[发明专利]一种模型复用方法与系统

说明书

本申请公开了一种模型复用方法与系统，包括：将数据集中的有标签数据输入至待训练模型，基于目标损失函数，得到目标损失；将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，基于模型复用损失函数，得到复用损失；根据目标损失和复用损失，更新待训练模型；重复上述步骤，直到重复次数达到阈值次数，得到训练好的待训练模型。通过将数据集中的有标签数据输入至待训练模型，得到目标损失，将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，得到复用损失，使用少量的有标签数据得到的目标损失和包括大量无标签数据的所有数据得到的复用损失共同更新待训练模型，能够有效利用大量无标签数据。

技术领域

本申涉及人工智能人技术领域，尤其涉及一种模型复用方法与系统。

背景技术

在大数据时代，人们已经达成共识，为了获得一个高性能模型，通常需要大量的来自不同数据源的标记数据。虽然标签信息对于一系列人工智能应用程序中训练模型至关重要，但是获取大量的标签数据是十分消耗资源的。如何高效的复用已训练好的深度神经网络模型成为了需要解决的难题。

现有的模型重用方法无法有效利用大量的无标签数据。

综上所述，需要提供一种能够有效利用大量无标签数据的模型复用方法与系统。

发明内容

为解决以上问题，本申请提出了一种模型复用方法与系统。

一方面，本申请提出一种模型复用方法，包括：

将数据集中的有标签数据输入至待训练模型，基于目标损失函数，得到目标损失；

将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，基于模型复用损失函数，得到复用损失；

根据目标损失和复用损失，更新待训练模型；

重复上述步骤，直到重复次数达到阈值次数，得到训练好的待训练模型。

优选地，所述数据组合包括单个数据、多个最终特有特征、多个最终共有特征，其中，所述多个最终特有特征和多个最终共有特征的数量与复用模型的数量相同，所述多个最终特有特征中的每个最终特有特征、所述多个最终共有特征中的每个最终共有特征是通过下述方法得到：

将从数据集中提取的单位数据输入复用模型得到复用特征，

将复用特征经过映射更新计算更新共有特征映射和特有特征映射；

比较是否网络收敛，如果不收敛，重复上述步骤，如果收敛，得到与所述单位数据对应的一个最终共有特征和一个最终特有特征。

优选地，所述将复用特征经过映射更新计算更新共有特征映射和特有特征映射，包括：

将复用特征输入共有特征映射和特有特征映射，得到共有特征和特有特征；

基于对抗学习方法，根据所述共有特征来更新所述共有特征映射；

基于自动编码器的方法，根据所述共有特征和所述特有特征来更新所述特有特征映射。

优选地，所述比较是否网络收敛包括：

当所述特有特征和所述共有特征重构出所述复用特征，所述特有特征映射为最终特有特征映射，当前的特有特征为最终特有特征；

当根据所述复用特征得到的共有特征无法被判别器区分为哪个复用模型生成时，所述共有特征映射为最终共有特征映射，且该共有特征为最终共有特征。

优选地，在所述如果收敛，得到与所述单位数据对应的一个最终共有特征和一个最终特有特征之后，还包括：

将数据集中所有的单个数据输入至复用模型，提取所有单个数据的复用特征；