基于可信图神经网络的决策可靠性评估方法、装置及设备制造方法及图纸

本申请涉及一种基于可信图神经网络的决策可靠性评估方法、装置及设备。所述方法包括：根据初始图神经网络模型输出的logit向量得到初始图神经网络模型的置信度，利用初始图神经网络模型对决策样本进行决策，得到决策结果的准确率；根据置信度和决策结果的准确率进行计算，得到初始图神经网络模型的预期校准误差；构建初始图神经网络模型的图校准损失函数，利用图校准损失函数对初始图神经网络模型进行训练，得到可信图神经网络模型；根据可信图神经网络模型的校准误差和可信图神经网络模型进行决策评估。采用本方法能够提高决策可靠性。性。性。

【技术实现步骤摘要】
基于可信图神经网络的决策可靠性评估方法、装置及设备


[0001]本申请涉及数据处理
，特别是涉及一种基于可信图神经网络的决策可靠性评估方法、装置、计算机设备和存储介质。

技术介绍

[0002]车辆自动驾驶技术是为目前蓬勃发展的技术之一，而在自动驾驶的日常情境中，都需要通过感测器感测周围环境的资讯，用以自动控制车辆的动作，例如，在交通路口、车道变换以及加减速的过程中，都需要通过感测器感测周围环境的资讯，以控制车辆的动作。然而，当感测器感测及输出的资讯有失真、屏蔽或者失效的情况出现，将使得车辆的自动控制产生误差。现今的自动驾驶技术包含有一决策中心，决策中心包含多个决策模型，决策模型用于对自动驾驶过程中一些突发情况进行决策，但是往往多个决策模型在相关环境下进行决策时会出现误差，需要提出一个对决策模型进行可靠性评估的方法，衡量一个决策模型是否可以用于真实决策场景。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种能够提高决策可靠性的基于可信图神经网络的决策可靠性评估方法、装置、计算机设备和存储介质。
[0004]一种基于可信图神经网络的决策可靠性评估方法，所述方法包括：
[0005]获取初始图神经网络模型和测试集；图神经网络模型为决策模型；测试集包括决策样本和决策结果；
[0006]根据初始图神经网络模型输出的logit向量得到初始图神经网络模型的置信度，利用初始图神经网络模型对决策样本进行决策，得到决策结果的准确率；
[0007]根据置信度和决策结果的准确率进行计算，得到初始图神经网络模型的预期校准误差；
[0008]根据预期校准误差大小判断初始图神经网络模型是否需要进行校准，根据判断结果构建初始图神经网络模型的图校准损失函数，利用图校准损失函数对初始图神经网络模型进行训练，得到可信图神经网络模型；
[0009]根据可信图神经网络模型的校准误差和可信图神经网络模型进行决策评估。
[0010]在其中一个实施例中，根据置信度和决策结果的准确率进行计算，得到初始图神经网络模型的预期校准误差，包括：
[0011]根据置信度和决策结果的准确率进行计算，得到初始图神经网络模型的预期校准误差为其中，表示决策结果的标签，y
i
表示测试集里的真实标签，表示预测分布，为网络做出预测决策的置信度，p表示目标分布，为网络做出正确决策的真实概率。
[0012]在其中一个实施例中，根据预期校准误差大小判断初始图神经网络模型是否需要
进行校准，根据判断结果构建初始图神经网络模型的图校准损失函数，包括：
[0013]根据预期校准误差大小判断初始图神经网络模型是否需要进行校准，若预期校准误差大于预先设置的误差阈值，则判断初始图神经网络模型需要被校准，构建初始图神经网络模型的图校准损失函数。
[0014]在其中一个实施例中，构建初始图神经网络模型的图校准损失函数的过程包括：
[0015]获取目标分布和预测分布；目标分布为网络做出正确决策的真实概率；预测分布为初始图神经网络模型做出预测决策的置信度；
[0016]对目标分布和预测分布进行散度计算，得到KL散度；
[0017]根据目标分布和预测分布的熵的乘积构建正则化器，将KL散度和正则化器的正则化计算，得到图校准损失函数。
[0018]在其中一个实施例中，将KL散度和正则化器的正则化计算，得到图校准损失函数，包括：
[0019]将KL散度和正则化器的正则化计算，得到图校准损失函数为其中，γ表示正则化参数，表示预测分布和目标分布p的熵的乘积。
[0020]在其中一个实施例中，根据可信图神经网络模型的校准误差和可信图神经网络模型进行决策评估，包括：
[0021]对可信图神经网络模型的校准误差进行判断，若校准误差不小于预先设置的误差阈值，则继续对可信图神经网络模型进行校准，直至可信图神经网络模型的校准误差小于预先设置的误差阈值，再利用可信图神经网络模型进行决策。
[0022]一种基于可信图神经网络的决策可靠性评估装置，所述装置包括：
[0023]数据获取模块，用于获取初始图神经网络模型和测试集；图神经网络模型为决策模型；测试集包括决策样本和决策结果；
