【技术实现步骤摘要】
一种面向跨领域智能分析的多网络对抗学习方法和系统
本专利技术涉及机器学习
,更具体地,涉及一种面向跨领域智能分析的多网络对抗学习方法和系统。
技术介绍
深度神经网络在经过对源领域大规模标注数据的学习后,可以获得在多种相关领域智能分析任务中可用的可迁移特征。但是,由于不同的任务间存在分布偏移,基于源领域训练的深度特征表示并不能保证在目标领域有很好的泛化能力。这个问题的一个直接解决方式,就是在该深度表示的基础上,使用目标领域的有标注数据集进一步地调整深度神经网络。但恰当地调整深度神经网络需要足量的目标领域有标注数据,从而很可能产生昂贵的标注成本。如何能够避免大规模标注工作的同时得到更好的跨领域分析任务效果,已经成为了亟待解决的问题。通过学习一个鉴别模型来减小源领域和目标领域的分布偏移,这样的技术被称作迁移学习或是领域适应。之前的浅层迁移学习方法通过寻找领域之间共享的特征,或是重新估计无标签数据的权重来减小分布偏移。而现有技术中深度领域适应方法使用深度神经网络缩小领域间变化因子的同时,匹配不同领域的边缘数据分布,以用来自适应地学习可迁移的数据表示。领域适应范式旨在研究如何利用对目标领域无标注数据集的学习,来得到任务效果更佳的深度神经网络。现存的领域适应方法假定源领域和目标领域数据享有共同的数据空间,只是在数据空间上满足不同的分布。接下来,领域适应方法构造辨别模型,对不同领域的数据分布进行匹配,从而减少数据分布的偏移。最近的一些研究工作将深度神经网络应用在领域适应范式中,可以自适应地为跨领域分析任务发掘可迁移的特征表示,从而摆脱了传统的浅层领域适应中需要人为 ...
【技术保护点】
一种多网络对抗学习方法,其特征在于,包括:基于深度神经网络分类器和全连接神经网络辨别器组构建多网络分类器;选择源领域有标注数据集目标领域无标注数据集,将所述源领域有标注数据集输入所述多网络分类器中正向传播,得到所述深度神经网络分类器的损失函数;将所述目标领域无标注数据集输入所述多网络分类器中正向传播,得到所述全连接神经网络辨别器组的损失函数;基于所述深度神经网络分类器的损失函数和所述全连接神经网络辨别器组的损失函数,得到所述多网络分类器的目标函数;对所述多网络分类器进行训练,使所述全连接神经网络辨别器组损失函数最大化时,所述深度神经网络分类器损失函数与所述全连接神经网络辨别器损失函数之和最小化,得到训练后的深度神经网络分类器。
【技术特征摘要】
1.一种多网络对抗学习方法,其特征在于,包括:基于深度神经网络分类器和全连接神经网络辨别器组构建多网络分类器;选择源领域有标注数据集目标领域无标注数据集,将所述源领域有标注数据集输入所述多网络分类器中正向传播,得到所述深度神经网络分类器的损失函数;将所述目标领域无标注数据集输入所述多网络分类器中正向传播,得到所述全连接神经网络辨别器组的损失函数;基于所述深度神经网络分类器的损失函数和所述全连接神经网络辨别器组的损失函数,得到所述多网络分类器的目标函数;对所述多网络分类器进行训练,使所述全连接神经网络辨别器组损失函数最大化时,所述深度神经网络分类器损失函数与所述全连接神经网络辨别器损失函数之和最小化,得到训练后的深度神经网络分类器。2.根据权利要求1所述的多网络对抗学习方法,其特征在于,基于深度神经网络分类器和全连接神经网络辨别器组构建多网络分类器,具体包括:构建初始的深度神经网络分类器F(x)=Gy(Gf(x)),所述深度神经网络分类器的分类类别数为K;Gf为所述深度神经网络分类器的底部特征层,所述底部部特征层用于将数据映射为df维向量;所述Gy为所述深度神经网络分类器的顶部特征层,所述顶部特征层用于将所述df维向量映射到标注空间;在所述深度神经网络分类器的基础上,增加K个输入为df维向量、输出区间为[0,1]的全连接神经网络辨别器组3.根据权利要求2所述的多网络对抗学习方法,其特征在于,将所述源领域有标注数据集输入所述多网络分类器中正向传播,得到所述深度神经网络分类器的损失函数,具体包括:将所述源领域有标注数据集输入所述多网络分类器,得到源领域有标注数据集在所述深度神经网络分类器上的损失函数:式中,为所述源领域有标注数据集,L为交叉熵函数。4.根据权利要求3所述的多网络对抗学习方法,其特征在于,将所述目标领域无标注数据集输入所述多网络分类器中正向传播,得到所述全连接神经网络辨别器组的损失函数,具体包括:将所述源领域数据集中的标注删除,得到源领域无标注数据集,将所述源领域无标注数据集输入多网络分类器中正向传播,得到源领域无标注数据集中每个数据的伪标注向量;将目标领域无标注数据集输入到所述多网络分类器中正向传播,得到目标领域无标注数据集中每个数据的伪标注向量;基于所述源领域无标注数据集中每个数据的伪标注向量与所述目标领域无标注数据集中每个数据的伪标注向量,得到所述全连接神经网络辨别器组的损失函数。5.根据权利要求4所述的多网络对抗学习方法,其特征在于,所述全连接层网络辨别器组的损失函数为:
【专利技术属性】
技术研发人员:龙明盛,王建民,张育宸,黄向东,
申请(专利权)人:清华大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。