[发明专利]一种迁移学习的实现方法、建模方法和装置

权利要求书

1.一种迁移学习的实现方法，包括：

确定用于训练的源域数据和目标域数据；

根据所述用于训练的源域数据和目标域数据，通过训练构建生成对抗网络；所述生成对抗网络包括：生成模型和对抗识别模型，生成模型用于将源域数据转换为迁移后的目标域数据，所述对抗识别模型用于对真实的目标域数据和迁移后的目标域数据进行识别；

通过所述生成对抗网络将待迁移的源域数据转换为迁移后的目标域数据。

2.根据权利要求1所述的方法，其特征在于，

所述源域数据包括源域特征数据和源域标签，所述目标域数据包括目标域特征数据和目标域标签。

3.根据权利要求2所述的方法，其特征在于，所述确定用于训练的源域数据和目标域数据，包括：

根据源域的训练数据集确定用于训练的源域特征数据，以及确定所述源域特征数据对应的源域标签；

根据目标域的训练数据集确定用于训练的目标域特征数据，以及确定所述目标域特征数据对应的目标域标签。

4.根据权利要求1或2所述的方法，其特征在于，所述根据所述用于训练的源域数据和目标域数据，通过训练构建生成对抗网络，包括：

将所述用于训练的源域数据作为第一数据，将所述用于训练的目标域数据作为第二数据，将所述第一数据输入至所述生成模型，得到第三数据，所述第三数据为迁移后的用于训练的目标域数据；

将所述第二数据和第三数据输入至所述对抗识别模型，得到识别结果；

调整所述生成模型的参数和所述对抗识别模型的参数，使得所述识别结果的概率为50％。

5.根据权利要求2所述的方法，其特征在于，所述通过所述生成对抗网络将待迁移的源域数据转换为迁移后的目标域数据，包括：

将所述待迁移的源域特征数据和源域标签输入至所述生成对抗网络中的生成模型，得到所述迁移后的目标域特征数据和目标域标签。

6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

根据真实的目标域数据和所述迁移后的目标域数据进行机器学习，构建目标域的预测模型。

7.一种迁移学习的建模方法，包括：

确定用于训练的源域数据和目标域数据；

根据所述用于训练的源域数据和目标域数据，通过训练构建生成对抗网络；所述生成对抗网络包括：生成模型和对抗识别模型，生成模型用于将源域数据转换为迁移后的目标域数据，所述对抗识别模型用于对真实的目标域数据和迁移后的目标域数据进行识别。

8.一种迁移学习的实现装置，其特征在于，包括：

训练数据模块，用于确定用于训练的源域数据和目标域数据；

生成对抗网络模块，用于根据所述用于训练的源域数据和目标域数据，通过训练构建生成对抗网络；所述生成对抗网络包括：生成模型和对抗识别模型，生成模型用于将源域数据转换为迁移后的目标域数据，所述对抗识别模型用于对真实的目标域数据和迁移后的目标域数据进行识别；

迁移模块，用于通过所述生成对抗网络将待迁移的源域数据转换为迁移后的目标域数据。

9.一种迁移学习的建模装置，其特征在于，包括：

训练数据模块，用于确定用于训练的源域数据和目标域数据；

生成对抗网络模块，用于根据所述用于训练的源域数据和目标域数据，通过训练构建生成对抗网络；所述生成对抗网络包括：生成模型和对抗识别模型，生成模型用于将源域数据转换为迁移后的目标域数据，所述对抗识别模型用于对真实的目标域数据和迁移后的目标域数据进行识别。

10.一种迁移学习的实现装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6中任意一项所述的方法。