[0024]预期校准误差计算模块，用于根据初始图神经网络模型输出的logit向量得到初始图神经网络模型的置信度，利用初始图神经网络模型对决策样本进行决策，得到决策结果的准确率；根据置信度和决策结果的准确率进行计算，得到初始图神经网络模型的预期校准误差；
[0025]决策评估模块，用于根据预期校准误差大小判断初始图神经网络模型是否需要进行校准，根据判断结果构建初始图神经网络模型的图校准损失函数，利用图校准损失函数对初始图神经网络模型进行训练，得到可信图神经网络模型；根据可信图神经网络模型的校准误差和可信图神经网络模型进行决策评估。
[0026]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0027]获取初始图神经网络模型和测试集；图神经网络模型为决策模型；测试集包括决策样本和决策结果；
[0028]根据初始图神经网络模型输出的logit向量得到初始图神经网络模型的置信度，利用初始图神经网络模型对决策样本进行决策，得到决策结果的准确率；
[0029]根据置信度和决策结果的准确率进行计算，得到初始图神经网络模型的预期校准误差；
[0030]根据预期校准误差大小判断初始图神经网络模型是否需要进行校准，根据判断结果构建初始图神经网络模型的图校准损失函数，利用图校准损失函数对初始图神经网络模型进行训练，得到可信图神经网络模型；
[0031]根据可信图神经网络模型的校准误差和可信图神经网络模型进行决策评估。
[0032]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0033]获取初始图神经网络模型和测试集；图神经网络模型为决策模型；测试集包括决策样本和决策结果；
[0034]根据初始图神经网络模型输出的logit向量得到初始图神经网络模型的置信度，利用初始图神经网络模型对决策样本进行决策，得到决策结果的准确率；
[0035]根据置信度和决策结果的准确率进行计算，得到初始图神经网络模型的预期校准误差；
[0036]根据预期校准误差大小判断初始图神经网络模型是否需要进行校准，根据判断结果构建初始图神经网络模型的图校准损失函数，利用图校准损失函数对初始图神经网络模型进行训练，得到可信图神经网络模型；
[0037]根据可信图神经网络模型的校准误差和可信图神经网络模型进行决策评估。
[0038]上述基于可信图神经网络的决策可靠性评估方法、装置、计算机设备和存储介质，首先根据初始图神经网络模型输出的logit向量得到初始图神经网络模型的置信度，利用初始图神经网络模型对决策样本进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可信图神经网络的决策可靠性评估方法，其特征在于，所述方法包括：获取初始图神经网络模型和测试集；所述图神经网络模型为决策模型；所述测试集包括决策样本和决策结果；根据所述初始图神经网络模型输出的logit向量得到初始图神经网络模型的置信度，利用初始图神经网络模型对决策样本进行决策，得到决策结果的准确率；根据所述置信度和所述决策结果的准确率进行计算，得到所述初始图神经网络模型的预期校准误差；根据所述预期校准误差大小判断所述初始图神经网络模型是否需要进行校准，根据判断结果构建所述初始图神经网络模型的图校准损失函数，利用所述图校准损失函数对所述初始图神经网络模型进行训练，得到可信图神经网络模型；根据所述可信图神经网络模型的校准误差和所述可信图神经网络模型进行决策评估。2.根据权利要求1所述的方法，其特征在于，根据所述置信度和所述决策结果的准确率进行计算，得到所述初始图神经网络模型的预期校准误差，包括：根据所述置信度和所述决策结果的准确率进行计算，得到所述初始图神经网络模型的预期校准误差为其中，表示决策结果的标签，y
i
表示测试集里的真实标签，表示预测分布，为网络做出预测决策的置信度，p表示目标分布，为网络做出正确决策的真实概率。3.根据权利要求1所述的方法，其特征在于，根据所述预期校准误差大小判断所述初始图神经网络模型是否需要进行校准，根据判断结果构建所述初始图神经网络模型的图校准损失函数，包括：根据所述预期校准误差大小判断所述初始图神经网络模型是否需要进行校准，若所述预期校准误差大于预先设置的误差阈值，则判断所述初始图神经网络模型需要被校准，构建所述初始图神经网络模型的图校准损失函数。4.根据权利要求3所述的方法，其特征在于，构建所述初始图神经网络模型的图校准损失函数的过程包括：获取目标分布和预测分布；所述目标分布为网络做出正确决策的真实概率；所述预测分布为初始图神经网络模型做出预测决策的置信度；对所述目标分布和预测分布进行散度计算，得到KL散度；根据所述目标...

【专利技术属性】
技术研发人员：成清，王敏，黄金才，程光权，杜航，范长俊，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：