【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种模型训练方法、装置、电子设备和存储介质。
技术介绍
1、随着人工智能技术的快速发展，基于大规模数据的机器学习模型在诸多领域得到了广泛应用，例如医疗健康、金融服务和工业互联网等。然而，许多场景中标注数据的获取存在显著挑战：标注过程需要耗费大量的人力和时间，且某些领域（如医疗诊断、法律分析）对标注精度要求极高，进一步增加了数据标注的难度。这使得未标注数据成为了一种潜在的重要资源。
2、在传统机器学习中，未标注数据利用效率低，主要因其缺乏标签无法参与训练，导致数据资源浪费；依赖少量标注数据的模型难以捕捉数据分布的多样性，泛化能力较弱；人工标注成本高，自动化伪标签生成机制不足。此外，未标注数据的分布复杂性和不均衡性进一步增加了利用难度，因此，提高未标注数据的利用效率对模型性能提升至关重要。
技术实现思路
1、本专利技术提供一种模型训练方法、装置、电子设备和存储介质，用以解决相关技术中未标注数据利用效率低的缺陷。
2、本专利技术提供一种模型...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述标注数据的全局推理结果和参考推理结果，以及所述标注数据的标签，确定所述全局模型的标注偏差量，包括：
3.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述未标注数据的全局推理结果和参考推理结果，以及所述标注偏差量，对所述全局模型进行参数迭代，包括：
4.根据权利要求1至3中任一项所述的模型训练方法，其特征在于，所述确定基于标注数据训练得到的参考模型，包括：
5.根据权利要求4所述的模型训练方法，其特征在于，在所...
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述标注数据的全局推理结果和参考推理结果，以及所述标注数据的标签，确定所述全局模型的标注偏差量，包括：
3.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述未标注数据的全局推理结果和参考推理结果，以及所述标注偏差量，对所述全局模型进行参数迭代，包括：
4.根据权利要求1至3中任一项所述的模型训练方法，其特征在于，所述确定基于标注数据训练得到的参考模型，包括：
5.根据权利要求4所述的模型训练方法，其特征在于，在所述联邦学习为纵向联邦学习的情况下，所述对联邦学习中各方的标注数据进行分组，得到多组标注数据，包括：
6.根据权利要求5所述的模型训练方法，其特征在于，在所述联邦学习为横向联邦学习的情况下，所述对联邦学习中各方的标注数据进行分组，得到多组...
【专利技术属性】
技术研发人员：王宇轩，储双双，高婷，陈巍，孟祥桐，刘磊，汪晶，石亚飞，黄建贵，彭泉明，贺茂华，万城，吕鹏，闵超，庞天阳，
申请(专利权)人：科大讯飞股份有限公司，
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。