基于生成式对抗神经网络用于多任务分类的信息迁移方法技术

本发明专利技术提供了基于生成式对抗神经网络用于多任务分类的信息迁移方法，应用于具有多个属性的数据，主要任务是对该数据中一个或多个属性确定其具体的取值，称为目标属性；利用生成式对抗神经网络从数据的一个或多个非目标属性中获得有助于确定该数据目标属性的信息，所述数据的一个(或多个)非目标属性称为辅助属性。具体包括：利用生成式对抗神经网络构建多属性数据的信息迁移模型；对所述信息迁移模型进行训练直至达到预设条件，结束训练；利用训练完成的信息迁移模型来完成任务。本发明专利技术利用生成式对抗神经网络和Wasserstein‑1距离的度量，实现了多任务分类的信息迁移，从而提高了目标分类任务的准确性。

【技术实现步骤摘要】
基于生成式对抗神经网络用于多任务分类的信息迁移方法
本专利技术属于计算机信息处理领域，涉及一种多任务分类的信息迁移方法，特别涉及基于生成式对抗神经网络的多任务分类的信息迁移方法。
技术介绍
2005年，DARPA(美国国防部高级研究机构)给出了有关迁移学习的一个新的定义：迁移学习系统能够对先前任务中学到的知识和技巧进行识别，并将它应用到一个新的任务中去。传统机器学习模型的训练和测试都在同一个领域当中进行，而在迁移学习中，进行模型构建的领域被称为源领域，模型被应用的领域成为目标领域。迁移学习作为一种处理小样本的大数据的方法，在机器学习的早期阶段就被进行了深入的研究。在先前的研究中，出现了基于共享源和目标特性的兼容性来协同训练的方法；采用从源域到目标域的传递的分类的信息的聚类算法；利用目标域的合适的模型的期望最大化(ExpectationMaximization)算法的构建朴素贝叶斯迁移分类器(NBTC，NaiveBayesTransferClassifier)；在上述的算法中发现相似的分类问题有助于提高指定分类任务问题的性能。观测数据通常带有多种不同方面的属性，例如：一张图片可以有一类本文档来自技高网...

【技术保护点】
1.基于生成式对抗神经网络用于多任务分类的信息迁移方法，其特征在于，该方法应用于具有多个属性的数据，主要任务是对该数据中一个或多个属性确定其具体的取值，称为目标属性；利用生成式对抗神经网络从所述数据的一个或多个非目标属性中获得有助于确定该数据目标属性的信息，所述数据的一个或多个非目标属性称为辅助属性。

【技术特征摘要】
1.基于生成式对抗神经网络用于多任务分类的信息迁移方法，其特征在于，该方法应用于具有多个属性的数据，主要任务是对该数据中一个或多个属性确定其具体的取值，称为目标属性；利用生成式对抗神经网络从所述数据的一个或多个非目标属性中获得有助于确定该数据目标属性的信息，所述数据的一个或多个非目标属性称为辅助属性。2.根据权利要求1所述的多任务分类的信息迁移方法，其特征在于，包括：利用生成式对抗神经网络构建多属性数据的信息迁移模型；对所述信息迁移模型进行训练直至达到预设条件，结束训练；利用训练完成的信息迁移模型来完成所述主要任务。3.根据权利要求2所述的多任务分类的信息迁移方法，其特征在于，所述多属性数据的信息迁移模型包括生成式神经网络G、目标属性判别网络Dt、辅助属性判别网络Da；所述生成式神经网络G被配置为生成数据的抽象表示；所述目标属性判别网络Dt被配置为根据前述由生成式网络产生的抽象表示预测数据中的目标属性；所述辅助属性判别网络Da被配置为根据前述由生成式网络产生的抽象表示预测数据中的辅助属性。4.根据权利要求3所述的多任务分类的信息迁移方法，其特征在于，所述训练过程包括：收集具有多个属性的训练数据集，所述训练数据集包括可观测的数据样本和每一个观测到的数据样本所对应的多个属性的值；构造所述生成式对抗神经网络在训练数据集上的损失函数；通过优化函数调整所述生成式对抗神经网络的参数，尽可能减小损失函数的损失。5.根据权利要求4所述的多任务分类的信息迁移方法，其特征在于，所述优化函数为：其中x表示观测到的数据样本，yi表示观测到的数据样本所对应的目标属性的值，表示观测到的数据样本和其对应的目标属性的值的联合分布空间，L(Dt(G(x))，yi)表示目标属性判别网络Dt预测的目标属性的值Dt(G(x))与样本中的目标属性的值yi的损失函数，表示观测到的数据样本和目标属性的联合分布空间上关于损失函数L的期望；λ表示权重系数，p表示样本数据在...

【专利技术属性】
技术研发人员：周浪雄，傅伦凯，李俊，马震远，林安成，
申请(专利权)人：广东技术师范学院，
类型：发明
国别省市：广东,44