[发明专利]基于时间的全体机器学习模型

说明书

将输入数据集分类成数据的第一版本和数据的第二版本。数据的第一版本与第一时间段相关联，并且数据的第二版本与第二时间段相关联。所述第二时间段是比第一时间段短的时间段。基于所述数据的第一版本来生成一个或多个机器学习模型的第一集合。基于所述数据的第二版本来生成一个或多个机器学习模型的第二集合。组合一个或多个机器学习模型的第一集合与一个或多个机器学习模型的第二集合来生成全体模型。输出基于全体模型的预测。预测指示与输入数据集相关联的异常行为。

其他申请的交叉引用

本申请对2017年3月31日提交的、题为DETECTING MONEY LAUNDERING USING MACHINELEARNING的、申请号为62/479,963的美国临时专利申请要求优先权，所述美国临时专利申请通过引用被并入本文中用于所有目的。

发明背景

机器学习是计算机科学的领域，其给予计算机在没有被显式编程的情况下学习的能力。计算机可以包括机器学习模型，所述机器学习模型能够被训练以实现复杂的函数，所述复杂的函数被配置成基于输入集合来生成一个或多个预测。所训练的机器学习模型被配置成像黑盒一样起作用：它接收生产数据，所述生产数据被应用到所述复杂函数，并且输出一个或多个预测标签。

附图说明

在以下详细描述和附图中公开本发明的各种实施例。

图1是图示用于检测异常行为的系统的实施例的框图。

图2是图示输入数据集的实施例的图解。

图3是图示用于训练机器学习模型以检测异常行为的过程的实施例的流程图。

图4是图示用于选择将在机器学习模型中使用的特征的过程的实施例的流程图。

图5是图示用于预测异常行为的过程的实施例的流程图。

图6是图示了用于基于特征易失性来重新训练机器学习模型的过程的实施例的流程图。

图7是图示用于监视机器学习模型的过程的实施例的流程图。

具体实施方式

本发明可以用众多方式来被实现，包括被实现为过程；装置；系统；物质的组成；在计算机可读存储介质上具体化的计算机程序产品；和/或处理器，诸如被配置成执行在耦合到处理器的存储器上所存储的和/或由该存储器所提供的指令的处理器。在本说明书中，这些实现方式、或本发明可以采取的任何其他形式可以被称为技术。通常，所公开的过程的步骤的次序可以在本发明的范围内变更。除非另行声明，否则诸如被描述为被配置成执行任务的处理器或存储器之类的部件可以被实现为在给定时间临时被配置成执行该任务的通用部件或被制造成执行该任务的特定部件。如本文中所使用的，术语“处理器”是指被配置成处理诸如计算机程序指令之类的数据的一个或多个设备、电路和/或处理核。

本发明的一个或多个实施例的详细描述在以下连同图示发明原理的附图一起被提供。结合这样的实施例来描述本发明，但是本发明不限于任何实施例。仅仅通过权利要求来限制本发明的范围，并且本发明涵盖众多可替换途径、修改和等同物。在以下描述中阐明众多特定细节以便提供对本发明的透彻理解。这些细节被提供用于示例的目的，并且可以根据权利要求、在没有这些特定细节中一些或全部的情况下实践本发明。为了清楚的目的，在与本发明有关的技术领域中已知的技术材料没有被详细描述以便不会不必要地使本发明模糊。