自适应数据处理方法、设备及存储存储介质

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种自适应数据处理方法、设备及存储存储介质。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术应用在金融领域，但金融业也对技术提出了更高的要求，如金融业对自适应数据处理也有更高的要求。

深度学习模型是应用非常广泛的一类模型，深度学习模型常用于人工智能领域的数据处理，然而，现有深度学习模型常常受到窃取模型贡献方的训练数据，窃取模型贡献方的隐私信息，对模型贡献方进行数据下毒，伪造测试对抗样本等各种干扰学习的攻击，现有技术深度学习模型仍然按照在未受攻击的模式下(理想状态)进行训练学习得到，这导致实际训练得到的深度学习模型性能下降，致使数据的处理效率和准确性降低。

发明内容

本申请的主要目的在于提供一种自适应数据处理方法、设备和存储存储介质，旨在解决现有技术中使用在未受攻击的模式下训练学习得到的深度学习模型进行数据处理，造成数据的处理效率和准确性降低的技术问题。

为实现上述目的，本申请提供一种自适应数据处理方法，所述自适应数据处理方法包括：

在检测到数据处理指令时，获取待处理数据，将所述待处理数据输入至预设动态扰动神经网络模型中；

基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果；

其中，所述预设动态扰动神经网络模型是基于具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练得到的。

可选地，所述预设动态扰动神经网络模型包括一个或者多个预设动态扰动神经子网络模型，所述基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果的步骤，包括：

确定所述数据处理指令中的扰动关联信息；

若所述扰动关联信息包括多个扰动因素时，确定各扰动因素对应的扰动权重；

基于所述扰动因素以及对应的扰动权重，获取所述预设动态扰动神经网络模型中，各个扰动因素对应的预设动态扰动神经子网络模型对所述待处理数据进行预测处理后，得到的各个第一预测结果；

融合处理所述各个第一预测结果，得到目标结果。

可选地，所述基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果的步骤之前，所述方法包括：

获取具有预设标签的预设训练数据以及动态扰动因子；

基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型；

将所述目标模型设置为所述预设动态扰动神经网络模型。

可选地，所述基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型的步骤，包括：

获取预设时间段内，基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练后，得到的第二预测结果；

基于所述第二预测结果与所述预设标签，对所述预设基础模型进行模型参数的调整，以得到目标模型。

可选地，所述动态扰动因子包括输入数据因子；

所述基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型的步骤，包括：

基于所述输入数据因子以及第一预设扰动幅度，确定扰动输入数据；

基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，并基于所述扰动输入数据随机或者自适应地对迭代训练过程中的预设基础模型进行扰动调整，得到目标模型。

可选地，所述动态扰动因子包括网络参数因子；

所述基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型的步骤，包括：

基于所述具有预设标签的预设训练数据，对预设基础模型的初始模型参数进行迭代训练，得到中间模型参数；

基于所述网络参数因子以及第二预设扰动幅度，确定扰动网络参数；

基于所述扰动网络参数随机或者自适应对迭代训练过程中的所述中间模型参数进行扰动调整，以得到目标模型。

可选地，所述动态扰动因子包括损失函数因子；

所述基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型的步骤，包括：

基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，得到中间训练结果；

基于所述损失函数因子以及第三预设扰动幅度，确定扰动损失函数；

基于所述扰动损失函数随机或者自适应对迭代训练过程中的预设损失函数进行扰动调整，得到目标损失函数；

基于所述中间训练结果，所述预设标签以及所述目标损失函数，对预设基础模型进行动态迭代训练，以得到目标模型。

可选地，所述动态扰动因子包括结构扰动因子；

所述基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型的步骤，包括：

基于所述结构扰动因子，确定所述预设基础模型的扰动网络结构；

基于所述具有预设标签的预设训练数据，对所述预设基础模型进行迭代训练，并基于所述扰动网络结构随机或者自适应地对迭代训练过程中的预设基础模型进行扰动调整，以得到目标模型。

