[发明专利]一种提升深度学习模型鲁棒性的训练方法及系统在审
| 申请号： | 201910599177.0 | 申请日： | 2019-07-04 |
| 公开（公告）号： | CN110674937A | 公开（公告）日： | 2020-01-10 |
| 发明（设计）人： | 刘祥龙;刘艾杉;于航;张崇智 | 申请（专利权）人： | 北京航空航天大学 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06N3/04 |
| 代理公司： | 11381 北京汲智翼成知识产权代理事务所(普通合伙) | 代理人： | 陈曦;陈丽 |
| 地址： | 100190*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种提升深度学习模型鲁棒性的训练方法及系统，其中该训练方法包括如下步骤：S1，在模型反向传播时，计算得到模型每一隐藏层神经元所需的对抗噪音，并进行存储；S2，在模型正向传播时，从噪音存储单元中取出神经元对应的对抗噪音，更新隐藏层神经元值，并继续正向传播；S3，迭代执行上述步骤S1和步骤S2共P轮，完成提升深度学习模型鲁棒性的训练；其中P为正整数。本发明在保证模型泛化能力的同时，有效提升深度学习模型对于对抗样本噪音和自然噪音的鲁棒性，改善深度学习模型在实际场景中应用时的稳定性；与此同时结合了传统的正向‑反向训练过程，有效降低了计算复杂度，大大提升了可应用性。 | ||
| 搜索关键词： | 神经元 噪音 鲁棒性 正向传播 隐藏层 对抗 学习 计算复杂度 存储单元 迭代执行 反向传播 实际场景 训练过程 自然噪音 传统的 应用性 正整数 正向 样本 存储 取出 更新 应用 保证 | ||
【主权项】：
1.一种提升深度学习模型鲁棒性的训练方法，其特征在于包括如下步骤：/nS1，在模型反向传播时，计算得到模型每一隐藏层神经元所需的对抗噪音，并进行存储；/nS2，在模型正向传播时，从噪音存储单元中取出神经元对应的对抗噪音，更新隐藏层神经元值，并继续正向传播；/nS3，迭代执行上述步骤S1和步骤S2共P轮，完成提升深度学习模型鲁棒性的训练；其中P为正整数。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京航空航天大学，未经北京航空航天大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910599177.0/，转载请声明来源钻瓜专利网。
