一种模型训练及图数据的处理方法、装置、介质及设备与流程

1.本说明书涉及机器学习技术领域，尤其涉及一种模型训练及图数据的处理方法、装置、介质及设备。


背景技术：

2.目前，用户对自己的隐私数据越来越关注。在机器学习领域，在训练模型时采用的训练数据，与在使用训练后的模型执行任务时应用的任务数据通常存在差异。
3.若训练数据与任务数据间的差异使得训练数据与任务数据存在分布差异，在根据任务数据进行预测时，模型会出行性能下降的情况。
4.特别是在数据为图结构的数据时，由于能够导致不同图数据间存在差异的因素更多样，于是训练数据与任务数据间更容易出现分布差异，模型的性能更难以得到保持。
5.因此，如何保障在根据不同分布的图数据进行预测时模型的性能是亟需解的问题。


技术实现要素：

6.本说明书提供一种模型训练及图数据的处理方法、装置、介质及设备，以部分的解决现有技术存在的上述问题。
7.本说明书采用下述技术方案：
8.本说明书提供了一种模型训练方法，生成对抗网络包含目标模型和对抗模型，所述方法包括：
9.根据图数据确定各训练样本，并获取所述各训练样本的标注；
10.将所述各训练样本输入所述目标模型，得到所述目标模型对所述各训练样本的预测结果，并根据所述预测结果和所述各训练样本的标注，确定所述目标模型对所述各训练样本进行预测的损失，作为第一损失；
11.将所述各训练样本输入对抗模型，以通过所述对抗模型模拟对所述各训练样本的分布进行调整；
12.根据所述第一损失，预估所述目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失；
13.以所述第二损失最小为目标，对所述目标模型进行训练，并以所述第二损失最大为目标，对所述对抗模型进行训练。
14.本说明书提供了一种图数据的处理方法，包括：
15.接收待处理图数据；
16.将所述待处理图数据输入训练后的目标模型；其中，所述目标模型为通过上述模型训练方法训练得到的生成对抗网络中的目标模型；
17.获得所述目标模型输出的对所述待处理图数据的处理结果。
18.本说明书提供了一种模型训练装置，生成对抗网络包含目标模型和对抗模型，所
述装置包括：
19.样本确定模块，用于根据图数据确定各训练样本，并获取所述各训练样本的标注；
20.预测模块，用于将所述各训练样本输入所述目标模型，得到所述目标模型对所述各训练样本的预测结果，并根据所述预测结果和所述各训练样本的标注，确定所述目标模型对所述各训练样本进行预测的损失，作为第一损失；
21.模拟模块，用于将所述各训练样本输入对抗模型，以通过所述对抗模型模拟对所述各训练样本的分布进行调整；
22.预估模块，用于根据所述第一损失，预估所述目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失；
23.训练模块，用于以所述第二损失最小为目标，对所述目标模型进行训练，并以所述第二损失最大为目标，对所述对抗模型进行训练。
24.本说明书提供了一种图数据的处理装置，包括：
25.接收模块，用于接收待处理图数据；
26.处理模块，用于将所述待处理图数据输入训练后的目标模型；其中，所述目标模型为通过上述模型训练方法训练得到的生成对抗网络中的目标模型；
27.预测模块，用于获得所述目标模型输出的对所述待处理图数据的处理结果。
28.本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练或图数据的处理方法。
29.本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练或图数据的处理方法。
30.本说明书采用的上述至少一个技术方案能够达到以下有益效果：
31.在本说明书提供的模型训练方法中，生成对抗网络包含目标模型和对抗模型。通过将根据图数据确定的各训练样本输入目标模型，得到目标模型对各训练样本的预测结果，并根据预测结果和各训练样本的标注，确定目标模型对各训练样本进行预测的损失，作为第一损失。将各训练样本输入对抗模型，通过对抗模型模拟对各训练样本的分布进行调整。以根据第一损失，预估目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失。最终，通过以第二损失最小为目标训练目标模型，并以第二损失最大为目标训练对抗模型。
32.从上述方法中可以看出，通过生成对抗网络中目标模型与对抗模型互相“较劲”式的对抗性训练方式，能够通过对抗模型模拟将训练样本的分布调整至使得目标模型性能最差的分布。并能够使得在输入目标模型的数据为使得目标模型性能最差的分布的数据时，实现最大化目标模型输出的预测结果的准确性。即，能够实现最大化目标模型的最低性能，提升目标模型的鲁棒性。