本申请还提供一种自适应数据处理装置，所述自适应数据处理装置包括：

第一获取模块，用于在检测到数据处理指令时，获取待处理数据，将所述待处理数据输入至预设动态扰动神经网络模型中；

预测模块，用于基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果；

其中，所述预设动态扰动神经网络模型是基于具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练得到的。

可选地，所述预设动态扰动神经网络模型包括一个或者多个预设动态扰动神经子网络模型，所述预测模块包括：

第一确定单元，用于确定所述数据处理指令中的扰动关联信息；

第二确定单元，用于若所述扰动关联信息包括多个扰动因素时，确定各扰动因素对应的扰动权重；

第一获取单元，用于基于所述扰动因素以及对应的扰动权重，获取所述预设动态扰动神经网络模型中，各个扰动因素对应的预设动态扰动神经子网络模型对所述待处理数据进行预测处理后，得到的各个第一预测结果；

融合处单元，用于融合处理所述各个第一预测结果，得到目标结果。

可选地，所述自适应数据处理装置还包括：

第二获取模块，用于获取具有预设标签的预设训练数据以及动态扰动因子；

动态迭代训练模块，用于基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型；

设置模块，用于将所述目标模型设置为所述预设动态扰动神经网络模型。

可选地，所述动态迭代训练模块包括：

第二获取单元，用于获取预设时间段内，基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练后，得到的第二预测结果；

第一调整单元，用于基于所述第二预测结果与所述预设标签，对所述预设基础模型进行模型参数的调整，以得到目标模型。

可选地，所述动态扰动因子包括输入数据因子；

所述动态迭代训练模块还包括：

第三确定单元，用于基于所述输入数据因子以及第一预设扰动幅度，确定扰动输入数据；

第一训练单元，用于基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，并基于所述扰动输入数据随机或者自适应地对迭代训练过程中的预设基础模型进行扰动调整，得到目标模型。

可选地，所述动态扰动因子包括网络参数因子；

所述动态迭代训练模块还包括：

第二训练单元，用于基于所述具有预设标签的预设训练数据，对预设基础模型的初始模型参数进行迭代训练，得到中间模型参数；

第四确定单元，用于基于所述网络参数因子以及第二预设扰动幅度，确定扰动网络参数；

第二调整单元，用于基于所述扰动网络参数随机或者自适应对迭代训练过程中的所述中间模型参数进行扰动调整，以得到目标模型。

可选地，所述动态扰动因子包括损失函数因子；

所述动态迭代训练模块还包括：

第三训练单元，用于基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，得到中间训练结果；

第五确定单元，用于基于所述损失函数因子以及第三预设扰动幅度，确定扰动损失函数；

第三调整单元，用于基于所述扰动损失函数随机或者自适应对迭代训练过程中的预设损失函数进行扰动调整，得到目标损失函数；

目标模型获取单元，用于基于所述中间训练结果，所述预设标签以及所述目标损失函数，对预设基础模型进行动态迭代训练，以得到目标模型。

可选地，所述动态扰动因子包括结构扰动因子；

所述动态迭代训练模块还包括：

第六确定单元，用于基于所述结构扰动因子，确定所述预设基础模型的扰动网络结构；

第四训练单元，用于基于所述具有预设标签的预设训练数据，对所述预设基础模型进行迭代训练，并基于所述扰动网络结构随机或者自适应地对迭代训练过程中的预设基础模型进行扰动调整，以得到目标模型。

本申请还提供一种自适应数据处理设备，所述自适应数据处理设备为实体节点设备，所述自适应数据处理设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述自适应数据处理方法的程序，所述自适应数据处理方法的程序被处理器执行时可实现如上述的自适应数据处理方法的步骤。

本申请还提供一种存储存储介质，所述存储存储介质上存储有实现上述自适应数据处理方法的程序，所述自适应数据处理方法的程序被处理器执行时实现如上述的自适应数据处理方法的步骤。

