Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 贵州师范大学曹永锋获国家专利权

贵州师范大学曹永锋获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉贵州师范大学申请的专利一种结合主动学习与迁移学习的分类模型训练方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN113936791B

龙图腾网通过国家知识产权局官网在2026-01-23发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202111210163.9,技术领域涉及:G16H50/20;该发明授权一种结合主动学习与迁移学习的分类模型训练方法是由曹永锋;马顺设计研发完成,并于2021-10-18向国家知识产权局提交的专利申请。

一种结合主动学习与迁移学习的分类模型训练方法在说明书摘要公布了:本发明公开了一种结合主动学习与迁移学习的分类模型训练方法,主要包括如下重要步骤:1采用源任务模型为目标任务模型挑选训练样本的方式将源任务知识传递给目标任务模型;2源任务模型与目标任务模型各自主动挑选一定比例样本用于训练目标任务模型;3源任务模型挑选确定性高的样本,而目标任务模型挑选不确定性高的样本,并且源任务模型与目标任务模型所挑选样本数量的相对比例由两个模型分类性能的相对优劣动态决定。本发明避免了负迁移,适用于需要数据安全隐私保护的领域,得到的目标任务训练样本集质量高,且学习更加高效。同时,减少训练目标任务模型所需的训练样本数量,缓解训练样本不平衡问题,可实现异质模型间的知识迁移。

本发明授权一种结合主动学习与迁移学习的分类模型训练方法在权利要求书中公布了:1.一种结合主动学习与迁移学习的分类模型训练方法,其特征在于包括: 1采用源任务模型为目标任务模型挑选训练样本的方式将源任务知识传递给目标任务模型; 2源任务模型与目标任务模型各自主动挑选一定比例样本用于训练目标任务模型; 3源任务模型挑选确定性高的样本,而目标任务模型挑选不确定性高的样本,并且源任务模型与目标任务模型所挑选样本数量的相对比例由两个模型分类性能的相对优劣动态决定; 使用类别相似性指标来衡量未标注样本与特定类别的已标注样本集之间的相似性,通过在联合指标中增大类别相似性指标所占权重,可使模型和更多挑选属于特定类别的样本,从而缓解特定类别与其他类别之间的样本不平衡,或者达成在样本数量上的某种平衡; 该方法应用在为癫痫患者快速训练个性化的癫痫发作检测模型,由如下步骤完成: 源任务:癫痫脑电图数据集的发作、不发作二分类; 源任务已标注样本集:数据集;相应的脑电图数据采用国际10-20脑电图电极位置系统,采样频率为256hz; 源任务模型:在数据集上训练得到的深度神经网络模型; 目标任务:判断某癫痫患者的一段脑电图数据是发作数据,还是不发作数据; 目标任务未标注样本集:采集癫痫病人脑电图数据,采用国际10-20脑电图电极位置系统,采样频率为256hz; 步骤1,模型与样本准备:将目标任务未标注样本放入未标注样本池,将目标任务已标注样本放入已标注样本池L;加载最新的源任务模型和目标任务模型;设定本次迭代要标注的样本数目; 步骤2,未标注样本分类预测; 步骤3,类别相似性指标计算; 步骤4,不确定性和确定性指标计算; 步骤5,联合指标计算; 步骤6,按比例挑选样本进行标注; 步骤7,训练目标任务模型:使用已标注样本池中的数据训练目标任务模型; 步骤8,迭代:重复步骤2至步骤7,直至标注预算用完或目标任务模型已经达到特定性能; 步骤2包括如下两种独立执行或共同执行的方案: 1将未标注样本池中的每一个样本通过目标任务模型,获得其分类预测的边缘概率分布向量 ; 其中,为类别总数,为模型下样本属于类别的概率; 2将未标注样本池中的每一个样本通过源任务模型,获得其分类预测的边缘概率分布向量 ; 其中,为类别总数,为模型下样本属于类别的概率; 步骤3包括如下两种独立执行或共同执行的方案: 1计算每一个未标注样本在目标模型下的类别相似性指标,如下式 ; 其中,,为属于类别的已标注样本构成的集合,为集合所包含样本的数目,为类别集合的一个子集; 2计算每一个未标注样本在源模型下的类别相似性指标,如下式 ; 其中,,为属于类别的已标注样本集合,为集合所包含样本的数目,为类别集合的一个子集; 当时,取; 步骤4包括如下两种独立执行或共同执行的方案: 1计算每个未标注样本在目标任务模型下的不确定性,如下式 ; 2计算每个未标注样本在源任务模型下的确定性,如下式; ; 步骤5包括如下两种独立执行或共同执行的方案: 1对每个未标注样本,结合步骤3,步骤4的结果计算其相对于目标任务模型的联合指标,如下式 ; 其中,为一经验参数; 2对每个未标注样本,结合步骤3,步骤4的结果计算其相对于源任务模型的联合指标,如下式 ; 其中,为一经验参数。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人贵州师范大学,其通讯地址为:550001 贵州省贵阳市宝山北路116号贵州师范大学;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。