[发明专利]基于概念稳定特征及其差异化网络的概念学习方法

摘要

本发明涉及人工智能领域，构建了一个开放的基于概念稳定特征及其差异化的网络模型SCDNet(Stable characteristics and their differentiation)，该模型具有可扩展性并能够从少量标注样本中学习概念。通过使用向量形式的稳定特征表示每个概念，我们让模型更具有可解释性。我们对初级特征进行压缩编码，在最大化该编码与稳定特征相似度的同时，加入不同概念的稳定特征之间差异性的约束条件。这样不仅能够提高实例特征对所属概念的稳定特征的敏感度，同时还可以增强我们从少量样本中学习的能力。我们对每个概念使用相同的子网络结构，使用统一的学习方法，这使得我们的模型具有很好的扩展性，能够自由的增加概念，即实现连续学习。

主权项

1.一种基于稳定特征和概念稳定特征之间差异化的概念学习网络模型SCDNet，其特征在于，包括训练过程和测试过程，训练过程包括以下步骤：(1)使用MNIST手写数字识别数据库，1000张图片作为训练集，每个类别对应100张训练图片，10000张图片作为测试集；(2)设置网络的超参数，网络迭代次数，卷积核的大小，约束条件的惩罚系数等；(3)从每个类别对应的100张训练图片中，随机选取一张图片，经过两层卷积层提取特征，使用此特征作为该类别对应的稳定特征并以向量形式存储在知识空间内。(4)选取一个未被学习的概念类别，使用全部100张训练图片，经过第一层卷积层提取特征；(5)将第一层卷积层提取的特征送入该类别对应的编码器中，得到压缩编码；(6)计算编码器输出的压缩编码与该类别对应稳定特征的相似度；(7)在满足概念之间稳定特征差异性的约束条件下，最大化压缩编码与对应概念稳定特征的相似度；(8)重复步骤4‑7，顺序学习每一个概念类别。测试过程包含以下步骤：(1)对每一个测试图片，经过第一层卷积层提取得到初级特征；(2)将初级特征送入全部的编码器中，得到压缩编码；(3)计算每个编码器对应的压缩编码与对应的稳定特征之间的相似度，选取相似度最大的稳定特征作为图片对应的概念类别。