本申请提供一种自适应数据处理方法、设备及存储介质，与现有技术中通过使用在未受攻击的模式下训练学习得到的深度学习模型进行数据处理，致使数据的处理效率和准确性降低相比，本申请通过在检测到数据处理指令时，获取待处理数据，将所述待处理数据输入至预设动态扰动神经网络模型中；基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果；其中，所述预设动态扰动神经网络模型是基于具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练得到的。在本申请中，在获取待处理数据后，基于预设动态扰动神经网络模型进行待处理数据的处理，而预设动态扰动神经网络模型是基于具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练得到的，即是预设动态扰动神经网络模型是加入了动态扰动的，因而在遭受攻击时，对深度神经网络模型的攻击影响被泛化，因而提升了深度神经网络模型对各种攻击的防御能力,基于对各种攻击具有防御能力的预设动态扰动神经网络模型对待处理数据进行处理，因而，能够提升待处理数据的处理效率和准确性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请自适应数据处理方法第一实施例的流程示意图；

图2为本申请自适应数据处理方法中步骤S20的细化步骤流程示意图；

图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图；

图4为本申请自适应数据处理方法的第一场景示意图；

图5为本申请自适应数据处理方法的第二场景示意图；

图6为本申请自适应数据处理方法的第三场景示意图；

图7为本申请自适应数据处理方法的第四场景示意图。

本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供一种自适应数据处理方法，在本申请自适应数据处理方法的第一实施例中，参照图1，所述自适应数据处理方法包括：

步骤S10，在检测到数据处理指令时，获取待处理数据，将所述待处理数据输入至预设动态扰动神经网络模型中；

步骤S20，基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果；

其中，所述预设动态扰动神经网络模型是基于具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练得到的。

具体步骤如下：

步骤S10，在检测到数据处理指令时，获取待处理数据，将所述待处理数据输入至预设动态扰动神经网络模型中；

在本实施例中，需要说明的是，自适应数据处理方法可以应用于自适应数据处理系统，该自适应数据处理系统从属于自适应数据处理设备。对于自适应数据处理系统而言，内置有预设动态扰动神经网络模型，或者自适应数据处理系统能够调用其他组件的预设动态扰动神经网络模型，以确保自适应数据处理系统在获取到待处理数据后，能将所述待处理数据输入至预设动态扰动神经网络模型中。

在本实施例中，需要说明的是，使用的预设动态扰动神经网络模型可以是已经训练完成的模型，其中，训练完成的预设动态扰动神经网络模型可以是通过如下方式得到的：

方式一：预设动态扰动神经网络模型是在训练过程中，基于预设基础模型，加入单个扰动因子扰动训练得到的一个目标模型；

方式二：预设动态扰动神经网络模型是在训练过程中，基于预设基础模型，同时加入多个扰动因子扰动训练得到的一个目标模型；

方式三：预设动态扰动神经网络模型由多个子网络模型构成的整体模型，其中，每个子网络模型，是在训练过程中，基于预设基础模型，加入单个扰动因子扰动训练得到的目标模型。

在本实施例中，待处理数据可以是待处理的芯片数据或者待处理的金融数据等。

在检测到数据处理指令时，获取待处理数据，将所述待处理数据输入至预设动态扰动神经网络模型中，当预设动态扰动神经网络模型是由多个子网络模型(预设动态扰动神经子网络模型)构成的整体模型时，可以将待处理数据输入至某一子网络模型中，或者将待处理数据输入至各个子网络模型中。

步骤S20，基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果；

其中，所述预设动态扰动神经网络模型是基于具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练得到的。

在本实施例中，基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果包括：

若所述预设动态扰动神经网络模型包括多个子网络模型时，将基于某一子网络模型对所述待处理数据进行预测处理后，得到的目标子结果作为目标结果，或者若所述预设动态扰动神经网络模型包括多个子网络模型时，将基于多个子网络模型对所述待处理数据进行预测处理后，得到的多个目标子结果，进行均值处理，得到目标结果；

