观测数据的生成方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及数据决策领域，揭露一种观测数据的生成方法、装置、电子设备以及存储介质，所述方法包括：获取训练数据，通过编码器将所述训练数据转化为隐变量，提取所述隐变量的特征映射；通过预设算法计算所述编码器中每个卷积层的相关性分数；根据所述特征映射，将每个所述相关性分数进行线性组合得到所述隐变量的注意力图；对每个所述注意力图进行聚合，得到聚合注意力图，根据所述聚合注意力图，识别所述训练数据对应观测数据的生成原理；根据所述生成原理，利用解码器对所述隐变量进行观测数据解码，得到所述训练数据对应的观测数据。本发明专利技术可以提升观测数据生成的可靠性。发明专利技术可以提升观测数据生成的可靠性。发明专利技术可以提升观测数据生成的可靠性。

【技术实现步骤摘要】
观测数据的生成方法、装置、电子设备及存储介质


[0001]本专利技术涉及数据决策领域，尤其涉及一种观测数据的生成方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]变分自编码器VAE是一种生成模型，可以用来随机生成观测数据，它通过为图像创建生成模型，利用生成模型捕捉图像的像素之间的依赖关系，根据像素之间的依赖关系将图像的像素进行组合，生成观测数据。
[0003]目前，生成模型生成观测数据在医疗保健、自动驾驶等领域都有广泛的应用，这些领域对生成观测数据的可靠性有非常高的要求，应用者需要理解生成观测数据背后的原理，但目前对观测数据的生成大多是针对分类任务而设计的，没有统一的原理解释，因此，观测数据生成的可靠性有待提升。

