专利交易市场

本发明公开了一种面向记忆增强元学习的深度学习模型去偏方法，包括：(1)获取样本数据集，并提取类别标签以及敏感属性标签；(2)构建包含控制器和外部记忆单元的深度学习模型；(3)利用深度学习模型对样本数据进行学习的过程中，依据输出键值与类别标签之间的映射关系筛选得到类别标签，并依据类别标签进行关于敏感属性的相似度检测，筛选得到敏感样本；(4)对敏感样本进行重要性检测，以确定敏感样本的重要性权重；(5)依据重要性权重对敏感样本删减或改变重要性权重，以实现对深度学习模型的去偏处理，从而达到对深度学习模型的去偏效果。

本发明涉及神经网络架构搜索技术领域，公开了一种基于分层‑反馈机制和TEG引导的可微神经架构搜索方法，包括：分层搜索阶段，搜索网络深度逐步递增，并结合TEG指标进行架构选择，使用可微分架构搜索方法进行神经架构搜索，搜索步骤中包含多个搜索阶段，每个搜索阶段对应一个搜索网络，且随着搜索阶段的增加，对应的搜索网络的单元的数量随之增加，并逐渐接近评估步骤使用的评估网络中的单元的数量；步骤二，反馈搜索阶段：评估网络由最后一个搜索阶段的搜索网络扩充而来，将搜索网络与评估网络整合，并以循环的方式联合训练最后一个搜索阶段的搜索网络和评估网络。很大程度上提高了搜索效率，同时保持了较高的搜索模型的准确性。

本发明提供了一种基于多种群协同进化的生成对抗网络架构搜索方法，包括：步骤1，定义用于搜索生成器和鉴别器的搜索空间；步骤2，随机生成生成器和鉴别器的基因群；步骤3，激活所有候选操作，进行初始化训练；步骤4，搜索生成对抗网络的架构参数和网络权重；步骤5，对生成器和鉴别器的基因群进行优化和更新；步骤6，交替优化生成器和鉴别器的架构，直至网络性能无法再被提升；步骤7，将搜索出的生成对抗网络用于零样本学习中的未见样本的生成。本方法的联合搜索能够充分利用GAN框架中生成器和鉴别器相互依存、动态博弈的关系，有利于搜索出更优异的GAN架构，相比传统的优化方法具有更高的效率和更好的搜索性能。

本申请涉及一种基于自适应PID‑注意力的元学习欺诈检测步长优化方法，该方法通过内循环基于PID控制参数调整动态学习率，外循环基于对应内循环更新的任务参数优化PID控制参数；后续基于任务参数初始化后的元学习框架对新型欺诈任务的动态学习率进行迭代优化，并在迭代过程中监控损失变化率和参数波动幅度，当两者同时满足条件时，停止优化，否则重置PID控制参数的积分项，并对PID控制参数的微分项进行平滑处理后，再迭代优化动态学习率；最后，基于新型欺诈任务与其相似度最高的元任务的检测结果，计算KL散度、余弦相似度，当回滚条件时，将动态学习率回滚至初始状态，并约束动态学习率的更新方向后再次迭代更新动态学习率。

本发明属于联邦元学习方法的技术领域，更具体地，涉及一种基于数据增强与隐私增强的组联邦元学习方法。方法包括本地客户端处理阶段；服务器端根据本地客户端的数据分布表示对本地客户端进行初始分组，再将收到的本地元模型进行平均聚合生成组元模型；所有本地客户端收到服务器下发的初始化全局元模型后，进行更新本地元模型；服务器根据更新的数据分布表示更新分组，然后将更新的本地元模型进行更新后的组内聚合，生成新的组元模型；进行更新迭代；本地客户端进行模型个性化。本发明解决了现有技术中存在数据异构性、数据稀缺、类别不平衡的情况，在处理罕见病医疗领域中本地模型泛化效果较差，医疗数据存在被泄露的风险的问题。

本申请实施例提供一种模型生成方法及装置、电子设备和存储介质，其中，所述方法包括：获取第一网络模型的第一搜索空间，所述第一搜索空间包括所述第一网络模型的m层的每一层的K个候选采样模块；获取第二搜索空间，所述第二搜索空间包括所述第一搜索空间中满足预设条件的候选采样模块，所述第二搜索空间的规格与所述第一搜索空间的规格相同；对所述第二搜索空间进行超网训练，以得到N个第二参考网络模型；根据所述N个第二参考网络模型的性能参数和预设性能参数，从所述N个第二参考网络模型中确定出所述第一网络模型，能够提升网络模型确定时的便捷性。