[发明专利]一种基于生成对抗学习填补金融数据的方法

权利要求书

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，x_i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：

H_out＝(H_in-1)*stride[0]-2*padding[0]+Kernel_size[0]+output_padding[0]

W_out＝(W_in-1)*stride[1]-2*padding[1]+Kernel_size[1]+output_padding[1]

其中，H_in代表输入数据的h值，H_out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)。