【技术实现步骤摘要】
基于元学习的数据筛选模型构建方法、数据筛选方法、装置、计算机设备及存储介质
本专利技术涉及机器学习
，尤其涉及一种基于元学习的数据筛选模型构建方法、数据筛选方法、装置、计算机设备及存储介质。
技术介绍
为了更好地使用深度神经网络训练模型，往往需要大量的训练样本，而训练样本的不足往往会导致模型的过拟合，影响模型的性能。在实际应用中，训练样本的不足经常体现在少量的类别中，为了扩充这些样本量过少的类别，需要对大量的无标签数据进行标注，而数据标注是一件极其耗费人力与资金的事情，且在待标注的数据中，绝大多数的数据是样本量过多的类别的数据，这些数据是我们不需要的，只有那些样本量过少的类别的数据，是我们需要标注的目标数据，因此数据筛选的效率极低，过低的数据筛选导致了人力和资金的浪费。
技术实现思路
本专利技术实施例提供了一种基于元学习的数据筛选模型构建方法、数据筛选方法、装置、计算机设备及存储介质，旨在解决现有数据筛选效率比较低的问题。第一方面，本专利技术实施例提供了一种基于元学习的数据筛选模型构
【技术保护点】
1.一种基于元学习的数据筛选模型构建方法，其特征在于，包括：/n构造元训练任务，采用特征提取模型提取每个元训练任务的第一特征向量和第二特征向量，其中，每个所述元训练任务包括支持集和查询集，所述第一特征向量为每个所述支持集所包括的训练类别的特征向量，所述第二特征向量为每个所述查询集所包括的训练数据的特征向量；/n采用关系模型获取所述第一特征向量和所述第二特征向量拼接之后的归属度值；/n基于所述归属度值，采用预设计算公式计算得出所述训练数据的差距值；/n基于所述差距值，采用预设方法经过预设次数更新所述特征提取模型及所述关系模型中的参数值以获得所述基于元学习的数据筛选模型。/n
【技术特征摘要】
1.一种基于元学习的数据筛选模型构建方法，其特征在于，包括：
构造元训练任务，采用特征提取模型提取每个元训练任务的第一特征向量和第二特征向量，其中，每个所述元训练任务包括支持集和查询集，所述第一特征向量为每个所述支持集所包括的训练类别的特征向量，所述第二特征向量为每个所述查询集所包括的训练数据的特征向量；
采用关系模型获取所述第一特征向量和所述第二特征向量拼接之后的归属度值；
基于所述归属度值，采用预设计算公式计算得出所述训练数据的差距值；
基于所述差距值，采用预设方法经过预设次数更新所述特征提取模型及所述关系模型中的参数值以获得所述基于元学习的数据筛选模型。
2.根据权利要求1所述的方法，其特征在于，所述采用关系模型获取所述第一特征向量和所述第二特征向量拼接之后的归属度值，包括：
将所述第一特征向量及所述第二特征向量进行拼接以生成第三特征向量；
采用关系模型获取所述第三特征向量的归属度值。
3.根据权利要求2所述的方法，其特征在于，所述基于所述差距值，采用预设方法经过预设次数更新所述特征提取模型及所述关系模型中的参数值以获得所述基于元学习的数据筛选模型，包括：
基于所述差距值，采用梯度下降优化方法经过预设次数更新所述预设特征提取模型及所述关系模型中的参数值以获得所述基于元学习的数据筛选模型。
4.根据权利要求1所述的方法，其特征在于，所述训练数据为图片数据或文本数据。
5.一种基于元学习的数据筛选方法，其特征在于，包括：
获取待筛选类别并将所述待筛选类别输入如权利要求1-4任一项所述的基于元学习的数据筛选模型以提取所述待筛选类别中各类别的特征向量作为第一目标特征向量；
获取待筛选数据并将所述待筛选数据输入所述基于元学习的数据筛选模型以提取所述待筛选数据中各待筛选数据的特征向量作为第二目标特征向量；
对于每个待筛选数据，将所述第二目标特征向量与各类别的所述第一目标特征向量进行拼接以生成与各待筛选数据对应的第三目标特征向量；
将每个待筛选数据的所述第三目标特征向量的归属度值与各类别对应的预设归属度阈值进行比较，以识别出所述第三目标特征向量的归属度值大于所述预设归属度阈值的数据作为目标数据；
采用预设标签将所述目标数据标记为所述第三目标特征向量对应的类别。
6.根据权利要求5所述的方...
【专利技术属性】
技术研发人员：吕根鹏，庄伯金，王少军，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
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。