[发明专利]元学习方法和装置、初始化方法、计算设备和存储介质

权利要求书

1.一种由计算机实施的、风险预测模型的元学习方法，所述风险预测模型用于预测金融业务中用户的信用风险，所述方法包括：

生成包括多个训练任务T_i的训练任务集T，其中所述多个训练任务T_i被提供有各自不同的类别预测器P_i，不同的类别预测器P_i对应于不同的金融业务场景，每个训练任务T_i包括多个数据样本d_j，每个数据样本d_j包括相应用户的个人特征x_j、该相应用户的信用风险类别y_j、以及指示该数据样本d_j所属的训练任务的任务标签t_j；

初始化元学习器的网络权重、特征提取器的网络权重和任务判别器的网络权重，其中所述类别预测器P_i、元学习器、特征提取器和任务判别器为人工神经网络，所述不同的类别预测器P_i具有与所述元学习器相同的网络结构，所述特征提取器被配置用于将数据样本映射到特征空间，每个所述类别预测器P_i被配置用于基于映射后的数据样本来预测该数据样本所代表的用户的信用风险类别，所述任务判别器被配置用于判别映射后的数据样本来自哪个训练任务，所述元学习器被配置用于从不同训练任务的类别预测器P_i学习网络权重以供初始化目标预测任务的类别预测器的网络权重；并且

将所述训练任务集T中的训练任务T_i划分为多个批次T_train，并在每批次基础上更新所述元学习器的网络权重、所述特征提取器的网络权重和所述任务判别器的网络权重，

其中在每批次基础上更新所述元学习器的网络权重包括：基于该批次T_train的训练任务T_i各自的类别预测损失来更新所述元学习器的网络权重，其中各所述类别预测损失指示该批次T_train的训练任务T_i各自的类别预测器P_i的预测误差，

其中在每批次基础上更新所述特征提取器的网络权重包括：基于对抗损失来更新所述特征提取器的网络权重，其中所述对抗损失为该批次T_train的训练任务T_i各自的类别预测损失和各自的任务判别损失的相消累加，其中各所述任务判别损失指示所述任务判别器的判别误差，并且

其中在每批次基础上更新所述任务判别器的网络权重包括：基于该批次T_train的训练任务T_i各自的任务判别损失来更新所述任务判别器的网络权重。