一种带噪声学习的负样本对抗生成方法技术

本发明专利技术涉及一种基于自动编码器网络和生成对抗网络的数据生成方法。本发明专利技术提出的数据生成方法，可以有效地解决电子交易因样本不均衡问题带来的反欺诈模型构建困难的问题。使用自动编码器的样本表征能力，对输入样本编码结合随机噪声作为生成器输入，为先验噪声添加指导信息，并且编码后的噪声可以公平分配各个样本生成上的概率，有效的提高生成模型对边缘分布数据的捕获能力，该模型为解决欺诈样本不足提供了一种新的技术支持方案，具有一定的实用价值。

【技术实现步骤摘要】
一种带噪声学习的负样本对抗生成方法
本专利技术涉及一种电子交易负样本生成方法，属于信息

技术介绍
随着现代科学技术的高速发展，互联网金融成为当下最热的话题。互联网金融与人们的日常生活息息相关，目前俨然成为行业发展的主流方向。数据统计显示，2016年完成非现金交易3687.24万亿元；2017年，共完成非现金交易3759.94万亿元，其中移动支付交易规模近150万亿元，居全球首位。截至2019年6月，我国网络支付用户规模达6.33亿，较2018年底增长3265万，占网民整体的74.1％。金融高速发展的同时，以银行、电子消费等为代表的各领域交易欺诈案件日益增加，欺诈手段层出不穷。2019年，《中国互联网络发展状况统计报告》指出上半年遭遇网络诈骗的网民为21.5％，在网络诈骗各种类型中，虚拟中奖信息诈骗仍是网民最常遇到的网络诈骗类型，网络兼职诈骗排名第二。在使用深度学习或机器学习方法构建欺诈检测模型时，样本不均衡、数据集高度倾斜问题普遍存在。以电子银行为例，每天交易流水在百万甚至千万量级，然而在交易记录里只有少数案件属于欺诈案例，黑本文档来自技高网...

【技术保护点】
1.一种带噪声学习的负样本对抗生成方法，其特征在于，基于该模型，模型采用自动编码器结合生成对抗网络的结构，包括编码器E、解码生成器G和判别器D，其中，编码器对输入的每一条交易数据学习其欺诈特征模式，进行压缩编码后，得到输入交易的特征空间z；将自动编码器中的解码器和生成对抗网络中的生成器结构合二为一，两个网络共享权值参数，形成解码生成器G，解码生成器G一方面完成输出样本尽可能接近原始样本的任务，另一方面完成从潜在特征空间到样本空间的映射任务；解决输入噪声不具有任何先验学习信息的问题，让输入的噪声更具有学习能力。判别器D是一个分类器模型，判别器D不仅会读取原始数据，标记为true，还会将解码生成器...

【技术特征摘要】
1.一种带噪声学习的负样本对抗生成方法，其特征在于，基于该模型，模型采用自动编码器结合生成对抗网络的结构，包括编码器E、解码生成器G和判别器D，其中，编码器对输入的每一条交易数据学习其欺诈特征模式，进行压缩编码后，得到输入交易的特征空间z；将自动编码器中的解码器和生成对抗网络中的生成器结构合二为一，两个网络共享权值参数，形成解码生成器G，解码生成器G一方面完成输出样本尽可能接近原始样本的任务，另一方面完成从潜在特征空间到样本空间的映射任务；解决输入噪声不具有任何先验学习信息的问题，让输入的噪声更具有学习能力。判别器D是一个分类器模型，判别器D不仅会读取原始数据，标记为true，还会将解码生成器G生成的数据作为输入，标记为false，给出true或者false的结果，所述对抗样本生成方法包括以下步骤：
步骤1、依据数据集中带标签样本的标签，将所有带标签样本划分为不同的样本数据集，通过数据抽取方法从交易负样本数据中抽取出负样本数据集；
步骤2、建立模型，并利用上一步获得的负样本数据集对模型进行训练，包括以下步骤：
S201、初始化模型
获取上一步得到的交易负样本数据集，作为模型中编码器E和判别器D的输入；设置模型的网络层数、节点数、激活函数、梯度训练函数，对模型的参数训练次数、网络权值、偏置值、学习率初始化后，构建初始的模型；
S202、模型训练
根据给定的训练次数、迭代方案、优化目标，对模型进行对抗训练，编码器E、解码生成器G和判别器D的优化目标分别表示为：
编码器E优化目标：
式中，LEncoder表示编码器损失、X表示原始数据、E＝E(X)表示通过编码器重建的样本；
判别器优化：
式中，表示损失函数，x表示生成数据或样本数据、D＝D(x)表示判别器输出，pdata表示真实数据分布，表示真实数据下的损失，pz表示生成数据分布，z表示随机噪声，G(z)表示生成数据样本，D(G(z))表示判别器对生成样本的区分，G(E(X))表示编码器指导下生成样本，D(G(E(X)))表示判别器对G(E(X))的区分，...

【专利技术属性】
技术研发人员：章昭辉，蒋昌俊，王鹏伟，杨丽俊，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海;31