[发明专利]一种基于元对抗学习的多目标域适应迁移方法及系统

说明书

本发明公开了一种基于元对抗学习的多目标域适应迁移方法及系统，该方法包括：步骤S1，获取带标记的源域数据集以及无标记的多个目标域数据集，使用所有目标域数据进行通过元学习者进行聚类，得到伪子目标域类别标签；步骤S2，使用源域数据、多目标域数据与伪子目标域类别标签进行对抗，更新目标模型的表示网络，源‑目标域判别器和子目标域判别器；步骤S3，判断是否达到更新周期，若达到更新周期，则进行步骤S4，若没有达到，则进行步骤S5；步骤S4，将所有目标域数据与当前网络中产生的目标域特征数据通过元学习者进行聚类，更新所述伪子目标域类别标签；步骤S5，返回步骤S2，直至模型收敛或达到最大迭代次数时停止训练。

技术领域

本发明涉及机器学习技术领域，特别是涉及一种基于元对抗学习的多目标域适应迁移方法及系统。

背景技术

随着数据的规模不断变大以及所导致的依靠人工进行信息标注的成本上升，迁移学习中域适应方法逐渐成为机器学习领域中一项十分重要的研究课题。域适应(domainadaptation)的目标是适配不同域之间数据的特征分布，从而提升不同域之间分类器迁移后的性能表现，解决目标域数据缺乏标注信息的难题。域适应迁移方法同时也是工业界的一项关键技术手段，在人脸识别、自动驾驶、医学影像等诸多领域均有重要应用。

目前，绝大部分的域适应学习方法主要关注在单一源域到单一目标域的迁移过程上，并依赖于单一源域标签集合与单一目标域标签集合一致的假设。Yaroslav Ganin等人在文献“Domain-Adversarial Training of Neural Networks”(Journal of MachineLearning Research,2016,17(59):1-35)中公开了一种针对图像分类的单源域适应方法，其通过引入域间分类器对源域与目标域图像的特征分布进行对抗学习，得到一种领域无关的特征表示，提高目标域图像在迁移后的分类性能。然而，该类方法在现实场景中缺乏通用性，而且无法处理源域与目标域数据标签空间不一致的情形。

特别是有多个数据分布不同子目标域混合形成一个不是服从同一数据分布的混合目标域时，一般的域适应方法会导致严重的负迁移情况。而现实中的目标域往往不是服从同一数据分布。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种基于元对抗学习的多目标域适应迁移方法及系统，以将现有的一类基于对抗学习的单目标域适应过程推广到多目标域适应，不再依赖源域标签集合与单一目标域标签集合一致的假设，并且可有效地避免多目标域适应过程中存在的负迁移现象。

为达上述目的，本发明提出一种基于元对抗学习的多目标域适应迁移方法，包括如下步骤：

步骤S1，获取带标记的源域数据集以及无标记的多个目标域数据集，使用所有目标域数据进行通过元学习者进行聚类，得到伪子目标域类别标签；

步骤S2，使用源域数据、多目标域数据与伪子目标域类别标签进行对抗，更新目标模型的表示网络，源-目标域判别器和子目标域判别器；

步骤S3，判断是否达到更新周期，若达到更新周期，则进行步骤S4，若没有达到，则进行步骤S5；

步骤S4，将所有目标域数据与当前网络中产生的目标域特征数据通过元学习者进行聚类，更新所述伪子目标域类别标签；

步骤S5，返回步骤S2，直至模型收敛或达到最大迭代次数时停止训练。

优选地，步骤S1进一步包括：

步骤S100，输入带标记的源域数据集以及k个无标记的目标域数据集；

步骤S101，使用所有的目标域数据集，通过元学习者U进行聚类，得到所述伪子目标域类别标签。

优选地，于步骤S101中，首先根据如下公式优化目标：