[发明专利]一种基于类别表示指导特征选择的零次学习分类算法

权利要求书

1.一种基于类别表示指导特征选择的零次学习分类算法，其特征在于，主要包括以下步骤：

步骤a：

利用深度神经网络对样本数据进行特征提取，得到训练数据和测试数据

步骤b：

训练一个基础的自编码器形式的神经网络模型，建立样本与对应类别之间的联系，实现分类；

步骤c：

在步骤b的模型中，将训练样本映射入语义嵌入空间中前，点乘上一个特征选择层mask，进行特征选择，再映射入语义嵌入空间中，与训练类别语义表示所组成的矩阵S^s作损失；

步骤d：

将训练数据对应的类别语义表示利用步骤b中训练好的模型，反映射到样本特征空间中，并与训练数据进行操作，得到目标mask_o，制作mask损失，指导步骤c中的特征选择层mask的生成。结合所有损失，对模型进行训练；

步骤e：

测试时，将测试样本通过mask层并映射到类别语义空间中，得到对应的类别。

2.如权利要求1所述的一种基于类别表示指导特征选择的零次学习分类算法，其特征在于，在步骤c中，设特征选择层mask的维度和一个样本x的维度一致，为R^1×l，设每次输入的训练样本的维度为R^b×l，将mask复制b份，组成新的张量将其与作点乘，得到特征选择之后的样本将其利用步骤b中学习的模型，映射入语义嵌入空间中，与训练类别语义表示所组成的矩阵S^s作损失。

3.如权利要求1所述的一种基于类别表示指导特征选择的零次学习分类算法，其特征在于，在步骤d中，对于每次输入到模型中进行训练的数据将其对应的类别语义表示利用步骤b中学习的模型，反映射到样本特征空间中，与作差，并在0维方向上取均值，将结果通过sigmoid函数，得到一个特征的重要性分布表示mask_o，之后，将其与特征选择层mask作损失，结合步骤c中的损失，对模型进行训练。