附图说明
33.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附
34.图中：
35.图1为本说明书中一种模型训练方法的流程示意图；
36.图2为本说明书提供的一种模型训练过程的示意图；
37.图3为本说明书提供的一种图数据的处理方法的流程示意图；
38.图4为本说明书提供的模型训练装置的示意图；
39.图5为本说明书提供的一种图数据的处理装置的示意图；
40.图6为本说明书提供的一种电子设备的结构示意图。
具体实施方式
41.在本说明书中，通过本说明书提供的模型训练方法训练得到目标模型。该模型训练方法可用于风控场景。该目标模型可用于输出风控结果。
42.为了至少部分解决现有问题，提升训练得到的目标模型在面临具体不同分布的数据时的性能，通过本说明书提供的模型训练方法，采用分布鲁棒优化法对目标模型进行训练，以提高训练得到的目标模型的性能下限。
43.在本说明书中，目标模型可为生成对抗网络中的分类器。该生成对抗网络中还可包括对抗器(后续称之为对抗模型)。在对目标模型进行训练时，该目标模型与对抗模型以相斥的训练目标进行训练。即，本说明书中以一种互相对抗的方式对目标模型与对抗模型进行训练，使得目标模型与对抗模型皆能够在对方为自身造成干扰的情况下，也能够训练得到优异的性能，能够具有更好的鲁棒性。
44.具体的，由于现有模型性能下降的原因为：在训练模型时作为训练样本的分布是固定的，而应用模型进行预测时的输入数据分布会改变。若能够在训练模型时采用具有不同分布的训练样本，则能够提升模型的性能。
45.因此，为了提升目标模型的性能，本说明书通过改变训练样本的分布的方式，对目标模型进行训练。使得目标模型能够基于具有可使目标模型自身性能最差的分布的训练样本，训练达到最高性能。
46.为了降低训练复杂度，减少计算成本，本说明书并非预先确定多组分布不同的训练样本分别对目标模型进行训练。而是通过对抗模型模拟调整训练样本的分布，以通过对抗模型模拟得到使得目标模型性能最差的分布的训练样本为目标对对抗模型进行训练。并以目标模型对模拟得到的使目标模型性能最差的分布的训练样本的预测损失最小为目标，对目标模型进行训练。如此，能够实现最大化目标模型的性能下限，提升目标模型鲁棒性。
47.如此，能够最小化目标模型对与训练样本分布不同的数据进行预测时的误差，提升目标模型对与训练样本分布不同的数据进行预测时的准确性。
48.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
49.以下结合附图，详细说明本说明书各实施例提供的技术方案。
50.图1为本说明书中一种模型训练方法的流程示意图，生成对抗网络包含目标模型和对抗模型，该方法具体包括以下步骤：
51.s100：根据图数据确定各训练样本，并获取所述各训练样本的标注。
52.在本说明书中，该模型训练方法可由服务器执行。该服务器可以是单独的一台服务器，也可以是由若干服务器构成的分布式系统，本说明书在此不做限制。
53.在本说明书一个或多个实施例中，该服务器可通过该模型训练方法训练得到用于风控的目标模型。
54.其中，该目标模型可以是图神经网络，该目标模型可基于图数据，预测风控结果。例如，该目标模型可基于图数据，预测图数据对应的目标(如用户、业务等)是否存在风险作为风控结果，或者，该目标模型还可预测风控策略等作为风控结果。以下仅以风控结果为用户是否存在风险为例，进行说明。
55.因此，该服务器可根据图数据确定各训练样本，并获取各训练样本的标注。
56.在本说明书一个或多个实施例中，在确定训练样本时，具体的，该服务器可先获取图数据，并针对图数据中的每个节点，确定图数据中该节点对应的子图。在确定该节点对应的子图之后，该服务器则可根据该节点对应的子图确定训练样本。
57.在本说明书一个或多个实施例中，图数据中一个用户可为一个节点。该服务器可针对图数据中每个用户，根据预设的范围，确定与该用户存在直接业务关系或间接业务关系的各其他用户，并根据确定出的各其他用户与该用户确定该用户对应的子图。
58.则一个用户对应一个训练样本。该服务器可针对每个用户，将该用户历史上是否存在风险，作为该用户对应的训练样本的标注。
59.其中，针对每个用户，该用户对应的子图可以是以该用户为中心，根据预设的范围，在该图数据中采样或裁剪得到的子图。即，该子图可以是由该用户与图数据中该用户的至少部分邻居节点构成的子图。其中，该用户的邻居节点不限制为该用户的一度邻居节点。一度邻居节点即与该用户一阶(hop)连接的节点。该用户的邻居节点还可包括与该用户的2阶、3阶连接的节点等等，具体可根据需要设置，本说明书在此不做限制。
