[发明专利]面向跨界大数据分析的对抗迁移学习方法及系统

权利要求书

1.一种面向跨界大数据分析的对抗迁移学习方法，其特征在于，包括：

步骤1，将源领域和目标领域各自的未标注数据集输入至预设深度神经网络并正向传播，获取所述源领域和目标领域各自的未标注数据集对应的张量集；所述张量集中张量为对应未标注数据作为输入时，所述预设深度神经网络中预设数据层集合中所有数据层的数据向量的张量积；

步骤2，将所述源领域和目标领域各自的未标注数据集对应的张量集中每个张量对应的随机多线性融合表示，代入鉴别器的原始损失函数，得到鉴别器的当前损失函数，并利用反向传播调整所述鉴别器的参数，以最小化所述当前损失函数，作为所述鉴别器的当前最佳损失函数；

步骤3，利用反向传播，将所述预设深度神经网络在所述源领域的损失函数减去平衡参数与所述当前最佳损失函数的乘积后最小化，得到所述预设深度神经网络的新参数，用所述新参数更新所述预设深度神经网络的参数并再次进行所述正向传播以再一次更新所述预设深度神经网络的参数，直至参数收敛；所述平衡参数为所述预设深度神经网络在所述源领域的损失函数与所述当前最佳损失函数的平衡参数。

2.根据权利要求1所述的方法，其特征在于，所述步骤1具体包括：

步骤11，将所述源领域和目标领域各自的未标注数据集中的每个未标注数据依次输入至预设深度神经网络并正向传播，获取所述每个未标注数据下所述预设深度神经网络中预设数据层集合中每个数据层的数据向量；

步骤12，计算所述数据向量的张量积，将所述张量积作为所述每个未标注数据对应的张量；

步骤13，根据所述源领域的未标注数据集中每个未标注数据对应的张量，得到所述源领域的未标注数据集对应的张量集，并根据所述目标领域的未标注数据集中每个未标注数据对应的张量，得到所述目标领域的未标注数据集对应的张量集。

3.根据权利要求1所述的方法，其特征在于，在步骤1中，所述预设数据层集合由所述预设深度神经网络顶层和中间层中的若干数据层构成。

4.根据权利要求1所述的方法，其特征在于，在步骤2中，所述鉴别器为一个输入为d维向量、输出在区间[0,1]上的全连接预设深度神经网络鉴别器；

所述鉴别器的原始损失函数设定为：

其中，和分别为所述源领域和所述目标领域的未标注数据集对应的张量集，和分别为所述源领域和所述目标领域的第i个未标注数据的张量，n_s和n_t分别为所述源领域和所述目标领域的未标注数据集中未标注数据的数目，和分别为所述源领域和所述目标领域的第i个未标注数据的张量的随机多线性融合表示；为所述预设数据层集合，z为张量，⊙是阿达马积，R^l是一个维度为d×d_l的随机矩阵，d_l是数据层l的维度，d为鉴别器输入向量的维度，z^l为数据层l的数据向量。

5.根据权利要求1所述的方法，其特征在于，在步骤3中，所述预设深度神经网络在所述源领域的损失函数为在所述源领域的已标注数据集中所有已标注数据的交叉熵损失的均值。

6.根据权利要求5所述的方法，其特征在于，所述预设深度神经网络在所述源领域的损失函数设定为：

1nsΣi=1nsJ(F(xis),yis),]]>

其中，n_s为所述源领域的已标注数据集中已标注数据的数目，为所述源领域的第i个已标注数据的特征向量，为所述预设深度神经网络的决策函数，为所述源领域的第i个已标注数据的标签，J(·,·)是交叉熵损失函数。