[发明专利]使用有噪声的标记和域适配来进行鲁棒的主动学习方法的系统和方法

权利要求书

1.一种包括主动学习算法的方法，其包括：

接收被噪声方式标记的源数据集；

应用鲁棒深度学习算法来标识用于被噪声方式标记的源数据集的源分类器；

使用在源分类器上操作的域辨别算法来确定经适配的分类器；以及

基于可操作地使用目标分类器和经适配的分类器的主动学习算法，将标记分配给未标记的目标数据集内的一个或多个样本。

2.根据权利要求1所述的方法，其中域辨别算法被设计为对抗性网络。

3.根据权利要求1所述的方法，进一步包括：使用经适配的分类器来热启动所述主动学习算法，其中所述主动学习算法可操作以提供用于目标分类器的训练数据。

4.根据权利要求3所述的方法，其中调度器控制用于热启动所述主动学习算法的持续时间。

5.根据权利要求1所述的方法，其中所述鲁棒深度学习算法包括softmax层，接着是密集线性层，所述密集线性层可操作以对被噪声方式标记的源数据集实行去噪。

6.根据权利要求1所述的方法，其中使用基于最大熵的启发式算法来设计所述主动学习算法。

7.根据权利要求1所述的方法，其中使用批主动学习算法来设计所述主动学习算法。

8.根据权利要求7所述的方法，其中目标分类器是每批地更新的。

9.一种包括主动学习算法的方法，其包括：

接收被噪声方式标记的源数据集；

应用鲁棒深度学习算法来标识用于被噪声方式标记的源数据集的源分类器；

使用在源分类器上操作的对抗性域适配机器学习算法来确定经适配的分类器；以及

基于可操作地使用目标分类器和经适配的分类器的主动学习算法，将标记分配给未标记的目标数据集内的一个或多个样本。

10.根据权利要求9所述的方法，进一步包括：使用经适配的分类器来热启动所述主动学习算法，其中所述主动学习算法可操作以提供用于目标分类器的训练数据。

11.根据权利要求10所述的方法，其中调度器控制用于热启动所述主动学习算法的持续时间。

12.根据权利要求9所述的方法，其中所述鲁棒深度学习算法包括softmax层，接着是密集线性层，所述密集线性层可操作以对被噪声方式标记的源数据集实行去噪。

13.一种可操作以采用主动学习算法的系统，其包括：

控制器，其可操作以：

接收被噪声方式标记的源数据集；

应用鲁棒深度学习算法来标识用于被噪声方式标记的源数据集的源分类器；

使用在源分类器上操作的域辨别机器学习算法来确定经适配的分类器；以及

基于可操作地使用目标分类器和经适配的分类器的主动学习算法，将标记分配给未标记的目标数据集内的一个或多个样本。

14.根据权利要求13所述的系统，其中使用对抗性网络来设计所述域辨别机器学习算法。

15.根据权利要求13所述的系统，其中控制器进一步可操作以：使用经适配的分类器来热启动所述主动学习算法，其中所述主动学习算法可操作以提供用于目标分类器的训练数据。

16.根据权利要求15所述的系统，其中调度器控制用于热启动所述主动学习算法的持续时间。

17.根据权利要求13所述的系统，其中所述鲁棒深度学习算法包括softmax层，接着是密集线性层，所述密集线性层可操作以对被噪声方式标记的源数据集实行去噪。