60.在本说明书一个或多个实施例中，节点间的边可为节点间的历史业务。以子图为采样得到的为例，可针对每个用户，以该用户为中心，确定预设的范围内的各其他用户中，通过目标业务与该用户直接连接和/或间接连接的其他用户，作为目标用户。之后，可根据该用户以及各目标用户，确定该用户对应的子图。
61.在本说明书一个或多个实施例中，可将指定类型的业务作为目标业务，例如，可将历史上执行的各种业务中，出现风险的概率最高的一种业务，作为目标业务。
62.或者，还可将历史上被识别为风险业务的业务，作为目标业务。
63.在本说明书一个或多个实施例中，该服务器在根据该节点对应的子图确定训练样本时，具体可根据该节点对应的子图，确定该节点的各节点特征，以及该节点的各邻居节点，并将该节点的节点特征以及该节点的邻居节点作为训练样本。
64.或者，在本说明书一个或多个实施例中，该服务器还可根据该节点对应的子图，确定该节点的各节点特征、该节点的各邻居节点，以及该节点与该节点的邻居节点间的边，并将该节点的节点特征、该节点的邻居节点以及该节点的邻居节点间的边，作为训练样本。即，还可将该节点的子图作为训练样本。
65.其中，节点特征可包括作为节点的用户的属性数据，例如，可包括用户的年龄、历史上是否被识别为风险用户、被识别为风险用户的时间、是否为黑名单用户、是否为白名单
用户、在业务平台的信誉积分等等。
66.s102：将所述各训练样本输入所述目标模型，得到所述目标模型对所述各训练样本的预测结果，并根据所述预测结果和所述各训练样本的标注，确定所述目标模型对所述各训练样本进行预测的损失，作为第一损失。
67.在本说明书一个或多个实施例中，该服务器可将各训练样本输入目标模型，得到目标模型对各训练样本的预测结果。
68.之后，则可根据预测结果和各训练样本的标注，确定目标模型对各训练样本进行预测的损失，作为第一损失。
69.在本说明书中，对确定第一损失的方式不做限制，例如，可通过交叉熵损失函数，确定第一损失。当然还可以采用其他方式确定第一损失，可根据需要设置。
70.s104：将所述各训练样本输入对抗模型，以通过所述对抗模型模拟对所述各训练样本的分布进行调整。
71.在本说明书一个或多个实施例中，该服务器还可将各训练样本输入对抗模型，以通过对抗模型模拟对各训练样本的分布进行调整。
72.s106：根据所述第一损失，预估所述目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失。
73.由于第一损失为目标模型对原本的训练样本进行预测的损失，而调整后的训练样本为在原始的训练样本的基础上调整得到，因此，在本说明书一个或多个实施例中，该服务器可根据第一损失，预估目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失。
74.s108：以所述第二损失最小为目标，对所述目标模型进行训练，并以所述第二损失最大为目标，对所述对抗模型进行训练。
75.为了使得对抗模型能够调整得到使得目标模型性能最差的分布(为了方便描述，后续简称为最差分布)，因此，该服务器可以以第二损失最大为目标，对对抗模型进行训练。
76.并且，为了使目标模型能够对最差分布的训练样本的预测误差最小，该服务器可以第二损失最小为目标，对目标模型进行训练。
77.基于图1所示的模型训练方法，生成对抗网络包含目标模型和对抗模型。通过将根据图数据确定的各训练样本输入目标模型，得到目标模型对各训练样本的预测结果，并根据预测结果和各训练样本的标注，确定目标模型对各训练样本进行预测的损失，作为第一损失。将各训练样本输入对抗模型，通过对抗模型模拟对各训练样本的分布进行调整。以根据第一损失，预估目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失。最终，通过以第二损失最小为目标训练目标模型，并以第二损失最大为目标训练对抗模型。
78.从上述方法中可以看出，通过生成对抗网络中目标模型与对抗模型互相“较劲”式的对抗性训练方式，可使得能够通过对抗模型模拟将训练样本的分布调整至使得目标模型性能最差的分布。并能够使得在输入目标模型的数据为使得目标模型性能最差的分布的数据时，实现最大化目标模型输出对输入数据的预测结果的准确性。即，能够实现最大化目标模型的最低性能，提升目标模型在输入数据发生分布漂移场景下的泛化性和鲁棒性。
79.如上所述，该目标模型可用于输出风控结果。该风控结果可以是是否存在风险的
结论，或者，也可以是风控策略。例如，以节点为用户为例，则，通过将用户对应的子图输入目标模型，则可得到该用户是否存在风险的风控结果，或者，可得到针对用户的风控策略。