其中，参照图2，所述预设动态扰动神经网络模型包括一个或者多个预设动态扰动神经子网络模型，所述基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果的步骤，包括步骤S21-S24：

步骤S21，确定所述数据处理指令中的扰动关联信息；

在本实施例中，从所述数据处理指令中提取扰动关联信息，该扰动关联信息包括扰动因素的个数的信息，即是确定是多个还是单个扰动关联信息。

步骤S23，若所述扰动关联信息包括多个扰动因素时，确定各扰动因素对应的扰动权重；

若所述扰动关联信息包括多个扰动因素时，确定各扰动因素对应的扰动权重，例如，3个扰动因素的扰动权重可以是30％，20％，50％，该3个扰动因素可以是输入数据因素，权重因素或者梯度因素等，需要说明的是，扰动因素与在模型训练过程中加入的动态扰动因子是关联的，例如，若扰动因素是输入数据因素，则动态扰动因子是输入数据因子，若扰动因素是网络参数因素，则动态扰动因子是网络参数因子。

步骤S23，基于所述扰动因素以及对应的扰动权重，获取所述预设动态扰动神经网络模型中，各个扰动因素对应的预设动态扰动神经子网络模型对所述待处理数据进行预测处理后，得到的各个第一预测结果；

具体地，基于所述扰动因素，确定对应的预设动态扰动神经子网络模型，例如，基于网络参数扰动因素，确定对应的预设动态扰动神经子网络模型为预设动态网络参数扰动神经子网络模型，基于所述扰动因素以及对应的扰动权重，获取所述预设动态扰动神经网络模型中，各个扰动因素对应的预设动态扰动神经子网络模型对所述待处理数据进行预测处理后，得到的各个第一预测结果，预设动态扰动神经子网络模型对所述待处理数据进行预测处理后，得到的第一预测结果为预测处理后，得到的初始结果乘以对应的扰动权重。

步骤S24，融合处理所述各个第一预测结果，得到目标结果。

融合处理所述各个第一预测结果，得到目标结果。

在本实施例中，需要说明的是，若所述预设动态扰动神经网络模型中未包括多个子网络模型时，基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果。

在本实施例中，需要说明的是，所述预设动态扰动神经网络模型是基于具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练得到的，也即，预设动态扰动神经网络模型是已经训练好的，能够准确对待处理数据进行处理的模型，因而，基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理后，能够准确得到目标结果。

其中，所述基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果的步骤之前，所述方法包括步骤S01-步骤S03：

步骤S01，获取具有预设标签的预设训练数据以及动态扰动因子；

在本实施例中，获取具有预设标签的预设训练数据以及动态扰动因子，其中，动态扰动因子包括输入信号，网络参数，目标函数，梯度，网络结构等因子。

步骤S02，基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型；

基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型包括：

方式一：基于所述具有预设标签的预设训练数据以及一个动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型；

其中，基于所述具有预设标签的预设训练数据以及一个动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型包括：

子方式一：基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，在迭代训练过程中，随机加入动态扰动因子进行扰动，得到目标模型；

子方式二：基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，在迭代训练过程中，每轮迭代训练均加入动态扰动因子进行扰动，得到目标模型。

方式二：基于所述具有预设标签的预设训练数据以及多个动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型。

步骤S03，将所述目标模型设置为所述预设动态扰动神经网络模型。

在本实施例中，在迭代得到目标模型后，将所述目标模型设置为所述预设动态扰动神经网络模型。

所述动态扰动因子包括输入数据因子；所述基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型的步骤，包括步骤A1-A2：

步骤A1，获取预设时间段内，基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练后，得到的第二预测结果；

