具有改进的训练鲁棒性地对传感器数据进行分类的方法和系统技术方案

一些实施例涉及一种针对标签噪声具有改进的鲁棒性地对传感器数据进行分类的方法（500）。通过估计在根据噪声水平将基本训练函数重复应用于并入噪声的训练标签以及随后将根据基本预测函数所配置的基本分类器应用于新颖输入的情况下最可能的标签，可以针对标签噪声具有改进的鲁棒性地计算新颖输入的预测标签。

【技术实现步骤摘要】
具有改进的训练鲁棒性地对传感器数据进行分类的方法和系统
当前所公开的主题涉及一种针对标签噪声具有改进的鲁棒性地对传感器数据进行分类的计算机实现的方法，一种被配置成针对标签噪声具有改进的鲁棒性地对传感器数据进行分类的分类系统，以及一种暂时性或非暂时性计算机可读介质。
技术介绍
深度神经网络尽管获得了经验上的广泛成功，但众所周知地易受对抗攻击的影响。本主题的研究已经聚焦于所谓的“测试时间攻击”（也被称为探索性攻击），其中攻击者在推理时间对抗地操纵分类器的输入，以使示例被错误分类。数据中毒攻击——其中攻击者操纵训练数据的一些方面以便使学习算法输出错误的分类器——也众所周知地是个问题。例如，可以考虑所谓的标签翻转攻击，其中训练集的标签被对抗地操纵，以降低经训练的分类器的性能。例如，可以尝试操纵训练集，使得特定的输入模式在测试时间触发某些分类。然而，不同于测试时间对抗设置，在存在合理有效的防御来构建对抗鲁棒的深度神经网络的情况下，对于构建对数据中毒攻击鲁棒的深度分类器做出了相对较少的工作。任何机器学习方法的性能最后都取决于其在上面进行训练本文档来自技高网...

【技术保护点】
1.一种针对标签噪声具有改进的鲁棒性地对传感器数据进行分类的计算机实现的方法（500），所述方法包括/n- 提供（510）训练数据

【技术特征摘要】
20190924 EP 19199297.31.一种针对标签噪声具有改进的鲁棒性地对传感器数据进行分类的计算机实现的方法（500），所述方法包括
-提供（510）训练数据，所述训练数据包括多个训练输入数据(xi)和对应的标签(yi)，训练输入数据表示从一个或多个传感器获得的物理系统的物理属性，
-为训练数据定义的基本分类器，所述基本分类器包括编码器（h）和分类器(β)，所述编码器被配置成将输入数据(xi)映射到潜在表示(h(xi))，所述分类器被配置成被应用于潜在表示，其中，所述编码器由经预训练的参数来定义，基本训练函数被配置成用于根据训练数据来优化定义分类器的参数，
-提供（520）新颖输入数据(xn+1)，
-定义（530）多个标签的噪声水平（q），
-针对标签噪声具有改进的鲁棒性地计算（540）新颖输入的预测标签，包括估计在根据噪声水平将基本训练函数重复应用于并入噪声的训练标签以及随后将根据基本预测函数所配置的基本分类器应用于新颖输入的情况下最可能的标签。


2.根据权利要求1所述的方法，其中，所述分类器（β）包括被配置成被应用于潜在表示（h(x)β）的线性运算。


3.根据权利要求2所述的方法，其中，所述基本训练函数被配置成用于应用最小二乘优化以根据训练数据来导出定义线性运算的参数。


4.根据前述权利要求中任一项所述的方法，包括计算线性运算（），以获得对新颖输入和并入噪声的训练标签应用基本训练函数和基本预测函数的组合结果。


5.根据前述权利要求中任一项所述的方法，其中，包括：估计在重复应用的情况下最可能的标签包括评估一个或多个不等式以获得所述可能性的界限。


6.根据权利要求5所述的方法，其中，为变量（t）的多个值定义不等式，所述方法包括：对变量的值进行近似，所述不等式针对所述变量是最严格的，所述近似可以包括牛顿近似。


7.根据前述权利要求中任一项所述的方法，其中
-编码器包括神经网络，和/或
-编码器是特征提取器，其被配置成生成多个特征，和/或
-编码器被训练为自动编码器，和/或
-编码器在训练数据上进行训练，例如，所提供的训练数据的所选择的子集，和/或
-编码器连同临时分类器一起在训练数据上进行训练。


8.根据前述权利要求中任一项所述的方法，其中
-编码器（h）和分类器（β）由参数定义，定义编码器的参数的数量大于定义分类器的参数的数量，和/或
-编码器（h）和分类器（β）包括神经网络，所述编码器神经网络包括比分类器神经网络更多的节点和/或层，
-分类器（β）包括线性运算和S型运算。


9.根据前述权利要求中任一项所述的方法，包括
-根据噪声水平将基本训练函数重复应用于并入噪...

【专利技术属性】
技术研发人员：E·K·罗森菲尔德，E·M·温斯顿，F·施密特，J·Z·科尔特，
申请(专利权)人：博世有限公司，卡内基梅隆大学，
类型：发明
国别省市：德国;DE