[发明专利]一种基于噪音数据的机器学习模型鲁棒性评估方法

权利要求书

1.一种基于噪音数据的机器学习模型鲁棒性评估方法，其特征在于，所述方法包含以下步骤：

步骤1：对原始数据集D进行划分得到原始训练集D_t和原始测试集D_1-t；

步骤2：将所述原始训练集代入N个不同的监督学习算法，训练出N个不同的原始模型；基于所述原始测试集，对所述N个不同的原始模型进行准确性评估，得到原始准确率；

步骤3：在所述原始训练集中引入噪音数据得到混有噪音数据的训练集，将所述混有噪音数据的训练集代入N个不同的监督学习算法，训练出N个不同的新模型；基于所述原始测试集，对所述N个不同的新模型进行准确性评估，得到新准确率；

步骤4：计算所述新模型较原始模型的准确率下降比，基于所述准确率下降比评估所述模型的鲁棒性。

2.根据权利要求1所述的基于噪音数据的机器学习模型鲁棒性评估方法，其特征在于：在步骤3中，基于分层抽样法构造混有噪音数据的训练集，具体为：在原始训练集D_t的基础上，按α比例从不同的类别层中随机抽取样本数据，获得t′＝|D_t|·α个数据，并将其标签替换为错误标签。

3.根据权利要求1所述的基于噪音数据的机器学习模型鲁棒性评估方法，其特征在于：在步骤4中，所述准确率下降比计算公式为：

其中，a′_i为新模型m′_i的准确率，a_i为原始模型m_i的准确率。