[发明专利]特征选择模型的训练、对象分类方法、装置、设备及介质

说明书

本发明实施例公开一种特征选择模型的训练、对象分类方法、装置、设备及介质。该特征选择模型的训练方法包括：将多个训练样本、以及与每个训练样本分别对应的类别标注结果输入至特征选择模型中，每个训练样本包括多个样本特征，特征选择模型用于从各样本特征中选择出目标特征；根据特征选择模型中的目标函数确定模块输出的目标函数值，对目标函数确定模块中的网络参数进行调整，目标函数确定模块包括基于自适应损失函数构建出的损失函数度量单元，自适应损失函数包括与第一范数相关的第一式子、以及与第二范数相关的第二式子。本发明实施例的技术方案，通过可适应于各种数据分布下的数据度量的自适应损失函数，达到了高准确度的特征选择的效果。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种特征选择模型的训练、对象分类方法、装置、设备及介质。

背景技术

特征选择是许多特征选择应用的重要组成部分，特别是在许多生物信息学和计算机视觉应用中，其需要有效且强大的特征选择技术来提取有意义的特征、并去除噪声和冗余特征以避免降低后续相关算法的应用性能。

特征选择是选择相关特征子集的过程，由于其可以加速模型的学习过程、提高模型的泛化能力、以及缓解维度灾难对模型的影响，因此是用于构建分类、回归、聚类等众多应用的鲁棒特征选择模型的关键组件。

目前已经有许多特征选择技术被研究人员提出并被使用到实际应用中，如过滤式特征选择技术、包裹式特征选择技术、嵌入式特征选择技术等等。其中，嵌入式特征选择技术将特征选择过程嵌入到特征选择模型的训练过程中，随着特征选择模型的训练完成，特征选择也同时结束。

在实现本发明的过程中，发明人发现现有技术中存在以下技术问题：嵌入式特征选择技术往往采用平方损失函数度量预测值和真实值之间的差异，其会放大数据中存在异常点的损失值，即，其对数据中的异常值较为敏感，这会对特征选择的准确度造成较大影响。

发明内容

本发明实施例提供一种特征选择模型的训练、对象分类方法、装置、设备及介质，以实现各种数据分布下的高准确度的特征选择的效果。

第一方面，本发明实施例提供了一种特征选择模型的训练方法，可以包括：

将多个训练样本、以及与每个训练样本分别对应的类别标注结果输入至特征选择模型中，其中，训练样本包括与生物特征处理、图像特征处理、语音特征处理和/或文本特征处理相关的样本，每个训练样本包括多个样本特征，特征选择模型用于从各样本特征中选择出目标特征；

根据特征选择模型中的目标函数确定模块输出的目标函数值，对目标函数确定模块中的网络参数进行调整，其中，目标函数确定模块包括基于自适应损失函数构建出的损失函数度量单元，自适应损失函数包括与第一范数相关的第一式子、以及与第二范数相关的第二式子。

第二方面，本发明实施例还提供了一种对象分类方法，可以包括：

获取待分类对象的特征，基于按照本发明任意实施例所述的训练方法训练得到的特征选择模型，从各特征中选择出目标特征；

根据目标特征对待分类对象进行分类。

第三方面，本发明实施例还提供了一种特征选择模型的训练装置，可包括：

数据输入模块，用于将多个训练样本、以及与每个训练样本分别对应的类别标注结果输入至特征选择模型中，其中，训练样本包括与生物特征处理、图像特征处理、语音特征处理和/或文本特征处理相关的样本，每个训练样本包括多个样本特征，特征选择模型用于从各样本特征中选择出目标特征；

模型训练模块，用于根据特征选择模型中的目标函数确定模块输出的目标函数值，对目标函数确定模块中的网络参数进行调整，其中目标函数确定模块包括基于自适应损失函数构建出的损失函数度量单元，自适应损失函数包括与第一范数相关的第一式子、及与第二范数相关的第二式子。