技术实现思路

[0004]本专利技术提供一种观测数据的生成方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高观测数据生成方法的可靠性。
[0005]为实现上述目的，本专利技术提供的一种观测数据的生成方法，包括：
[0006]获取训练数据，通过编码器将所述训练数据转化为隐变量，提取所述隐变量的特征映射；
[0007]通过预设的算法计算所述编码器中每个卷积层的相关性分数；
[0008]根据所述特征映射，将每个所述相关性分数进行线性组合得到所述隐变量的注意力图；
[0009]对每个所述注意力图进行聚合，得到聚合注意力图，根据所述聚合注意力图，识别所述训练数据对应观测数据的生成原理；
[0010]根据所述生成原理，利用解码器对所述隐变量进行观测数据解码，得到所述训练数据对应的观测数据。
[0011]可选地，所述通过编码器将所述训练数据转化为隐变量，包括：
[0012]在所述编码器中将所述训练数据转换为空间参数；
[0013]定义所述空间参数的正态分布，从所述正态分布中进行变量随机采样，得到隐变量。
[0014]可选地，所述提取所述隐变量的特征映射，包括：
[0015]识别所述隐变量中的初始特征，并构建所述初始特征的特征模型；
[0016]根据预设的评价指标对所述特征模型进行调优，得到特征模型；
[0017]计算所述特征模型的权值，根据所述权值，从所述初始特征中提取关键特征，根据所述关键特征，生成隐变量的特征映射。
[0018]可选地，所述通过预设算法计算所述编码器中每个卷积层的相关性分数，包括：
[0019]获取所述编码器中每个卷积层的神经元，通过预设算法计算所述神经元的权重；
[0020]根据所述神经元的权重，计算所述每个卷积层的相关性分数。
[0021]可选地，所述根据所述特征映射，将每个所述相关性分数进行线性组合得到所述隐变量的注意力图，通过下述公式实现：
[0022][0023]其中，α
i
为加权分量，A
i
为特征映射，i为神经元，R
i
代表第i层特征映射的相关性分数，x
i
为神经元的输出，ReLU为激活函数，n为神经元的数量。
[0024]可选地，所述对每个所述注意力图进行聚合，得到聚合注意力图，包括：
[0025]将每个所述注意力图进行细粒度拆分，得到多个拆分细粒度图，识别所述拆分细粒度图的重要程度；
[0026]根据所述拆分细粒度图的重要程度，将所述拆分细粒度图进行聚合，得到所述聚合注意力图。
[0027]可选地，所述根据所述生成原理，利用解码器对所述隐变量进行观测数据解码，得到所述训练数据对应的观测数据，包括：
[0028]根据所述观测数据的生成原理，通过解码器对所述隐变量进行随机组合，得到随机组合隐变量；
[0029]计算所述随机组合隐变量与所述训练数据的损失值，将所述损失值小于预设阈值对应的随机组合隐变量作为所述训练数据对应的观测数据。
[0030]为了解决上述问题，本专利技术还提供一种观测数据的生成装置，所述装置包括：
[0031]特征映射提取模块，用于获取训练数据，通过编码器将所述训练数据转化为隐变量，提取所述隐变量的特征映射；
[0032]相关性分数计算模块，用于根据所述特征映射，通过LRP算法计算所述编码器中每个卷积层的相关性分数；
[0033]注意力图组合模块，用于将每个所述相关性分数进行线性组合得到所述隐变量的注意力图；
[0034]生成原理识别模块，用于对每个所述注意力图进行聚合，得到聚合注意力图，根据所述聚合注意力图，识别所述训练数据对应观测数据的生成原理；
[0035]观测数据解码模块，用于根据所述生成原理，利用解码器对所述隐变量进行观测数据解码，得到所述训练数据对应的观测数据。
[0036]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0037]至少一个处理器；以及，
[0038]与所述至少一个处理器通信连接的存储器；其中，
[0039]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的一种观测数据的生成方法。
[0040]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的一种观测数据的生成方法。
[0041]可以看出，本专利技术实施例通过编码器将所述训练数据转化为隐变量，以用于通过每个卷积层对实体数据进行分析，将所述实体数据转化为抽象数据，进一步地，本专利技术实施
例通过提取所述隐变量的特征映射，以用于通过所述隐变量间接获取到所述训练数据的各个特征映射，便于后续提供所述特征映射对所述训练数据进行重新拼接，进一步地，本专利技术实施例通过预设算法计算所述编码器中每个卷积层的相关性分数，以用于根据所述卷积层的相关性分数，得到所述卷积层过滤训练数据之后得到的数据碎片，便于后续将所述数据碎片整合得到观测的数据，进一步地，本专利技术实施例通过根据所述特征映射，将每个所述相关性分数进行线性组合得到所述隐变量的注意力图，以用于通过获取所述训练数据的数据特征，便于后续整合所述数据特征得到所述训练数据的注意力图，进一步地，本专利技术实施例通过对每个所述注意力图进行聚合，得到聚合注意力图，以用于将所述训练数据的碎片即注意力图重新在机器学习之下整合得到新的训练数据，进一步地，本专利技术实施例通过根据所述聚合注意力图，识别所述训练数据对应观测数据的生成原理，以用于使用者在生成观测数据时可以理解所述观测数据的生成方法，便于所述使用者判断所述观测数据的生成方法是否可靠，进一步地，本专利技术实施例通过根据所述生成原理，利用解码器对所述隐变量进行观测数据解码，得到所述训练数据对应的观测数据，以用于通过解码器将所述训练数据进行重新整合得到机器学习产生的新数据。因此，本专利技术实施例提出的一种观测数据的生成方法、装置、电子设备及计算机可读存储介质可以提升观测数据生成的可靠性。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种观测数据的生成方法，其特征在于，所述方法包括：获取训练数据，通过编码器将所述训练数据转化为隐变量，提取所述隐变量的特征映射；通过预设算法计算所述编码器中每个卷积层的相关性分数；根据所述特征映射，将每个所述相关性分数进行线性组合得到所述隐变量的注意力图；对每个所述注意力图进行聚合，得到聚合注意力图，根据所述聚合注意力图，识别所述训练数据对应观测数据的生成原理；根据所述生成原理，利用解码器对所述隐变量进行观测数据解码，得到所述训练数据对应的观测数据。2.如权利要求1所述的一种观测数据的生成方法，其特征在于，所述通过编码器将所述训练数据转化为隐变量，包括：在所述编码器中将所述训练数据转换为空间参数；定义所述空间参数的正态分布，从所述正态分布中进行变量随机采样，得到隐变量。3.如权利要求1所述的一种观测数据的生成方法，其特征在于，所述提取所述隐变量的特征映射，包括：识别所述隐变量中的初始特征，并构建所述初始特征的特征模型；根据预设的评价指标对所述特征模型进行调优，得到特征模型；计算所述特征模型的权值，根据所述权值，从所述初始特征中提取关键特征，根据所述关键特征，生成隐变量的特征映射。4.如权利要求1所述的一种观测数据的生成方法，其特征在于，所述通过预设算法计算所述编码器中每个卷积层的相关性分数，包括：获取所述编码器中每个卷积层的神经元，通过预设算法计算所述神经元的权重；根据所述神经元的权重，计算所述每个卷积层的相关性分数。5.如权利要求4所述的一种观测数据的生成方法，其特征在于，所述根据所述特征映射，将每个所述相关性分数进行线性组合得到所述隐变量的注意力图，通过下述公式实现：其中，α
i
为加权分量，A
i
为特征映射，i为神经元，R
i
代表第i层特征映射的相关性分数，x
i
为神经元的输出，ReLU为激活函数，n为神经元的数量。6.如权利要求1...

【专利技术属性】
技术研发人员：郑喜民，王颖妮，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：