80.另外，在本说明书步骤s104中，通过对抗模型模拟对各训练样本的分布进行调整时，该服务器具体可通过对抗模型输出用于调整各训练样本的分布的扰动分布。
81.进一步地，在步骤s106根据第一损失，预估目标模型对调整分布后的各训练样本进行预测的损失时，该服务器具体可根据第一损失和扰动分布，预估目标模型对调整分布后的各训练样本进行预测的损失。
82.在本说明书一个或多个实施例中，具体的，在通过对抗模型输出用于调整各训练样本的分布的扰动分布时，该服务器可针对每个训练样本，通过对抗模型输出用于调整该训练样本在所述各训练样本中出现概率的扰动权重。
83.之后，该服务器则可根据每个训练样本对应的扰动权重，得到用于调整各训练样本的分布的扰动分布。
84.在本说明书一个或多个实施例中，在根据第一损失和扰动分布，预估目标模型对调整分布后的各训练样本进行预测的损失时，该服务器可针对每个训练样本，根据扰动分布中该训练样本对应的扰动权重，对目标模型预测该训练样本的第一损失加权，得到该训练样本的加权损失。之后，该服务器可根据各训练样本的加权损失，预估目标模型对模拟出的调整分布后的各训练样本进行预测的损失。
85.在本说明书一个或多个实施例中，该服务器可具体将根据各训练样本的加权损失求和，得到目标模型对模拟出的调整分布后的各训练样本进行预测的损失。
86.在本说明书一个或多个实施例中，该服务器还可对各训练样本分别对应的扰动权重进行归一化。之后，该服务器则可根据每个训练样本对应的归一化后的扰动权重，得到用于调整各训练样本的分布的扰动分布。
87.进一步地，该服务器可针对每个训练样本，根据扰动分布中该训练样本对应的归一化后的扰动权重，对目标模型预测该训练样本的第一损失加权，得到该训练样本的加权损失。
88.其中，扰动权重为训练样本调整后的分布与原分布的似然比。
89.在本说明书一个或多个实施例中，对进行归一化的方式不做限制，例如可通过归一化指数(softmax)函数进行归一化。
90.在本说明书一个或多个实施例中，该对抗模型可用于执行多个任务。例如，该对抗模型可用于执行输出对各训练样本的分布进行调整的调整策略的第一任务，还可用于执行预估该第二损失的第二任务。
91.则，在本说明书一个或多个实施例中，该服务器可将各训练样本输入对抗模型，通过对抗模型输出模拟对训练样本的分布进行调整的调整策略。之后，该服务器可将第一损失以及调整策略输入对抗模型，预估目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失。
92.即，通过对抗模型模拟调整各训练样本的分布时，无需调整得到调整分布后的训练样本。
93.在本说明书一个或多个实施例中，该调整策略可以为扰动分布。
94.或者，在本说明书一个或多个实施例中，该服务器还可将各训练样本输入对抗模
型，通过对抗模型输出调整策略。之后，可根据调整策略调整得到调整分布后的训练样本。然后，该服务器可将调整分布后的训练样本、未调整分布的训练样本以及未调整分布的训练样本的第一损失输入对抗模型，得到目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失。
95.再或者，还可通过预先训练的预估模型输出预估目标模型对模拟出的调整分布后的各训练样本进行预测的损失。
96.该服务器可将调整分布后的训练样本、未调整分布的训练样本以及未调整分布的训练样本的第一损失输入预估模型，得到目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失。
97.其中，模拟的调整后的分布为原训练样本的分布的不确定集中的其他分布。
98.另外，在本说明书步骤s108中以第二损失最小为目标，对目标模型进行训练，并以第二损失最大为目标，对对抗模型进行训练时，该服务器可固定对抗模型的参数，以第二损失最小为目标，调整目标模型的参数，并固定目标模型的参数，以第二损失最大为目标，调整对抗模型的参数。
99.之后，该服务器可继续根据各训练样本以及各训练样本的标注，对对抗模型以及目标模型进行训练，直至确定满足收敛条件为止。即，在本说明书一个或多个实施例中，该服务器可循环步骤s100～s108，直至确定满足收敛条件为止。
100.即，在从开始训练到满足收敛调节的多轮训练中，针对每轮训练，该服务器可在该轮训练中以第二损失最小为目标，调整目标模型的参数，并以第二损失最大为目标，调整对抗模型的参数。
101.或者，还可对对抗模型以及目标模型进行交替训练。则一轮训练可仅以第二损失最小为目标，调整目标模型的参数，或仅以第二损失最大为目标，调整对抗模型的参数。并且相邻两轮调整的模型不同。
102.再或者，还可训练对抗模型收敛后，再根据训练完成的对抗模型对训练样本的分布进行调整，以训练目标模型。