步骤A2，基于所述第二预测结果与所述预设标签，对所述预设基础模型进行模型参数的调整，以得到目标模型。

在本实施例中，需要说明的是，由于在对预设基础模型进行动态迭代训练过程中，是存在自适应或者随机扰动的，为了确保训练的准确性，在得到目标训练结果(第二预测结果)的过程中，是将对预设时间段内得到的训练结果进行均值处理后得到的均值结果作为第二预测结果的，进而，基于所述第二预测结果与所述预设标签，对所述预设基础模型进行模型参数的调整，以得到目标模型，具体地，在时间t使用动态迭代训练的动态扰动的预设基础模型对数据进行预测时，将使用一段时间[t-d

其中，所述动态扰动因子包括输入数据因子；

所述基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型的步骤，包括步骤B1-B2：

步骤B1，基于所述输入数据因子以及第一预设扰动幅度，确定扰动输入数据；

步骤B2，基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，并基于所述扰动输入数据随机或者自适应地对迭代训练过程中的预设基础模型进行扰动调整，得到目标模型。

在本实施例中，所述动态扰动因子为输入数据因子，具体如图4所示，在确定动态扰动因子为输入数据因子后，基于所述输入数据因子以及第一预设扰动幅度，确定扰动输入数据，即是模型训练时，通过对神经网络模型(预设基础模型)以及第一预设扰动幅度，即确定加以扰动的Δx

本申请提供一种自适应数据处理方法、设备及存储介质，与现有技术中通过使用在未受攻击的模式下训练学习得到的深度学习模型进行数据处理，致使数据的处理效率和准确性降低相比，本申请通过在检测到数据处理指令时，获取待处理数据，将所述待处理数据输入至预设动态扰动神经网络模型中；基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果；其中，所述预设动态扰动神经网络模型是基于具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练得到的。在本申请中，在获取待处理数据后，基于预设动态扰动神经网络模型进行待处理数据的处理，而预设动态扰动神经网络模型是基于具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练得到的，即是预设动态扰动神经网络模型是加入了动态扰动的，因而在遭受攻击时，对深度神经网络模型的攻击影响被泛化，因而提升了深度神经网络模型对各种攻击的防御能力,基于对各种攻击具有防御能力的预设动态扰动神经网络模型对待处理数据进行处理，因而，能够提升待处理数据的处理效率和准确性。

进一步地，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述动态扰动因子包括网络参数因子；

所述基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型的步骤，包括如下步骤C1-步骤C4：

步骤C1，基于所述具有预设标签的预设训练数据，对预设基础模型的初始模型参数进行迭代训练，得到中间模型参数；

步骤C2，基于所述网络参数因子以及第二预设扰动幅度，确定扰动网络参数；

步骤C3，基于所述扰动网络参数随机或者自适应对迭代训练过程中的所述中间模型参数进行扰动调整，以得到目标模型。

在本实施例中，所述动态扰动因子为网络参数因子，具体如图5所示，在确定动态扰动因子为网络参数因子后，基于所述具有预设标签的预设训练数据，对预设基础模型的初始模型参数进行迭代训练(一次迭代训练或者多次迭代训练)的过程中，会得到待调整(待反向反馈调整)的中间模型参数，基于所述网络参数因子以及第二预设扰动幅度，确定扰动网络参数，即是模型训练时，通过述网络参数因子以及第二预设扰动幅度，即确定加以扰动的Δw

所述动态扰动因子包括损失函数因子；

所述基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型的步骤，包括如下步骤D1-步骤D4：

步骤D1，基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，得到中间训练结果；

步骤D2，基于所述损失函数因子以及第三预设扰动幅度，确定扰动损失函数；

步骤D3，基于所述扰动损失函数随机或者自适应对迭代训练过程中的预设损失函数进行扰动调整，得到目标损失函数；

步骤D4，基于所述中间训练结果，所述预设标签以及所述目标损失函数，对预设基础模型进行动态迭代训练，以得到目标模型。

在本实施例中，所述动态扰动因子为损失函数因子，具体如图6所示，在确定动态扰动因子为损失函数因子后，基于所述具有预设标签的预设训练数据，对预设基础模型进行迭代训练(一次迭代训练或者多次迭代训练)的过程中，得到中间训练结果，基于所述损失函数因子以及第三预设扰动幅度，确定扰动损失函数，即是模型训练时，通过述损失函数因子以及第三预设扰动幅度，即确定加以扰动的Δl

