的检测模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述根据历史目标样本数据构建多维度综合画像样本数据，包括：根据所述历史目标样本数据获取多个单维度历史目标样本数据；根据各所述单维度历史目标样本数据的维度数量构建目标变分自动编码器；将各所述单维度历史目标样本数据进行归一化处理，得到归一化样本数据；将所述归一化样本数据输入至所述目标变分自动编码器，得到所述多维度综合画像样本数据。3.根据权利要求2所述的方法，其特征在于，所述根据各所述单维度历史目标样本数据的维度数量构建目标变分自动编码器，包括：根据所述单维度历史目标样本数据的第一维度数量以及第二维度数量确定所述目标变分自动编码器的编码器的输入输出网络以及解码器的输入输出网络；确定所述目标变分自动编码器的编码器的激活函数以及所述目标变分自动编码器的解码器的激活函数。4.根据权利要求1‑3任一所述的方法，其特征在于，所述历史目标样本数据包括历史交易样本数据；所述单维度历史目标样本数据包括历史订单数据、历史交易信息以及行业信息数据；其中，各所述单维度历史目标样本数据包括多维度的子样本数据。5.一种数据检测方法，其特征在于，包括：获取待检测数据；将所述待检测数据输入至基于GAN网络的检测模型中进行目标数据的检测；其中，所述基于GAN网络的检测模型通过权利要求1‑4任一所述的检测模型训练方法训练得到。6.根据权利要求5所述的方法，其特征在于，所述待检测数据包括待检测交易数据，所述目标数据包括异常交易数据。7.一种检测模型训练装置，其特征在于，包括：综合画像样本数据构建模块，用于根据历史目标样本数据构建多维度综合画像样本数据；伪目标样本数据生成模块，用于根据GAN生成器生成伪目标样本数据；检测模型训练模块，用于将所述多维度综合画像样本数据和所述多维度综合画像样本数据作为训练数据输入至GAN判别器，以对基于GAN网络的检测模型进行训练。8.一种数据检测装置，其特征在于，包括：待检测数据获取模块，用于获取待检测数据；目标数据检测模块，用于将所述待检测数据输入至基于GAN网络的检测模型中进行目标数据的检测；其中，所述基于GAN网络的检测模型通过权利要求7所述的检测模型训练装置训练得2CN115496205A权利要求书2/2页到。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1‑4中任一项所述的检测模型训练方法，或者实现如权利要求5‑6中任一所述的数据检测方法。10.一种计算机存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1‑4中任一项所述的检测模型训练方法，或者实现如权利要求5‑6中任一所述的数据检测方法。3CN115496205A说明书1/13页检测模型训练、数据检测方法、装置、设备及存储介质技术领域[0001]本发明实施例涉及数据处理技术领域，