公开(公告)号：CN113379037B

公开(公告)日：2023-11-10

申请号：CN202110717550.5

申请日：2021-06-28

Applicant: 东南大学

Inventor： 张珍茹 ,  张敏灵

IPC: G06N3/091 ,  G06N3/0985 ,  G06N3/045

Abstract: 本发明公开了一种基于补标记协同训练的偏多标记学习方法，该方法针对样本多标记场景下训练数据中存在噪声标记的问题，提高分类模型的性能。该方法使用了两个神经网络进行协同训练，其中一个网络仅从候选标记集合中学习，另一个网络仅从非候选标记集合即补标记中学习。具体来说，在每个batch数据中选择损失小的样本，指导另一个网络更新参数，最后按权重组合两个网络的输出来赋予此batch数据标记置信度。分别从候选标记和非候选标记中学习并综合考虑两个网络来降低候选标记中噪声对模型性能的影响，从而获得偏多标记学习场景下的鲁棒分类模型。

公开(公告)号：CN113379037A

公开(公告)日：2021-09-10

申请号：CN202110717550.5

申请日：2021-06-28

Applicant: 东南大学

Inventor： 张珍茹 ,  张敏灵

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于补标记协同训练的偏多标记学习方法，该方法针对样本多标记场景下训练数据中存在噪声标记的问题，提高分类模型的性能。该方法使用了两个神经网络进行协同训练，其中一个网络仅从候选标记集合中学习，另一个网络仅从非候选标记集合即补标记中学习。具体来说，在每个batch数据中选择损失小的样本，指导另一个网络更新参数，最后按权重组合两个网络的输出来赋予此batch数据标记置信度。分别从候选标记和非候选标记中学习并综合考虑两个网络来降低候选标记中噪声对模型性能的影响，从而获得偏多标记学习场景下的鲁棒分类模型。