[发明专利]基于梯度重优化的半监督小样本分类方法

权利要求书

1.一种基于梯度重优化的半监督小样本分类方法，其特征在于，包括以下步骤：

步骤(A)，对有标签数据的特征进行建模，得到一个初步模型，然后结合该模型以及伪标签生成算法得到无标签数据的伪标签，从而得到支持集的全部标签；

步骤(B)，将新的支持集输入梯度重优化模块中，对支持集数据的特征进行建模，得到最终模型，再测试得到查询集的结果。

2.根据权利要求1所述的基于梯度重优化的半监督小样本分类方法，其特征在于，所述步骤(A)具体实现如下：

(A1)将有标签数据输入网络结构中，计算样本的梯度信息，再利用样本的梯度信息更新网络参数，得到一个初步模型；

(A2)利用初步模型以及伪标签生成算法得到无标签数据的伪标签。

3.根据权利要求2所述的基于梯度重优化的半监督小样本分类方法，其特征在于，步骤(A1)中的样本梯度信息计算公式具体为：

其中，x^(j),y^(j)分别表示模块的输入数据以及其对应的标签，f_φ(x^(j))表示输入样本的预测值，表示第i个任务，表示对φ求梯度。

4.根据权利要求3所述的基于梯度重优化的半监督小样本分类方法，其特征在于，步骤(A1)中的更新网络参数具体公式为：

其中，表示粗分类器的网络参数，表示有标签数据的损失函数，φ表示网络的初始参数，η表示超参数。

5.根据权利要求4所述的基于梯度重优化的半监督小样本分类方法，其特征在于，所述步骤(A2)中的伪标签生成算法，其步骤如下：

首先对无标签数据进行两次数据增强，然后利用得到的初步模型对增强后的数据进行预测，从而得到最终数据增强后的伪标签。

6.根据权利要求1所述的基于梯度重优化的半监督小样本分类方法，其特征在于：所述步骤(B)具体实现如下：

(B1)将支持集输入到梯度重优化模块中，计算样本的梯度信息，利用梯度信息再次更新网络参数，得到最终模型；

(B2)利用最终模型计算查询集的分类结果；

(B3)如果当前处于元训练阶段，则需要更新初始化参数，直到当前处于元测试阶段，分类结果即所求结果。

7.根据权利要求6所述的基于梯度重优化的半监督小样本分类方法，其特征在于，所述步骤(B1)中再次更新网络参数的公式具体为：

其中，θ^*i表示精分类器的网络参数，表示支持集的损失函数，表示粗略分类器的网络参数，ε表示超参数。

8.根据权利要求7所述的基于梯度重优化的半监督小样本分类方法，其特征在于，所述步骤(B3)中更新初始化参数的公式具体为：

其中，φ表示网络的初始化参数；(η,ε)表示超参数；分别表示第n个任务时，有标签数据以及支持集对应的训练损失函数；θ^*n分别表示第n个任务时，粗略分类器以及精细分类器对应的网络参数。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的基于梯度重优化的半监督小样本分类方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的基于梯度重优化的半监督小样本分类方法。