[发明专利]一种众包任务下的鲁棒分类器训练方法

权利要求书

1.一种众包任务下的鲁棒分类器训练方法，其特征在于，包括如下步骤：

步骤1，自动编码器训练；

自动编码器包括编码器、解码器、以及用于连接编码器和解码器的隐层神经元，隐层神经元的值构成向量空间即为隐空间Z，对编码器和解码器进行训练，取自动编码器中的解码器为生成器G；

步骤2，将输入x经过自编码器训练得到的编码器，投影到隐空间Z上，变为z；

步骤3，基分类器训练；

根据输入x投影后的隐空间表示z，利用PGD方法寻找标准对抗样本和流形上对抗样本，再利用两种对抗样本的联合损失进行对抗训练，得到基分类器f；

步骤4，通过随机平滑法训练鲁棒分类器；

鲁棒分类器g通过蒙特卡洛方法对输入加上随机的高斯噪声，不断查询基分类器f，根据采样结果中最常出现的类别作为鲁棒分类器g的输出。

2.根据权利要求1所述一种众包任务下的鲁棒分类器训练方法，其特征在于，步骤1中自动编码器训练具体包括如下步骤：

步骤1.1，将输入x通过所述编码器变为向量z，z的维数远小于x的维数，z所在的向量空间为隐空间Z；

步骤1.2，向量z再通过解码器变为向量x’，x’与x为形状相同的向量；

步骤1.3，将训练数据集中的所有输入样例x_i依次输入编码器和解码器，得到每个输入样例x_i对应的重构样本x_i′，取它们的重构误差之和∑_idist(x_i,x_i′)作为优化目标，对编码器和解码器进行训练，其中dist表示两个向量间距离的一种度量，解码器称为生成器G。

3.根据权利要求1所述一种众包任务下的鲁棒分类器训练方法，其特征在于，步骤3中基分类器训练，具体步骤如下：

步骤3.1，产生标准对抗样本G(z)+δ

内循环由δ＝0开始，迭代计算所得δ为标准对抗噪声，其中∏为投影算子，保证噪声取值的合法性，L为损失函数，f为基分类器，α为步长，sign为符号函数，G(z)为通过隐空间表示z对输入x的重构，y为样本标记；

步骤3.2，产生流形上对抗样本G(z+λ)

内循环由λ＝0开始，迭代计算所得λ为流形上对抗噪声，其中∏为投影算子，保证噪声取值的合法性，L为损失函数，f为基分类器，α为步长，sign为符号函数，G(z+λ)为通过扰动后的隐空间表示对输入的重构，也成为流形上对抗样本，y为样本标记；

步骤3.3，获得标准对抗样本和流形上对抗样本后，对联合优化目标损失按照迭代公式利用批量梯度下降法(Batch Gradient Descent,BGD)算法进行随机梯度下降，学习基分类器参数θ其中∑是对批次内样本求和。

4.根据权利要求1所述一种众包任务下的鲁棒分类器训练方法，其特征在于，步骤4中通过随机平滑法训练鲁棒分类器，具体步骤如下：

步骤4.1，指定置信度大小a，高斯分布参数μ，σ；

步骤4.2，按照设定的高斯分布参数μ，σ随机产生多个高斯噪声η_i；

步骤4.3，对于输入x，和每个高斯噪声η_i查询基分类器f的输出f(x+η_i)；

步骤4.4，按照频率估计出现类别的概率，选择最大的输出作为基分类器f的输出，若置信度小于设定值a，则拒绝给出分类；若置信度大于设定值a，则输出所得类别。