[发明专利]迁移学习方法及装置

摘要

本发明公开了一种迁移学习方法及装置，方法包括：设置迁移学习的相关参数并初始化；开始迁移学习迭代，获得自动化标注数据；当迭代次数满足迭代周期，对该迭代周期内作为样本的自动化标注数据进行误差检测，确定该迭代周期的样本相对质量；根据样本相对质量确定样本的删除或保留，并确定是否继续迁移学习迭代，当终止迁移学习迭代，输出保留的样本和迁移分类器。本发明的有益效果是：在迁移学习过程中，将学习过程按迁移周期划分，每满一个迁移周期则进行误差检测，根据误差检测确定的样本相对质量筛选样本，由此来剔除低质量样本以达到提高迁移学习中自动标注数据的样本质量的目的，进而提升应用迁移学习方法的系统的准确性。

主权项

一种提高分类器精度的迁移学习方法，其特征在于，包括：初始步骤：设置迁移学习的相关参数并初始化；样本获取步骤：开始迁移学习迭代，获得自动化标注数据；周期计算步骤：当迭代次数满足迭代周期，对该迭代周期内作为样本的自动化标注数据进行误差检测，确定该迭代周期的样本相对质量；结果处理步骤：根据样本相对质量确定样本的删除或保留，并确定是否继续迁移学习迭代，当终止迁移学习迭代，输出保留的样本和迁移分类器；其中，所述周期计算步骤包括：将每次迭代后的自动化标注数据作为一个样本，计算当前迭代周期内各个样本的错误率，所述错误率为根据待分析样本和对应的周期内其它样本之间的相似度及距离按照假设检验的方法计算得到；根据计算得到的当前迭代周期中各个样本的错误率，计算当前迭代周期的误差界，从而确定当前迭代周期的样本相对质量；其中，所述错误率的计算公式包括：${\mathrm{\η}}_i=1-\exp \left(\frac{{({\mathrm{\Σ}}_j{w}_{ij}\·I_{ij}|\left|w\right|{|}_1)}^2}{2{\left(2\right|\left|w\right|{|}_1\left|\right|w|{|}_2-{\mathrm{\Σ}}_j{w}_{ij}\·I_{ij}|\left|w\right|{|}_2)}^2}\right)$其中，η_i表示样本i的错误率，w_ij表示样本i与其它样本j的相似度，I_ij表示样本i与其它样本j的标签距离，||w||₁和||w||₂为关于w的L1范数和L2范数，w为每一个w_ij作为向量的一个分量而组成的和向量。