所述动态扰动因子包括梯度因子；

所述基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型的步骤，包括：

基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，得到中间梯度；

基于所述梯度因子以及第四预设扰动幅度，确定扰动梯度；

基于所述扰动梯度随机或者自适应对迭代训练过程中的中间梯度进行扰动调整，得到目标中间梯度；

基于所述目标中间梯度，以及具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，以得到目标模型。

在本实施例中，所述动态扰动因子为梯度因子，在确定动态扰动因子为梯度因子后，基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，得到中间梯度；基于所述梯度因子以及第四预设扰动幅度，确定扰动梯度如Δg

在本实施例中，通过基于所述具有预设标签的预设训练数据，对预设基础模型的初始模型参数进行迭代训练，得到中间模型参数；基于所述网络参数因子以及第二预设扰动幅度，确定扰动网络参数；基于所述扰动网络参数随机或者自适应对迭代训练过程中的所述中间模型参数进行扰动调整，以得到目标模型。在本实施例中，全面准确地得到各个实体节点对监测主体的影响占比即挖掘结果。

进一步地，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述动态扰动因子包括结构扰动因子；

所述基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型的步骤，包括：

步骤E1，基于所述结构扰动因子，确定所述预设基础模型的扰动网络结构；

步骤E2，基于所述具有预设标签的预设训练数据，对所述预设基础模型进行迭代训练，并基于所述扰动网络结构随机或者自适应地对迭代训练过程中的预设基础模型进行扰动调整，以得到目标模型。

在本实施例中，基于所述结构扰动因子，确定所述预设基础模型的扰动网络结构，如图7所示，可以去除或者切换预设基础模型中的部分网络层结构，当然，还可以添加部分的网络层结构。需要说明的是，在对预设基础模型进行迭代训练过程中，每次迭代过程中可以持续不断地改变(删除/切换)部分网络结构,使得网络输出持续不断的变化(基于所述扰动网络结构随机或者自适应地对迭代训练过程中的预设基础模型进行扰动调整)，根据一段时间内网络输出的聚合(平均)值来进行最终的判断，或者也可以是每次迭代过程中可以基于确定改变的部分网络结构,使得网络输出也持续不断的变化(基于所述扰动网络结构随机或者自适应地对迭代训练过程中的预设基础模型进行扰动调整)，根据一段时间内网络输出的聚合(平均)值来进行最终的判断，以得到目标模型。

在本实施例中，通过基于所述结构扰动因子，确定所述预设基础模型的扰动网络结构；基于所述具有预设标签的预设训练数据，对所述预设基础模型进行迭代训练，并基于所述扰动网络结构随机或者自适应地对迭代训练过程中的预设基础模型进行扰动调整，以得到目标模型，在本实施例中，从改变网络结构的角度，进行模型训练过程中的扰动，准确得到目标模型。

参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。

如图3所示，该自适应数据处理设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。

可选地，该自适应数据处理设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

本领域技术人员可以理解，图3中示出的自适应数据处理设备结构并不构成对自适应数据处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图3所示，作为一种存储存储介质的存储器1005中可以包括操作系统、网络通信模块以及自适应数据处理程序。操作系统是管理和控制自适应数据处理设备硬件和软件资源的程序，支持自适应数据处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与自适应数据处理系统中其它硬件和软件之间通信。

