(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210502063.1 (22)申请日 2022.05.10 (71)申请人 浙江财经大学 地址 310012 浙江省杭州市西湖区文一西 路83号 (72)发明人 张永全　曹昊　张宇权　齐少春　 (74)专利代理 机构 杭州兴知捷专利代理事务所 (特殊普通 合伙) 33338 专利代理师 林振兴 (51)Int.Cl. G06Q 40/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于生成对抗学习填补金融数据的方 法 (57)摘要 本发明涉及一种银行个人信贷领域数据解 决不平衡的技术， 具体涉及一种基于生成对抗学 习填补金融数据的方法， 属于金融领域。 首先利 用生成对抗学习中的数据生 成器， 采用变卷积核 的反卷积算法， 随机生成数据特征， 得到未经辨 别的数据， 然后利用生成对抗学习的判别器， 初 步学习真实数据的数据分布， 接着判别器对生成 器的生成数据进行判断， 根据判断结果生成器对 于自己生 成数据进行改正， 同时判别器更新自己 的算法， 最后可以生成与真实数据类似的银行个 人信贷数据。 本发明能避免传统方法解决不平衡 问题仅仅采用的过采样方法， 并对 金银行个人信 贷违约判断领域得到 较好的结果。 权利要求书3页 说明书5页 附图1页 CN 114881762 A 2022.08.09 CN 114881762 A 1.一种基于生成对抗学习填补金融数据的方法， 其特 征在于： 该 方法包括如下步骤： 步骤一： 数据分类和数据预处 理问题 (1.1)将N个区域的银行个人信贷数据作为输入， 首先判断数据是哪一类， 即判断是违 约数据还非违约数据， 并确定是否为数据不平衡问题； (1.2)对于不平衡的数据， 或者需要操作的数据进行正则化操作； 步骤二： 生成器数据生成 (2.1)对于第一 步处理好的数据， 将数据进行维度拓展； (2.2)对于生成器的搭建过程， 确定数据的基础框架， 首 先确定数据来源维度； (2.3)根据(2.2)的维度， 进行数据 生成器的模型搭建， 采用变卷积核反卷积操作， 做批 量正则化和激活函数； (2.4)对于数据生成器的神经网络的块数确定的设置， 设置为(2.1)中数据维度的N 值； 步骤三： 人脸识别分类 (3.1)采用一个二维的卷积操作， 将数据放大到更高的维数， 并进行标准化和激活函 数； 步骤四： 生成器和辨别器的训练 (4.1)进行真实数据与生成数据的加权组合， 组合进入训练； (4.2)为每一次训练设置梯度惩罚； (4.3)加入 含有梯度惩罚项的损失函数进行训练； (4.4)多次训练得到最终的生成数据。 2.根据权利要求1所述的一种基于生成对抗学习填补金融数据的方法， 其特征在于： 所 述的步骤一(1.2)中： 对数据进行 标准化， 具体操作步骤为： 其中， xi为每一项数据， μ为每一项数据的均值， d为方差 。 3.根据权利要求1所述的一种基于生成对抗学习填补金融数据的方法， 其特征在于： 所 述的步骤二(2.1)中： 具体的维度拓展为(b,c,h,w)， 其中b 为数据的总条数， c默认为1， h默 认为1， w为数据的具体维度。 4.根据权利要求1所述的一种基于生成对抗学习填补金融数据的方法， 其特征在于： 所 述的步骤二(2.2)中： 数据 维度可以分为类似用户个人信贷历史， 个人经济状况， 个人用户 行为等各个维度等， 设置为维度为N， 同时统计每一个维度中各项数据的小维度数量， 计数 为n。 5.根据权利要求1所述的一种基于生成对抗学习填补金融数据的方法， 其特征在于： 所 述的步骤二(2.3)中： 采用反卷积思想， 其公式满足： Hout＝(Hin‑1)*stride[0]‑2*padding[0]+Kernel_size[0]+output_pad ding[0] Wout＝(Win‑1)*stride[1]‑2*padding[1]+Kernel_size[1]+output_pad ding[1] 其中， Hin代表输入数据的h值， Hout代表输出数据的h值， stride[0]代表步长的第一维大 小， stride[1]代表步长的第二个维度的大小， padding[0]代表填充值的第一维的值， padding[1]代表填充值的第二维的值， Kernel_size[0]代表卷积核的第一个维度， Kernel_ size[1]代表卷积核的第二个维度； output_padding[0]默认为0， output_padding[1]默认权　利　要　求　书 1/3 页 2 CN 114881762 A 2为0， 其中， 反卷积操作变卷积核操作， 其思想为： 设定卷积核的大小为[1,m]， 其中m遵循 (2.1)中确认的关于数据的小维度的n值， 从而保证生 成的数据符合某个领域的数据分布的 假设。 6.根据权利要求1所述的一种基于生成对抗学习填补金融数据的方法， 其特征在于： 步 骤(2.3)中的激活函数采用批量正则化， 其公式遵循 激活函数采用 ReLU函数， 公式为ReLU(x)＝(x)+＝max(0,x)。 7.根据权利要求1所述的一种基于生成对抗学习填补金融数据的方法， 其特征在于： 所 述的步骤二(2.4)中， 神经网络最后一层通过反卷积操作后， 需要保证最后的维数与(1.1) 中数据每一条维度必须相同， 从而设置单独的卷积核， 且最后采用Tanh激活函数， 其中， tanh激活函数为 8.根据权利要求1所述的一种基于生成对抗学习填补金融数据的方法， 其特征在于： 所 述的步骤三(3.1)中， 卷积 操作遵循的公式为： 其中， bias代表扰动项， weight代表权重， *表示为互相关计算； 放大到 的维数， 依照具 体情况确定； 其中采用的正则化操作为 InstanceN orm2d， 遵循的操作为： 其中x 为输入特征， E[x]为特征的期望值， Var[x]为特征方差， ε为残差项， 其中γ和β 表示这个向 量所对应的g amma和beta参数的通道值； 其中， 采用的激活函数为 LeakyReLU， 遵循的操作为： 9.根据权利要求1所述的一种基于生成对抗学习填补金融数据的方法， 其特征在于： 所 述的步骤四(4.1)中， 所采用的数据加权方式为 其中， xg为生成器生成的 数据， xr为真实数据； 所述的步骤四(4.2)中， 所采用的梯度惩罚项为： 每次训练的梯度项进行标准化之后， 采用 其中， 为生成数据的数据分布的均值， 为 组合后数据的数据分布的二范 数； 所 述 的 步 骤 四 ( 4 . 3 ) 中 ，所 采 用 的 更 新 后 的 损 失 函 数 为 ：采 用 其中， 为生成数据的数据分布的均值， 真实数据的数据分布的均 值， 为组合后数据的数据分布的二范 数；权　利　要　求　书 2/3 页 3 CN 114881762 A 3