[发明专利]一种面向跨领域智能分析的多网络对抗学习方法和系统

权利要求书

1.一种多网络对抗学习方法，其特征在于，包括：

基于深度神经网络分类器和全连接神经网络辨别器组构建多网络分类器；

选择源领域有标注数据集目标领域无标注数据集，将所述源领域有标注数据集输入所述多网络分类器中正向传播，得到所述深度神经网络分类器的损失函数；将所述目标领域无标注数据集输入所述多网络分类器中正向传播，得到所述全连接神经网络辨别器组的损失函数；

基于所述深度神经网络分类器的损失函数和所述全连接神经网络辨别器组的损失函数，得到所述多网络分类器的目标函数；

对所述多网络分类器进行训练，使所述全连接神经网络辨别器组损失函数最大化时，所述深度神经网络分类器损失函数与所述全连接神经网络辨别器损失函数之和最小化，得到训练后的深度神经网络分类器。

2.根据权利要求1所述的多网络对抗学习方法，其特征在于，基于深度神经网络分类器和全连接神经网络辨别器组构建多网络分类器，具体包括：

构建初始的深度神经网络分类器F(x)＝Gy(Gf(x))，所述深度神经网络分类器的分类类别数为K；Gf为所述深度神经网络分类器的底部特征层，所述底部部特征层用于将数据映射为df维向量；所述Gy为所述深度神经网络分类器的顶部特征层，所述顶部特征层用于将所述df维向量映射到标注空间；

在所述深度神经网络分类器的基础上，增加K个输入为df维向量、输出区间为[0,1]的全连接神经网络辨别器组

3.根据权利要求2所述的多网络对抗学习方法，其特征在于，将所述源领域有标注数据集输入所述多网络分类器中正向传播，得到所述深度神经网络分类器的损失函数，具体包括：

将所述源领域有标注数据集输入所述多网络分类器，得到源领域有标注数据集在所述深度神经网络分类器上的损失函数：

L y = 1 n s Σ ( x i , y i ) ∈ D s L y i ]]>

L y i = L ( G y ( G f ( x i ) ) , y i ) ]]>

式中，为所述源领域有标注数据集，L为交叉熵函数。