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！

龙图腾网获悉南京邮电大学申请的专利一种基于混合增强对比的黑盒源域无监督领域自适应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：CN117010531B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202311024344.1，技术领域涉及：G06N20/00；该发明授权一种基于混合增强对比的黑盒源域无监督领域自适应方法是由汪云云;华子毅设计研发完成，并于2023-08-15向国家知识产权局提交的专利申请。

本一种基于混合增强对比的黑盒源域无监督领域自适应方法在说明书摘要公布了：本发明属于机器学习下的迁移学习技术领域，公开了一种基于混合增强对比的黑盒源域无监督领域自适应方法，包括知识蒸馏初始化目标模型、混合增强特征对比学习以及随机混合增强矫正，基于黑盒源域模型利用知识蒸馏、互信息熵最大化和早期学习正则化方法对目标模型进行初始化，获取类别原型和类别学习难度阈值，并以此选取目标域样本，最小化混合特征对比损失，随机混合目标域样本及其伪标签作为增强样本，计算交叉熵矫正优化模型。该方法在不使用源域数据与模型参数的情况下进行领域间知识迁移，对无标签的目标域数据进行分类，从更细致的角度优化目标域类间结构以精确识别数据特征，在保证良好泛化性能的同时具备较强的安全性及隐私保护能力。

本发明授权一种基于混合增强对比的黑盒源域无监督领域自适应方法在权利要求书中公布了：1.一种基于混合增强对比的黑盒源域无监督领域自适应方法，其特征在于：具体步骤如下： 步骤1、获取目标域数据集，目标域数据集为图像数据集，将目标域数据集中的每个目标域样本输入黑盒源域，获得源域预测，代表样本属于源域中每个类的概率，根据源域预测计算每个类别的原型样本和学习难度阈值； 步骤2、将每个目标域样本输入目标模型，计算目标模型输出的互信息熵和与源域预测的相对熵作为蒸馏损失； 步骤3、计算并存储每个目标域样本与类原型样本特征之间的距离作为非线性预测，增加早期学习正则化项，配合蒸馏损失初始化目标模型，迭代更新所有目标域样本特征以保留目标模型训练早期的易学习特征； 步骤4、根据步骤1得到的源域预测以及步骤3得到的非线性预测计算伪标签，根据步骤1得到的学习难度阈值为目标样本筛选置信的非同类样本，将两者按相等比例混合增强后重新获得特征充当混合负样本特征； 步骤5、根据类原型样本特征及步骤4得到的混合负样本特征计算混合增强对比损失，使得每个目标样本与类原型近，与其他类原型和混合负样本远； 步骤6、随机选择目标样本对按0.25和0.75的比例进行混合数据增强，根据其在目标模型的输出和其混合后的伪标签计算交叉熵； 步骤7、整体损失计算梯度，反向传播，迭代更新网络参数、类原型特征、学习难度阈值直至损失收敛，对目标域样本进行预测得到预测标签，与目标域样本的真实标签比较，对于每一类计算出该类的平均分类准确率作为度量结果，其中，在步骤5中，最小化目标域样本的infoNCE损失函数，其中样本特征作为锚点，类原型特征作为正样本，其他类原型特征及混合增强样本特征作为负样本，同时为了减小不确定数据对模型训练的影响，使用其置信度作为权重系数，定义如下： ，其中表示锚样本特征，表示当前类原型特征，表示各个类原型特征，表示混合负样本特征，K表示类别数，表示该样本对应的混合负样本数量，表示置信度，表示温度系数，、、和均经过归一化操作。

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南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66号；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。