-
公开(公告)号：CN110532377A
公开(公告)日：2019-12-03
申请号：CN201910395284.1
申请日：2019-05-13
Applicant: 南京大学
Abstract: 本发明公开了一种基于对抗训练和对抗学习网络的半监督文本分类方法，在初始化网络阶段，首先初始化预测网络，其次初始化评判网络；对抗学习训练阶段，通过预测网络和评判网络的对抗作用，利用policy gradient策略对预测网络进行不断的优化，直至达到最优的效果；模型预测阶段，使用已经训练好的预测网络对新样本的标签进行预测。该方法利用对抗训练可以有效提高模型的正则化能力，增强模型的鲁棒性，同时借鉴对抗学习可以直接利用未标记样本进行模型的训练，通过对抗学习网络中子网络间的对抗作用不断迭代，能有效提高网络的分类性能。
-
公开(公告)号：CN110532377B
公开(公告)日：2021-09-14
申请号：CN201910395284.1
申请日：2019-05-13
Applicant: 南京大学
Abstract: 本发明公开了一种基于对抗训练和对抗学习网络的半监督文本分类方法，在初始化网络阶段，首先初始化预测网络，其次初始化评判网络；对抗学习训练阶段，通过预测网络和评判网络的对抗作用，利用policy gradient策略对预测网络进行不断的优化，直至达到最优的效果；模型预测阶段，使用已经训练好的预测网络对新样本的标签进行预测。该方法利用对抗训练可以有效提高模型的正则化能力，增强模型的鲁棒性，同时借鉴对抗学习可以直接利用未标记样本进行模型的训练，通过对抗学习网络中子网络间的对抗作用不断迭代，能有效提高网络的分类性能。
-
公开(公告)号：CN108717552A
公开(公告)日：2018-10-30
申请号：CN201810470711.3
申请日：2018-05-17
Applicant: 南京大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于新标签发现和标签增量学习的动态多标签分类方法，在初始阶段，根据初始数据基于pairwise label ranking loss和误分类损失建立初始分类模型和初始集成聚类模型；数据流预测阶段，将具有新标签的样本放入一个缓冲区存储；模型更新阶段，构建新标签的子模型，将新标签子模型更新到分类模型中，并基于新标签样本对集成聚类模型更新。该方法不仅可以及时发现数据流中数据诞生的新标签，还避免了在数据流中存储大量的数据，只需要缓存一定的数据作为更新即可，进一步避免了重新训练模型导致的时间成本问题，同时解决了动态多标签分类问题中新标签产生的问题并在数据流中维持较高分类性能。
-
-
Search Results
3
records
(took 0.01 seconds)
