[发明专利]区分化变量去相关的稳定学习方法及装置

权利要求书

1.一种区分化变量去相关的稳定学习方法，其特征在于，包括以下步骤：

S1，在多环境下采集无标签数据，利用自编码器，通过所述无标签数据学习变量在跨环境下的变量稳定性；

S2，根据所述变量稳定性，利用样本重加权的方法去除稳定变量与噪声变量之间的虚假相关性；

S3，利用加权样本的线性回归模型，降低模型的偏差。

2.根据权利要求1所述的区分化变量去相关的稳定学习方法，其特征在于，所述S1进一步包括：在传统的自编码器结构中加入变量差分层表征变量的稳定性，在多环境下采集所述无标签数据后，在主环境下学习所述自编码器表征，固定表征通过多环境的数据学习变量的稳定性得分，得到所述变量稳定性。

3.根据权利要求1所述的区分化变量去相关的稳定学习方法，其特征在于，所述S2进一步包括：

通过梯度下降优化算法学习一组新的样本权重，使得所述稳定变量和所述噪声变量在加权后的相关性最小化，去除所述稳定变量和所述噪声变量之间的虚假相关。

4.一种区分化变量去相关的稳定学习装置，其特征在于，包括：

学习变量稳定性模块，用于在多环境下采集无标签数据，利用自编码器，通过所述无标签数据学习变量在跨环境下的变量稳定性；

变量去相关模块，用于根据所述变量稳定性，利用样本重加权的方法去除稳定变量与噪声变量之间的虚假相关性；

误差去除模块，利用加权样本的线性回归模型，降低模型的偏差。

5.根据权利要求4所述的区分化变量去相关的稳定学习装置，其特征在于，所述学习变量稳定性模块，具体用于在传统的自编码器结构中加入变量差分层表征变量的稳定性，在多环境下采集所述无标签数据后，在主环境下学习所述自编码器表征，固定表征通过多环境的数据学习变量的稳定性得分，得到所述变量稳定性。

6.根据权利要求4所述的区分化变量去相关的稳定学习装置，其特征在于，所述变量去相关模块，具体用于通过梯度下降优化算法学习一组新的样本权重，使得所述稳定变量和所述噪声变量在加权后的相关性最小化，去除所述稳定变量和所述噪声变量之间的虚假相关。