103.本说明书还提供了图2所示的模型训练过程的示意图。如图2，在将训练样本分别输入目标模型以及对抗模型后，可得到目标模型输出的预测结果，并能够得到对抗模型输出的扰动权重。根据预测结果以及训练样本的标注可得到第一损失。根据扰动权重可得到扰动分布。根据第一损失以及扰动分布，可得到第二损失。之后，可根据第二损失，通过梯度下降法调整目标模型的参数，并通过梯度上升法调整对抗模型的参数。
104.需要说明的是，在本说明书中，对抗模型也可以是图神经网络。
105.以上为本说明书的一个或多个实施例提供的模型训练方法，另外，本说明书还提供了一种图数据的处理方法，如图3所示。
106.图3为本说明书提供的一种图数据的处理方法的流程示意图，包括以下步骤：
107.s300：接收待处理图数据。
108.该图数据的处理方法可由服务器执行。
109.首先，该服务器可接收待处理图数据。
110.s302：将所述待处理图数据输入训练后的目标模型。
111.在接收到待处理图数据后，该服务器可将待处理图数据输入训练后的目标模型。
112.其中，该目标模型可为通过图1所述的方法训练得到的生成对抗网络中的目标模型。
113.s304：获得所述目标模型输出的对所述待处理图数据的处理结果。
114.之后，该服务器可获得目标模型输出的待处理图数据的处理结果。
115.在本说明书一个或多个实施例中，该待处理图数据为风控用户对应的图数据。该处理结果可为根据待处理图数据预测得到的该风控用户的风控结果。例如，得到的处理结果可以是该风控用户是否存在风险的结论，或者还可以是风控策略。
116.基于与图1对应的模型训练方法同样的思路，本说明书还提供了相应的模型训练装置，如图4所示。
117.图4为本说明书提供的一种模型训练装置示意图，生成对抗网络包含目标模型和对抗模型，该装置包括：
118.样本确定模块200，用于根据图数据确定各训练样本，并获取所述各训练样本的标注；
119.预测模块201，用于将所述各训练样本输入所述目标模型，得到所述目标模型对所述各训练样本的预测结果，并根据所述预测结果和所述各训练样本的标注，确定所述目标模型对所述各训练样本进行预测的损失，作为第一损失；
120.模拟模块202，用于将所述各训练样本输入对抗模型，以通过所述对抗模型模拟对所述各训练样本的分布进行调整；
121.预估模块203，用于根据所述第一损失，预估所述目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失；
122.训练模块204，用于以所述第二损失最小为目标，对所述目标模型进行训练，并以所述第二损失最大为目标，对所述对抗模型进行训练。
123.可选地，所述样本确定模块200，具体用于获取图数据；针对所述图数据中的每个节点，确定所述图数据中该节点对应的子图；根据该节点对应的子图确定训练样本。
124.可选地，所述模拟模块202，具体用于通过所述对抗模型输出用于调整所述各训练样本的分布的扰动分布；所述预估模块203，具体用于根据所述第一损失和所述扰动分布，预估所述目标模型对调整分布后的各训练样本进行预测的损失。
125.可选地，所述模拟模块202，具体用于针对每个训练样本，通过所述对抗模型输出用于调整该训练样本在所述各训练样本中出现概率的扰动权重；根据每个训练样本对应的扰动权重，得到用于调整所述各训练样本的分布的扰动分布。
126.可选地，所述预估模块203，具体用于针对每个训练样本，根据所述扰动分布中该训练样本对应的扰动权重，对所述目标模型预测该训练样本的第一损失加权，得到该训练样本的加权损失；根据各训练样本的加权损失，预估所述目标模型对模拟出的调整分布后的各训练样本进行预测的损失。
127.可选地，所述训练模块204，用于固定所述对抗模型的参数，以所述第二损失最小为目标，调整所述目标模型的参数，并固定所述目标模型的参数，以所述第二损失最大为目标，调整所述对抗模型的参数。
128.基于与图3对应的图数据的处理方法同样的思路，本说明书还提供了相应的图数据的处理装置，如图5所示。
129.接收模块400，用于接收待处理图数据；
130.处理模块401，用于将所述待处理图数据输入训练后的目标模型；其中，所述目标模型为通过图1所述的方法训练得到的生成对抗网络中的目标模型；
131.预测模块402，用于获得所述目标模型输出的对所述待处理图数据的处理结果。
132.本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1或图3提供的方法。
