[发明专利]基于深度神经网络的扰动识别方法及装置、介质及终端

说明书

本申请实施例提供了一种基于深度神经网络的扰动识别方法及装置、计算机可读存储介质及终端，涉及机器学习技术领域。该方法包括：获取输入数据，输入数据包括多个数据点；基于预训练的目标深度神经网络模型，确定数据点位于流形管道的概率，流形管道为决策边界区域；基于概率对输入数据进行扰动识别。根据本申请实施例的技术方案，能够通过流形管道的决策边界区域，至少能够在一定程度上提高扰动识别的准确率。

技术领域

本申请涉及机器学习技术领域，尤其涉及一种基于深度神经网络的扰动识别方法及装置、计算机可读存储介质及终端。

背景技术

噪声、对抗样本等决策边界周围的扰动数据很容易导致神经网络的假设剪枝过程出错，从而导致学习模型更新无效或者降低学习模型的有效性。

目前，为了消除上述的噪声，将核(高斯核、拉普拉斯等)密度估计作为度量从分布内数据分割噪声。为了消除对抗样本，根据与最接近的类均值的马氏距离定义分数以分割出对抗样本。但是，上述方法在决策边界附近识别扰动数据时准确率较低。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本申请的目的在于提供一种基于深度神经网络的扰动识别方法及装置、计算机可读存储介质及设备，通过流形管道的决策边界区域，至少能够在一定程度上提高扰动识别的准确率。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请的第一个方面，提供一种基于深度神经网络的扰动识别方法，该方法包括：获取输入数据，所述输入数据包括多个数据点；基于预训练的所述目标深度神经网络模型，确定所述数据点位于流形管道的概率，所述流形管道为决策边界区域；基于所述概率对所述输入数据进行扰动识别。

在本申请一个实施例中，上述所述基于预训练的所述目标深度神经网络模型，确定所述数据点位于流形管道的概率，包括：将所述数据点输入预训练的所述目标深度神经网络模型；所述目标深度神经网络模型将所述数据点映射于流形空间，并计算所述数据点位于所述流形管道的概率。

在本申请一个实施例中，上述所述方法还包括：基于分类函数对所述流形管道进行分类；所述目标深度神经网络模型将所述数据点映射于流形空间，并计算所述数据点位于所述流形管道的概率，包括：所述目标深度神经网络模型将所述数据点映射于所述流形空间，并计算所述数据点位于每一类所述流形管道的概率。

在本申请一个实施例中，上述所述基于所述概率对所述输入数据进行扰动识别，包括：基于每一类所述流形管道的概率以及预设概率阈值，确定所述输入数据是否为扰动数据。

在本申请一个实施例中，上述所述方法还包括：获取距离度量，所述距离度量为样本数据点与所述流形管道的所有点的中心点之间的距离；基于所述距离度量，获取第一损失函数和第二损失函数；基于所述第一损失函数和所述第二损失函数，对所述目标深度神经网络模型进行训练。

在本申请一个实施例中，上述所述获取距离度量包括：获取所述流形管道的密度估计度量；基于所述密度估计度量，获取流形管道度量；基于所述流形管道度量、恒等函数以及欧几里得距离，获取距离度量。

在本申请一个实施例中，上述所述基于所述第一损失函数和所述第二损失函数，对所述目标深度神经网络模型进行训练之后，还包括：基于扰动样本数据，对训练完成的所述目标深度神经网络模型进行精度测试。

根据本申请的第二个方面，提供一种基于深度神经网络的扰动识别装置，上述装置包括：获取模块，用于获取输入数据，所述输入数据包括多个数据点；计算模块，用于基于预训练的所述目标深度神经网络模型，确定所述数据点位于流形管道的概率，所述流形管道为决策边界区域；识别模块，用于基于所述概率对所述输入数据进行扰动识别。