基于深度神经网络的扰动识别方法及装置、介质及终端制造方法及图纸

本申请实施例提供了一种基于深度神经网络的扰动识别方法及装置、计算机可读存储介质及终端，涉及机器学习技术领域。该方法包括：获取输入数据，输入数据包括多个数据点；基于预训练的目标深度神经网络模型，确定数据点位于流形管道的概率，流形管道为决策边界区域；基于概率对输入数据进行扰动识别。根据本申请实施例的技术方案，能够通过流形管道的决策边界区域，至少能够在一定程度上提高扰动识别的准确率。确率。确率。

【技术实现步骤摘要】
基于深度神经网络的扰动识别方法及装置、介质及终端


[0001]本申请涉及机器学习
，尤其涉及一种基于深度神经网络的扰动识别方法及装置、计算机可读存储介质及终端。

技术介绍

[0002]噪声、对抗样本等决策边界周围的扰动数据很容易导致神经网络的假设剪枝过程出错，从而导致学习模型更新无效或者降低学习模型的有效性。
[0003]目前，为了消除上述的噪声，将核(高斯核、拉普拉斯等)密度估计作为度量从分布内数据分割噪声。为了消除对抗样本，根据与最接近的类均值的马氏距离定义分数以分割出对抗样本。但是，上述方法在决策边界附近识别扰动数据时准确率较低。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]本申请的目的在于提供一种基于深度神经网络的扰动识别方法及装置、计算机可读存储介质及设备，通过流形管道的决策边界区域，至少能够在一定程度上提高扰动识别的准确率。
[0006]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0007]根据本申请的第一个方面，提供一种基于深度神经网络的扰动识别方法，该方法包括：获取输入数据，所述输入数据包括多个数据点；基于预训练的所述目标深度神经网络模型，确定所述数据点位于流形管道的概率，所述流形管道为决策边界区域；基于所述概率对所述输入数据进行扰动识别。
[0008]在本申请一个实施例中，上述所述基于预训练的所述目标深度神经网络模型，确定所述数据点位于流形管道的概率，包括：将所述数据点输入预训练的所述目标深度神经网络模型；所述目标深度神经网络模型将所述数据点映射于流形空间，并计算所述数据点位于所述流形管道的概率。
[0009]在本申请一个实施例中，上述所述方法还包括：基于分类函数对所述流形管道进行分类；所述目标深度神经网络模型将所述数据点映射于流形空间，并计算所述数据点位于所述流形管道的概率，包括：所述目标深度神经网络模型将所述数据点映射于所述流形空间，并计算所述数据点位于每一类所述流形管道的概率。
[0010]在本申请一个实施例中，上述所述基于所述概率对所述输入数据进行扰动识别，包括：基于每一类所述流形管道的概率以及预设概率阈值，确定所述输入数据是否为扰动数据。
[0011]在本申请一个实施例中，上述所述方法还包括：获取距离度量，所述距离度量为样本数据点与所述流形管道的所有点的中心点之间的距离；基于所述距离度量，获取第一损
失函数和第二损失函数；基于所述第一损失函数和所述第二损失函数，对所述目标深度神经网络模型进行训练。
[0012]在本申请一个实施例中，上述所述获取距离度量包括：获取所述流形管道的密度估计度量；基于所述密度估计度量，获取流形管道度量；基于所述流形管道度量、恒等函数以及欧几里得距离，获取距离度量。
[0013]在本申请一个实施例中，上述所述基于所述第一损失函数和所述第二损失函数，对所述目标深度神经网络模型进行训练之后，还包括：基于扰动样本数据，对训练完成的所述目标深度神经网络模型进行精度测试。
[0014]根据本申请的第二个方面，提供一种基于深度神经网络的扰动识别装置，上述装置包括：获取模块，用于获取输入数据，所述输入数据包括多个数据点；计算模块，用于基于预训练的所述目标深度神经网络模型，确定所述数据点位于流形管道的概率，所述流形管道为决策边界区域；识别模块，用于基于所述概率对所述输入数据进行扰动识别。
[0015]根据本申请的第三个方面，提供一种终端，包括：存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现上述第一个方面所述的基于深度神经网络的扰动识别方法。
[0016]根据本申请的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现上述第一个方面所述的基于深度神经网络的扰动识别方法。
[0017]本申请的实施例所提供的基于深度神经网络的扰动识别方法及装置、计算机存储介质及终端，具备以下技术效果：
[0018]通过获取输入数据，输入数据包括多个数据点；基于预训练的目标深度神经网络模型，确定数据点位于流形管道的概率，流形管道为决策边界区域；基于概率对输入数据进行扰动识别。本申请实施例中，一方面，预训练的目标深度神经网络模型采用流形管道统一了决策边界区域的扰动，将原始域分为内部域和扰动域，扩大了扰动数据和内部域数据之间的分歧，在一定程度上提高了扰动数据识别的准确率；另一方面，预训练的目标深度神经网络模型，调用了非欧几里得密度估计，在竞争基线中表现出较好的性能，能够有效的确定输入的数据点位于流形管道的概率，进而较为准确的确定该数据点是否为扰动数据。
[0019]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0020]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]图1示出了根据本申请一示例性的实施例提供的基于深度神经网络的扰动识别方法的流程示意图；
[0022]图2示出了根据本申请另一示例性的实施例提供的基于深度神经网络的扰动识别方法的流程示意图；
[0023]图3示出了根据本申请一示例性的实施例提供的深度神经网络的训练方法的流程示意图；
[0024]图4示出了根据本申请一示例性的实施例提供的基于深度神经网络的扰动识别装置的结构图；
[0025]图5示出了根据本申请一示例性的实施例提供的一种终端的框图。
具体实施方式
[0026]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
[0027]下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0028]在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0029]相关技术中，深度神经网络可以用来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的扰动识别方法，其特征在于，包括：获取输入数据，所述输入数据包括多个数据点；基于预训练的所述目标深度神经网络模型，确定所述数据点位于流形管道的概率，所述流形管道为决策边界区域；基于所述概率对所述输入数据进行扰动识别。2.根据权利要求1所述的方法，其特征在于，所述基于预训练的所述目标深度神经网络模型，确定所述数据点位于流形管道的概率，包括：将所述数据点输入预训练的所述目标深度神经网络模型；所述目标深度神经网络模型将所述数据点映射于流形空间，并计算所述数据点位于所述流形管道的概率。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：基于分类函数对所述流形管道进行分类；所述目标深度神经网络模型将所述数据点映射于流形空间，并计算所述数据点位于所述流形管道的概率，包括：所述目标深度神经网络模型将所述数据点映射于所述流形空间，并计算所述数据点位于每一类所述流形管道的概率。4.根据权利要求3所述的方法，其特征在于，所述基于所述概率对所述输入数据进行扰动识别，包括：基于每一类所述流形管道的概率以及预设概率阈值，确定所述输入数据是否为扰动数据。5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：获取距离度量，所述距离度量为样本数据点与所述流形管道的所有点的中心点之间的距离；基于所述距离度量，获取第一损失函数和...

【专利技术属性】
技术研发人员：陶杨，
申请(专利权)人：吉林大学，
类型：发明
国别省市：