[发明专利]一种深度迁移学习的不平衡分类集成方法

摘要

本发明公开的一种深度迁移学习的不平衡分类集成方法，包括以下步骤：建立辅助数据集；构建辅助深度网络模型和目标深度网络模型；训练辅助深度网络；将辅助深度网络的结构和参数迁移到目标深度网络；计算auprc值的乘积作为分类器的权值，对各个迁移分类器的分类结果加权集成，得到集成分类结果，作为集成分类器输出。本发明的方法，改进的平均精度方差损失函数APE和平均精度交叉熵损失函数APCE，在计算样本的损失代价时，动态调整样本的权值，对多数类样本赋予较少的权值，对少数类样本赋予更多的权值，由此训练得到的深度网络对少数类样本更加重视，更适用于不平衡数据的分类问题。

主权项

一种深度迁移学习的不平衡分类集成方法，其特征在于，包括以下步骤：(1)建立辅助数据集：根据目标数据的特性，选择或者采集与目标任务相关的数据组成辅助数据集；(2)构建辅助深度网络模型和目标深度网络模型：确定深度网络的结构，构建辅助深度网络模型和目标深度网络模型；(3)训练辅助深度网络：(3‑1)利用无标签的辅助数据样本对栈式自编码器进行预训练；(3‑2)利用有标签的辅助数据样本对步骤(3‑1)训练得到的网络参数进行调整；(4)将辅助深度网络的结构和参数迁移到目标深度网络：(4‑1)将辅助深度网络中的一个或多个隐含层迁移到目标深度网络，迁移的隐含层不同能够得到不同的迁移合成目标网络；(4‑2)使用APE或者APCE作为损失函数，利用目标数据对迁移合成的各个目标网络中的一个或多个隐含层进行训练，得到若干各不同的迁移分类器；(5)各迁移分类器的集成：用步骤(4‑2)的迁移分类器的分类结果计算auprc值的乘积作为分类器的权值，对各个迁移分类器的分类结果加权集成，得到集成分类结果，作为集成分类器输出。