[发明专利]一种标签噪声下基于不确定性评估的结果预测方法

权利要求书

1.一种标签噪声下基于不确定性评估的结果预测方法，其特征在于，所述方法包括：

获取真实场景数据；其中，所述真实场景数据中的部分数据与训练数据分布相异；

将真实场景数据输入至已训练的深度神经网络模型和函数模型，得到第一不确定性预测值和初始预测结果，其中，所述深度神经网络模型基于若干次迭代训练得到，每次迭代训练过程中，对训练数据添加权重，并根据权重对训练数据进行筛选；

根据所述第一不确定性预测值和所述初始预测结果，得到目标预测结果。

2.根据权利要求1所述的标签噪声下基于不确定性评估的结果预测方法，其特征在于，所述深度神经网络模型的训练过程包括：

获取包含标签噪声的初始训练数据集；其中，所述标签噪声为对训练数据标注错误标签导致的噪声；

将所述初始训练数据集输入至初始深度神经网络模型和所述函数模型，得到与所述初始训练数据集对应的第二不确定性预测值集，根据所述第二不确定性预测值集，得到与所述初始训练数据集对应的权重集，根据所述权重集和所述初始训练数据集，得到中间训练数据集，将所述中间训练数据集作为初始训练数据集，并重复执行将所述初始训练数据集输入至初始深度神经网络模型和所述函数模型的步骤；

当所述初始深度神经网络模型满足预设训练条件时，停止迭代训练，得到训练好的深度神经网络模型。

3.根据权利要求2所述的标签噪声下基于不确定性评估的结果预测方法，其特征在于，所述将所述初始训练数据集输入至初始深度神经网络模型和所述函数模型，得到与所述初始训练数据集对应的第二不确定性预测值集，根据所述第二不确定性预测值集，得到与所述初始训练数据集对应的权重集，根据所述权重集和所述初始训练数据集，得到中间训练数据集，将所述中间训练数据集作为初始训练数据集，并重复执行将所述初始训练数据集输入至初始深度神经网络模型和所述函数模型的步骤包括：

针对第t次迭代训练，获取所述第t次迭代训练中与所述初始训练数据集对应的损失函数值集和所述第t次迭代训练中与所述初始训练数据集对应的第二不确定性预测值集，根据所述损失函数值集和所述第二不确定性预测值集，得到所述第t次迭代训练中与所述初始训练数据集对应的训练数据权重集，基于所述训练数据权重集，对所述第t次迭代训练中的所述初始训练数据集进行加权，得到中间训练数据集；其中，所述训练数据权重集用于表征训练数据在初始深度神经网络模型中的重要程度；其中，所述t大于或者等于1；

将所述中间训练数据集输入至初始深度神经网络模型和所述函数模型，进行第t+1次迭代训练。

4.根据权利要求3所述的标签噪声下基于不确定性评估的结果预测方法，其特征在于，所述初始训练数据集包括若干初始训练数据；所述获取所述第t次迭代训练中与所述初始训练数据集对应的损失函数值集和所述第t次迭代训练中与所述初始训练数据集对应的第二不确定性预测值集，根据所述损失函数值集和所述第二不确定性预测值集，得到所述第t次迭代训练中与所述初始训练数据集对应的训练数据权重集包括：

针对每个所述初始训练数据，获取所述第t次迭代训练中与所述初始训练数据对应的损失函数值；将所述初始训练数据多次输入所述初始深度神经网络模型，得到若干输出结果，并基于所述函数模型，对若干所述输出结果进行方差计算，得到与所述初始训练数据对应的第二不确定性预测值；获取的预设第一数值减去所述损失函数值，得到差值；将所述差值乘以所述第二不确定性预测值，得到第一乘积；将所述第一乘积作为指数，将获取的预设第二数值作为底数，得到指数运算结果；将所述指数运算结果作为第t次迭代训练中与所述初始训练数据对应的训练数据权重；

将初始训练数据集中的所有初始训练数据对应的训练数据权重作为与所述初始训练数据集对应的训练数据权重集。

5.根据权利要求4所述的标签噪声下基于不确定性评估的结果预测方法，其特征在于，所述基于所述训练数据权重集，对所述第t次迭代训练中的所述初始训练数据集进行加权，得到中间训练数据集包括：

获取预设的总迭代训练次数和所述初始训练数据集中的所有初始训练数据的个数；

将t乘以所述个数，得到第二乘积；

将所述第二乘积除以总迭代训练次数，得到商值；

根据所述商值和所述训练数据权重集，得到中间训练数据集。