(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 202211326667.1 (22)申请日 2022.10.27 (71)申请人 北京瑞莱智慧科技有限公司 地址 100084 北京市海淀区清华科技园科 技大厦A座19层 (72)发明人 不公告发明人 　 (74)专利代理 机构 北京箴思知识产权代理有限 公司 11913 专利代理师 李春晖 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) G06Q 30/02(2012.01)G06Q 40/02(2012.01) A63F 13/79(2014.01) (54)发明名称 模型训练方法、 相关装置及存 储介质 (57)摘要 本申请涉及数据处理领域， 提供一种模型训 练方法、 相关装置及存储介质。 该方法包括： 获取 训练样本集和目标模型的候选参数； 获取训练样 本集中每个训练样本的第一预测准确度； 从所述 训练样本集中去除异常样本； 获取目标样本集中 每个样本群体的第二预测准确度； 若所存在任一 样本群体的第二预测准确度低于预设值， 则基于 预设神经网络、 所述目标样本集中各个训练样本 的第一预测准确度更新所述候选参数。 本申请在 更新候选参数时， 利用预设神经网络， 能够基于 目标模型的候选参数学习到如何为各个训练样 本赋予权重， 使得目标模型有效的消除对于不同 群体的“歧视性”， 故而赋予的权重更加合理， 训 练过程更加高效； 而且可 以去除异常样本， 训练 方向更合理。 权利要求书2页 说明书17页 附图7页 CN 115392405 A 2022.11.25 CN 115392405 A 1.一种模型训练方法， 包括： 获取训练样本集和目标模型的候选参数， 所述候选参数基于历史候选参数更新得到， 所述训练样本集包括多个训练样本， 每 个训练样本均包括样本标签和至少一个样本特 征； 获取所述训练样本集中每个训练样本的第一预测准确度， 其中， 所述每个训练样本的 第一预测准确度基于在所述 候选参数 下时的目标模型 得到； 基于所述训练样本集中每个训练样本的第 一预测准确度， 从所述训练样本集中去除异 常样本， 得到目标样本集； 获取所述目标样本集中每个样本群体的第 二预测准确度， 所述样本群体基于所述目标 样本集中每个训练样本的样本特征划分得到， 每个所述样本群体中的各个训练样本至少具 有一个相同的样本特 征； 若所述目标样本集中存在任一样本群体的第 二预测准确度低于预设值， 则 基于预设神 经网络、 所述 目标样本集中各个训练样本的第一预测 准确度更新所述候选参数， 直至基于 更新后的候选参数得到的目标样本集中任一样本群体的第二预测准确度均不低于预设值， 并将目标样本集中任一样本群体的第二预测 准确度均不低于预设值时的候选参数作为所 述目标模型的最终参数。 2.如权利要求1所述的模型训练方法， 所述异常样本为样本标签错 误的样本 。 3.如权利要求1或2所述的模型训练方法， 所述基于所述训练样本集中每个训练样本的 第一预测准确度， 从所述训练样本集中去除异常样本， 得到目标样本集， 包括： 获取每个训练样本的第一预测准确度相对于所述 候选参数的梯度； 基于所述每个训练样本的梯度， 从所述训练样本集中筛选并去除异常样本得到所述目 标样本集， 其中， 所述异常样本的梯度分割为孤立 点的路径深度最小。 4.如权利要求1或2所述的模型训练方法， 所述获取所述目标样本集中每个样本群体的 第二预测准确度， 包括： 获取同一样本群体中的各个训练样本的第 一预测准确度， 并将位于同一样本群体 中的 各个训练样本的第一预测准确度的平均值， 作为所述样本群 体的第二预测准确度。 5.如权利要求1或2所述的模型训练方法， 所述基于预设神经网络、 所述目标样本集中 各个训练样本的第一预测准确度更新所述 候选参数， 包括： 获取所述目标样本集中各个训练样本的第一预测准确度相对于所述 候选参数的梯度； 基于所述目标样本集中各个训练样本的第 一预测准确度相对于所述候选参数的梯度， 及各个训练样本的样本标签和样本特征， 通过所述预设神经网络， 更新所述 目标样本集中 的每个训练样本的权 重； 基于更新权 重后的目标样本集更新所述 候选参数。 6.如权利要求5所述的模型训练方法， 所述基于更新权重后的目标样本集更新所述候 选参数， 包括： 基于更新权重后的目标样本集中的每个训练样本的权重， 对所述目标样本集中各个训 练样本的第一预测准确度进行加权； 基于所述目标样本集中加权后的各个训练样本的第一预测准确度， 更新所述候选参 数。 7.如权利要求1所述的模型训练方法， 所述目标模型用于筛选用户， 所述样本特征包括权　利　要　求　书 1/2 页 2 CN 115392405 A 2以下的至少一项： 家 庭地址、 年龄、 性别、 职业、 收入状况； 所述样本标签为用于表示用户的信用状况。 8.一种模型训练装置， 包括： 输入输出模块， 用于获取训练样本集和目标模型的候选参数， 所述候选参数基于历史 候选参数更新得到， 所述训练样本集包括多个训练样本， 每个训练样本均包括样本标签和 至少一个样本特 征； 处理模块， 用于获取所述训练样本集中每个训练样本的第 一预测准确度， 其中， 所述每 个训练样本的第一预测准确度基于在所述 候选参数 下时的目标模型 得到； 所述处理模块还用于， 基于所述训练样本集中每个训练样本的第一预测准确度， 从所 述训练样本集中去除异常样本， 得到目标样本集； 所述处理模块还用于， 获取所述目标样本集中每个样本群体的第二预测准确度， 所述 样本群体基于所述目标样本集中每个训练样本的样本特征划分得到， 每个所述样本群体中 的各个训练样本 至少具有一个相同的样本特 征； 以及 若所述目标样本集中存在任一样本群体的第 二预测准确度低于预设值， 所述处理模块 还用于基于预设神经网络、 所述目标样本集中各个训练样本的第一预测准确度更新所述候 选参数， 直至基于更新后的候选参数得到的目标样本集中任一样本群体的第二预测准确度 均不低于预设值， 并将目标样本集中任一样本群体的第二预测准确度均不低于预设值时的 候选参数作为所述目标模型的最终参数。 9.一种计算机可读存储介质， 其包括指令， 当其在计算机上运行时， 使得计算机执行如 权利要求1 ‑7中任一项所述的方法。 10.一种计算设备， 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， 其中， 所述处理器执行所述计算机程序时实现如权利要求1 ‑7中任一项所述的方 法。权　利　要　求　书 2/2 页 3 CN 115392405 A 3