133.本说明书还提供了图6所示的电子设备的结构示意图。如图6所示，在硬件层面，该电子设备包括处理器、内部总线、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1或图3提供的方法。
134.需要说明的是，本说明书中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
135.当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
136.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
137.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制
器：arc625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
138.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
139.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
140.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
141.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
142.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
143.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
144.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
145.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
146.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法
或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
147.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
148.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
149.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
150.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
151.以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

技术特征：
1.一种模型训练方法，生成对抗网络包含目标模型和对抗模型，所述方法包括：根据图数据确定各训练样本，并获取所述各训练样本的标注；将所述各训练样本输入所述目标模型，得到所述目标模型对所述各训练样本的预测结果，并根据所述预测结果和所述各训练样本的标注，确定所述目标模型对所述各训练样本进行预测的损失，作为第一损失；将所述各训练样本输入对抗模型，以通过所述对抗模型模拟对所述各训练样本的分布进行调整；根据所述第一损失，预估所述目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失；以所述第二损失最小为目标，对所述目标模型进行训练，并以所述第二损失最大为目标，对所述对抗模型进行训练。2.如权利要求1所述的方法，根据图数据确定各训练样本，具体包括：获取图数据；针对所述图数据中的每个节点，确定所述图数据中该节点对应的子图；根据该节点对应的子图确定训练样本。3.如权利要求1所述的方法，通过所述对抗模型模拟对所述各训练样本的分布进行调整，具体包括：通过所述对抗模型输出用于调整所述各训练样本的分布的扰动分布；根据所述第一损失，预估所述目标模型对调整分布后的各训练样本进行预测的损失，具体包括：根据所述第一损失和所述扰动分布，预估所述目标模型对调整分布后的各训练样本进行预测的损失。4.如权利要求3所述的方法，通过所述对抗模型输出用于调整所述各训练样本的分布的扰动分布，具体包括：针对每个训练样本，通过所述对抗模型输出用于调整该训练样本在所述各训练样本中出现概率的扰动权重；根据每个训练样本对应的扰动权重，得到用于调整所述各训练样本的分布的扰动分布。5.如权利要求4所述的方法，根据所述第一损失和所述扰动分布，预估所述目标模型对调整分布后的各训练样本进行预测的损失，具体包括：针对每个训练样本，根据所述扰动分布中该训练样本对应的扰动权重，对所述目标模型预测该训练样本的第一损失加权，得到该训练样本的加权损失；根据各训练样本的加权损失，预估所述目标模型对模拟出的调整分布后的各训练样本进行预测的损失。6.如权利要求1所述的方法，以所述第二损失最小为目标，对所述目标模型进行训练，并以所述第二损失最大为目标，对所述对抗模型进行训练，具体包括：固定所述对抗模型的参数，以所述第二损失最小为目标，调整所述目标模型的参数，并固定所述目标模型的参数，以所述第二损失最大为目标，调整所述对抗模型的参数。7.一种图数据的处理方法，包括：
