[发明专利]一种针对人脸深度聚类的多层次去偏方法

说明书

一种针对人脸深度聚类的多层次去偏方法，包括：(1)获取人脸数据集；(2)对获取的人脸数据集基于数据增强的方法进行预处理，来扩充数据集；(3)搭建深度聚类模型,设计深度表征学习模型和聚类模型，通过反馈机制实现深度聚类；(4)深度表征学习去偏，基于均值滤波对深度表征学习模型中的偏见神经元进行去偏；(5)聚类算法去偏，基于生成式对抗网络对聚类算法K‑Means进行数据去偏，搭建去偏生成网络和去偏判别网络，设计针对聚类算法去偏的损失函数；(6)交替联合去偏,对步骤(4)和步骤(5)已经完成去偏操作的模型进行交替联合，即将深度表征学习模型和聚类模型组合成深度聚类模型，对深度聚类模型进行一个联合去偏。

技术领域

本发明属于机器学习领域，具体涉及一种针对人脸深度聚类的 多层次去偏方法。

背景技术

目前，伴随着人工智能(Artificial Intelligence,AI)以及机器学 习(MachineLearning,ML)的不断发展，它们的应用已经逐渐融入 了人们的日常生活之中。深度学习作为机器学习中的重要领域，它 凭借着强大的特征提取能力和数据特征拟合能力，因而被应用于医 疗诊断、广告、信贷、就业、教育和刑事司法等领域并且展示出良 好的效果。随着近年来深度学习的表征学习在处理非结构化和高维 数据中取得成功，这正好能解决浅层聚类(最基本的机器学习任务 之一)不能直接用于处理这类数据的问题。深度聚类(DeepClustering)技术也就得到了许多研究人员们的关注和研究，它旨在将 深度表征学习和聚类联合优化达到更好的聚类效果。

虽然深度学习可以帮助人们获得更准确的预测，并且得到的结 果被默认是公平的，但是预测结果并非是公平的，这些带有偏见的 结果会影响最终的决策。因此通过减弱或者去除偏见的方法提升深 度学习算法和模型的公平性是未来研究的重要方向。

近年来，深度聚类主要应用于社区检测、分割和对象检测、医 疗应用等领域。社区检测旨在根据连接密度将图网络划分为若干个 子图，可以将其视为节点级图聚类任务，Tsitsulin和Palowitch等人 提出的基于图神经网络(graph neural networks,GNN)的图聚类任 务。Yi等人研究了基于图像分割的图形切割，其中图形切割是谱聚 类的最基本解决方法之一，成功将深度聚类应用于分割利用聚类区 域生成场景图。Mittal等人介绍了医学图像聚类分析并引入了深度聚 类来自动分类大规模医学图像，以更快地诊断出冠状病毒。由于深 度聚类应用场景越来越广泛，深度聚类模型存在的偏见就不能忽 视，它产生的偏见来源主要包括深度模型进行表征学习是存在偏见 和聚类算法在聚类过程中存在的偏见。然而已有的去偏方法往往只 是针对深度模型进行去偏或者是针对传统的机器学习进行去偏，并 没有针对两者的混合去偏。

为了解决深度聚类中所包含的偏见并对人脸识别进行场景应 用，本发明设计了一种针对人脸深度聚类的多层次去偏方法，即针 对深度模型中的表征学习和针对传统机器学习中的聚类算法两个模 型分别进行去偏，实现多层次的去偏方法，从而提升整个深度聚类 模型的公平性。

发明内容

为了克服现有人脸深度聚类技术中所包含的偏见，本发明提出 了一种针对人脸深度聚类的多层次去偏方法，主要针对人脸识别应 用领域，通过从深度表征学习和聚类算法多个层面进行去偏，从而 提升模型的公平性。

为实现上述发明目的，本发明提供以下技术方案：

一种针对人脸深度聚类的多层次去偏方法，包括如下步骤：

(1)获取人脸数据集，并且定义人脸数据集中的人脸样本为 X＝{x₁,x₂,…,x_i,…,x_n}，人脸样本对应的标签为Y＝{y₁,y₂,…,y_i,…y_n}， 总样本数划分训练集和测试集，其中每个人脸样本图像定义为(l,h,c) 分别指长、高以及通道数；