[发明专利]用于生成尤其用于训练神经网络的加标签的数据的方法

权利要求书

1.一种用于生成用于数据集（S）的标签（L）的方法（100），所述方法（100）包括：

提供（110）未加标签的数据集（S），所述未加标签的数据集包括未加标签的数据的第一子集（SA）和未加标签的数据的至少一个与所述第一子集不相交的其他子集（SB）；

通过生成用于所述第一子集（SA）的标签（L_A_1）来生成加标签的第一子集（SA_L_1）并且提供（130）所述加标签的第一子集（SA_L_1）作为第n个加标签的第一子集（SA_L_n），其中n=1；

执行（140）迭代过程，其中所述迭代过程的第n次迭代针对每个n=1、2、3、...N包括如下步骤：

利用所述第n个加标签的第一子集（SA_L_n）来训练（141n）第一模型（MA）作为第n个经训练的第一模型（MA_n）；

通过在使用所述经训练的模型（MA_n）的情况下预测用于所述其他子集（SB）的标签（L_B_n）来生成（142n）第n个加标签的其他子集（SB_L_n）；

利用所述第n个加标签的其他子集（SB_L_n）来训练（143n）其他模型（MB）作为第n个经训练的其他模型（MB_n）；

通过在使用所述第n个经训练的其他模型（MB_n）的情况下预测用于所述第一子集（SA）的标签（L_A_n+1）来生成（144n）第（n+1）个加标签的第一子集（SA_L_n+1）。

2.根据权利要求1所述的方法（100），其中在所述迭代过程（140）的第n次迭代之后利用所述第n个加标签的第一子集（SA_L_n）和/或所述第n个加标签的其他子集（SB_L_n）来训练（150）最终模型（M_f）。

3.根据权利要求2所述的方法（100），其中通过借助所述最终模型（M_f）预测用于所述数据集（S）的标签（L_f）来生成（160）加标签的数据集（S_L）和/或最终的加标签的数据集（S_L_f）。

4.根据上述权利要求中的至少一个或多个所述的方法（100），其中所述生成（120）加标签的第一子集（SA_L_1）通过利用初始模型（MC）预测标签来进行。

5.根据上一权利要求所述的方法（100），其中所述初始模型（MC）在先前的步骤中利用加标签的初始子集（SC_L）来训练（114），其中所述初始子集（SC）与所述第一子集和所述其他子集（SA，SB）尤其不相交。

6.根据上一权利要求所述的方法（100），其中所述初始子集（SC）小于所述第一子集（SA）和/或小于所述其他子集（SB）。

7.根据上述权利要求中至少一个所述的方法（100），其中只要还不满足质量标准和/或中止标准，所述迭代过程（140）的步骤（141n，142n，143n）就重复地被实施。

8.根据上述权利要求中至少一个所述的方法（100），其中所述第一模型（MA）和/或所述其他模型（MB）和/或所述初始模型（MC）和/或所述最终模型（M_f）包括神经网络、尤其深度神经网络。

9.根据上述权利要求中至少一个所述的方法（100），其中所述方法（100）此外包括：提高所述第一模型和/或所述其他模型和/或所述最终模型的复杂度。