接收待处理图数据；将所述待处理图数据输入训练后的目标模型；其中，所述目标模型为通过权利要求1～6任一项所述的方法训练得到的生成对抗网络中的目标模型；获得所述目标模型输出的对所述待处理图数据的处理结果。8.一种模型训练装置，生成对抗网络包含目标模型和对抗模型，所述装置包括：样本确定模块，用于根据图数据确定各训练样本，并获取所述各训练样本的标注；预测模块，用于将所述各训练样本输入所述目标模型，得到所述目标模型对所述各训练样本的预测结果，并根据所述预测结果和所述各训练样本的标注，确定所述目标模型对所述各训练样本进行预测的损失，作为第一损失；模拟模块，用于将所述各训练样本输入对抗模型，以通过所述对抗模型模拟对所述各训练样本的分布进行调整；预估模块，用于根据所述第一损失，预估所述目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失；训练模块，用于以所述第二损失最小为目标，对所述目标模型进行训练，并以所述第二损失最大为目标，对所述对抗模型进行训练。9.如权利要求8所述的装置，所述样本确定模块，具体用于获取图数据；针对所述图数据中的每个节点，确定所述图数据中该节点对应的子图；根据该节点对应的子图确定训练样本。10.如权利要求8所述的装置，所述模拟模块，具体用于通过所述对抗模型输出用于调整所述各训练样本的分布的扰动分布；所述预估模块，具体用于根据所述第一损失和所述扰动分布，预估所述目标模型对调整分布后的各训练样本进行预测的损失。11.如权利要求10所述的装置，所述模拟模块，具体用于针对每个训练样本，通过所述对抗模型输出用于调整该训练样本在所述各训练样本中出现概率的扰动权重；根据每个训练样本对应的扰动权重，得到用于调整所述各训练样本的分布的扰动分布。12.如权利要求11所述的装置，所述预估模块，具体用于针对每个训练样本，根据所述扰动分布中该训练样本对应的扰动权重，对所述目标模型预测该训练样本的第一损失加权，得到该训练样本的加权损失；根据各训练样本的加权损失，预估所述目标模型对模拟出的调整分布后的各训练样本进行预测的损失。13.如权利要求8所述的装置，所述训练模块，用于固定所述对抗模型的参数，以所述第二损失最小为目标，调整所述目标模型的参数，并固定所述目标模型的参数，以所述第二损失最大为目标，调整所述对抗模型的参数。14.一种图数据的处理装置，包括：接收模块，用于接收待处理图数据；处理模块，用于将所述待处理图数据输入训练后的目标模型；其中，所述目标模型为通过权利要求1～6任一项所述的方法训练得到的生成对抗网络中的目标模型；预测模块，用于获得所述目标模型输出的对所述待处理图数据的处理结果。15.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。16.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算
机程序，所述处理器执行所述程序时实现上述权利要求1～7任一项所述的方法。

技术总结
本说明书公开了一种模型训练及图数据的处理方法、装置、介质及设备。生成对抗网络包含目标模型和对抗模型。通过将根据图数据确定的各训练样本输入目标模型，得到目标模型对各训练样本的预测结果，并根据预测结果和各训练样本的标注，确定目标模型对各训练样本进行预测的损失，作为第一损失。将各训练样本输入对抗模型，通过对抗模型模拟对各训练样本的分布进行调整。以根据第一损失预估目标模型对模拟出的调整分布后的各训练样本进行预测的损失，作为第二损失。以第二损失最小为目标训练目标模型，并以第二损失最大为目标训练对抗模型。通过生成对抗网络中目标模型与对抗模型间对抗性训练方式，最大化目标模型的最低性能，提升目标模型鲁棒性。目标模型鲁棒性。目标模型鲁棒性。


技术研发人员：许轶珂 吴若凡 田胜 但家旺 王宝坤 孟昌华
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：2023.03.10
技术公布日：2023/7/11