【技术实现步骤摘要】
本公开的示例实施例总体涉及计算机，特别地涉及用于模型验证的方法、系统和介质。
技术介绍
1、机器学习模型，特别是深度神经网络，已被用于人工智能(ai)和计算机视觉领域。这些模型在许多任务中表现出了有希望的性能，包括预测、推荐、视觉对象识别、自然语言处理(nlp)等。
2、尽管监督深度学习取得了令人印象深刻的成功，但深度神经网络(dnn)在推广到分布外数据方面存在困难。无监督域自适应(uda)可以将知识从带标签的源域转移到相关但未带标签的目标域，以提供所谓的uda模型。同时，也希望评估uda模型的性能。
技术实现思路
1、在本公开的第一方面，提供了一种用于模型验证的方法。该方法包括：通过将第一数据样本和第二数据样本分别应用到第一域自适应模型，来生成第一预测输出和第二预测输出，第一域自适应模型利用源域中的源训练数据集和目标域中的目标训练数据集来训练得到，第一数据样本和第二数据样本选自目标训练数据集；通过合并第一数据样本和第二数据样本来生成混合数据样本；通过合并第一预测输出和第二预测输出来生成针对混合数据样本的第一伪标签；通过将混合数据样本应用到第一域自适应模型来确定针对混合数据样本的第一预测输出；以及基于第一伪标签与第一预测输出之间的第一差异，确定第一域自适应模型在目标域中的第一准确度级别。
2、在本公开的第二方面，提供了一种用于模型验证的系统。该系统包括：至少一个处理器；以及至少一个存储器，至少一个存储器被耦合到至少一个处理器并且包括计算机可执行指令，计算机可
3、在本公开的第四方面，提供了一种计算机可读存储介质。该介质上存储有计算机可执行指令，计算机可执行指令在由计算设备执行时使计算设备执行动作，动作包括：通过将第一数据样本和第二数据样本分别应用到第一域自适应模型，来生成第一预测输出和第二预测输出，第一域自适应模型利用源域中的源训练数据集和目标域中的目标训练数据集来训练得到，第一数据样本和第二数据样本选自目标训练数据集；通过合并第一数据样本和第二数据样本来生成混合数据样本；通过合并第一预测输出和第二预测输出来生成针对混合数据样本的第一伪标签；通过将混合数据样本应用到第一域自适应模型来确定针对混合数据样本的第一预测输出；以及基于第一伪标签与第一预测输出之间的第一差异，确定第一域自适应模型在目标域中的第一准确度级别。
4、应当理解，该部分中所描述的内容并非旨在限定本公开的实施例的关键特征或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的描述而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种用于模型验证的方法，包括：
2.根据权利要求1所述的方法，其中所述源训练数据集包括数据样本和针对所述数据样本的相应标签，并且
3.根据权利要求1所述的方法，还包括：
4.根据权利要求3所述的方法，其中所述第一域自适应模型是使用超参数的第一值、根据无监督域自适应来训练得到的，并且所述第二域自适应模型是使用所述超参数的第二值、根据所述无监督域自适应来训练得到的，并且
5.根据权利要求1所述的方法，其中生成所述混合数据样本包括：
6.根据权利要求5所述的方法，其中所述第一权重或所述第二权重被设置为0.5。
7.一种用于模型验证的系统，包括：
8.根据权利要求7所述的系统，其中所述源训练数据集包括数据样本和针对所述数据样本的相应标签，并且
9.根据权利要求7所述的系统，其中所述动作还包括：
10.根据权利要求9所述的系统，其中所述第一域自适应模型是使用超参数的第一值、根据无监督域自适应来训练得到的，并且所述第二域自适应模型是使用所述超参数的第二值、根据所述无监督域自适应来训
11.根据权利要求7所述的系统，其中生成所述混合数据样本包括：
12.根据权利要求11所述的系统，其中所述第一权重或所述第二权重被设置为0.5。
13.一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令在由计算设备执行时使所述计算设备执行动作，所述动作包括：
14.根据权利要求13所述的计算机可读存储介质，其中所述源训练数据集包括数据样本和针对所述数据样本的相应标签，并且
15.根据权利要求13所述的计算机可读存储介质，其中所述动作还包括：
16.根据权利要求15所述的计算机可读存储介质，其中所述第一域自适应模型是使用超参数的第一值、根据无监督域自适应来训练得到的，并且所述第二域自适应模型是使用所述超参数的第二值、根据所述无监督域自适应来训练得到的，并且
17.根据权利要求13所述的计算机可读存储介质，其中生成所述混合数据样本包括：
18.根据权利要求17所述的计算机可读存储介质，其中所述第一权重或所述第二权重被设置为0.5。
...【技术特征摘要】
1.一种用于模型验证的方法，包括：
2.根据权利要求1所述的方法，其中所述源训练数据集包括数据样本和针对所述数据样本的相应标签，并且
3.根据权利要求1所述的方法，还包括：
4.根据权利要求3所述的方法，其中所述第一域自适应模型是使用超参数的第一值、根据无监督域自适应来训练得到的，并且所述第二域自适应模型是使用所述超参数的第二值、根据所述无监督域自适应来训练得到的，并且
5.根据权利要求1所述的方法，其中生成所述混合数据样本包括：
6.根据权利要求5所述的方法，其中所述第一权重或所述第二权重被设置为0.5。
7.一种用于模型验证的系统，包括：
8.根据权利要求7所述的系统，其中所述源训练数据集包括数据样本和针对所述数据样本的相应标签，并且
9.根据权利要求7所述的系统，其中所述动作还包括：
10.根据权利要求9所述的系统，其中所述第一域自适应模型是使用超参数的第一值、根据无监督域自适应来训练得到的，并且所述第二域自适应模型是使用所述超参数的第二值、根据所述无监督域...
【专利技术属性】
技术研发人员：柏松，胡大鹏，廖俊豪，薛楚慧，
申请(专利权)人：脸萌有限公司，
类型：发明
国别省市：
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。