【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种信贷风险识别模型训练方法、信贷风险识别方法及装置。
技术介绍
1、随着人工智能技术的发展，神经网络模型逐渐应用于各行各业中，在金融行业中，常通过构建神经网络模型对用户潜在的信贷风险进行预测，以减少高风险信贷用户造成的损失。其中，信贷风险是指用户申请使用信贷产品后产生逾期的风险概率。业界通常用来进行信贷风险预测的神经网络模型简称为信贷风险识别模型，常采用的信贷风险识别模型构建方法包括：基于传统统计学的方法构建信贷风险识别模型、基于机器学习算法构建信贷风险识别模型、基于深度学习算法构建信贷风险识别模型。
2、现在技术构建得到的信贷风险识别模型常存在面对数据分布转移或者噪声扰动时，识别精度较低。
技术实现思路
1、有鉴于此，本申请实施例提供了一种信贷风险识别模型训练方法、信贷风险识别方法及装置，以提高。
2、第一方面，本申请实施例提供了一种信贷风险识别模型训练方法，其中，该方法包括：
3、获取训练样本数据，其中，所述训练样本数据...
【技术保护点】
1.一种信贷风险识别模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述主深度网络包括：第一全连接层、第一编码层、输出标签概率层，所述对抗样本生成网络包括：第二全连接层、第二编码层，其中，所述第一全连接层向所述第二全连接层输出延时数据特征，以使所述第二全连接层、所述第二编码层基于输入的延时数据特征生成对抗扰动特征向量。
3.根据权利要求2所述的方法，其特征在于，所述主深度网络延时生成的延时数据特征为：所述第一全连接层基于输入的目标训练样本特征向量，按照预设延时周期输出的特征向量；所述对抗样本生成网络还包括：对...
【技术特征摘要】
1.一种信贷风险识别模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述主深度网络包括：第一全连接层、第一编码层、输出标签概率层，所述对抗样本生成网络包括：第二全连接层、第二编码层，其中，所述第一全连接层向所述第二全连接层输出延时数据特征，以使所述第二全连接层、所述第二编码层基于输入的延时数据特征生成对抗扰动特征向量。
3.根据权利要求2所述的方法，其特征在于，所述主深度网络延时生成的延时数据特征为：所述第一全连接层基于输入的目标训练样本特征向量，按照预设延时周期输出的特征向量；所述对抗样本生成网络还包括：对抗损失层，所述对抗损失层用于：
4.根据权利要求3所述的方法，其特征在于，所述预设损失函数为最大熵损失函数，所述最大熵损失函数满足如下公式：
<...【专利技术属性】
技术研发人员：万世想，杨青，
申请(专利权)人：度小满科技北京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。