在图3所示的自适应数据处理设备中，处理器1001用于执行存储器1005中存储的自适应数据处理程序，实现上述任一项所述的自适应数据处理方法的步骤。

本申请自适应数据处理设备具体实施方式与上述自适应数据处理方法各实施例基本相同，在此不再赘述。

本申请还提供一种自适应数据处理装置，所述自适应数据处理装置包括：

第一获取模块，用于在检测到数据处理指令时，获取待处理数据，将所述待处理数据输入至预设动态扰动神经网络模型中；

预测模块，用于基于所述预设动态扰动神经网络模型对所述待处理数据进行预测处理，得到目标结果；

其中，所述预设动态扰动神经网络模型是基于具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练得到的。

可选地，所述预设动态扰动神经网络模型包括一个或者多个预设动态扰动神经子网络模型，所述预测模块包括：

第一确定单元，用于确定所述数据处理指令中的扰动关联信息；

第二确定单元，用于若所述扰动关联信息包括多个扰动因素时，确定各扰动因素对应的扰动权重；

第一获取单元，用于基于所述扰动因素以及对应的扰动权重，获取所述预设动态扰动神经网络模型中，各个扰动因素对应的预设动态扰动神经子网络模型对所述待处理数据进行预测处理后，得到的各个第一预测结果；

融合处单元，用于融合处理所述各个第一预测结果，得到目标结果。

可选地，所述自适应数据处理装置还包括：

第二获取模块，用于获取具有预设标签的预设训练数据以及动态扰动因子；

动态迭代训练模块，用于基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练，得到目标模型；

设置模块，用于将所述目标模型设置为所述预设动态扰动神经网络模型。

可选地，所述动态迭代训练模块包括：

第二获取单元，用于获取预设时间段内，基于所述具有预设标签的预设训练数据以及动态扰动因子，对预设基础模型进行动态迭代训练后，得到的第二预测结果；

第一调整单元，用于基于所述第二预测结果与所述预设标签，对所述预设基础模型进行模型参数的调整，以得到目标模型。

可选地，所述动态扰动因子包括输入数据因子；

所述动态迭代训练模块还包括：

第三确定单元，用于基于所述输入数据因子以及第一预设扰动幅度，确定扰动输入数据；

第一训练单元，用于基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，并基于所述扰动输入数据随机或者自适应地对迭代训练过程中的预设基础模型进行扰动调整，得到目标模型。

可选地，所述动态扰动因子包括网络参数因子；

所述动态迭代训练模块还包括：

第二训练单元，用于基于所述具有预设标签的预设训练数据，对预设基础模型的初始模型参数进行迭代训练，得到中间模型参数；

第四确定单元，用于基于所述网络参数因子以及第二预设扰动幅度，确定扰动网络参数；

第二调整单元，用于基于所述扰动网络参数随机或者自适应对迭代训练过程中的所述中间模型参数进行扰动调整，以得到目标模型。

可选地，所述动态扰动因子包括损失函数因子；

所述动态迭代训练模块还包括：

第三训练单元，用于基于所述具有预设标签的预设训练数据，对预设基础模型进行动态迭代训练，得到中间训练结果；

第五确定单元，用于基于所述损失函数因子以及第三预设扰动幅度，确定扰动损失函数；

第三调整单元，用于基于所述扰动损失函数随机或者自适应对迭代训练过程中的预设损失函数进行扰动调整，得到目标损失函数；

目标模型获取单元，用于基于所述中间训练结果，所述预设标签以及所述目标损失函数，对预设基础模型进行动态迭代训练，以得到目标模型。

可选地，所述动态扰动因子包括结构扰动因子；

所述动态迭代训练模块还包括：

第六确定单元，用于基于所述结构扰动因子，确定所述预设基础模型的扰动网络结构；

第四训练单元，用于基于所述具有预设标签的预设训练数据，对所述预设基础模型进行迭代训练，并基于所述扰动网络结构随机或者自适应地对迭代训练过程中的预设基础模型进行扰动调整，以得到目标模型。

本申请自适应数据处理装置的具体实施方式与上述自适应数据处理方法各实施例基本相同，在此不再赘述。

本申请实施例提供了一种存储存储介质，且所述存储存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的自适应数据处理方法的步骤。

本申请存储存储介质具体实施方式与上述自适应数据处理方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。