[发明专利]一种提升神经网络模型对抗性能的训练方法、系统及模型

权利要求书

1.一种提升神经网络模型对抗性能的训练方法，包括步骤：

获取训练样本及其样本标签；

将所述训练样本输入至神经网络模型的表征层，提取出所述训练样本在表征空间中的原始特征；

对所述原始特征进行若干次采样，得到所述原始特征对应的若干个采样后特征；

将每个采样后特征输入至所述神经网络模型的输出层，得到所述输出层输出的处理结果；

根据所述样本标签和所述处理结果确定损失，并以最小化所述损失为训练目标，训练所述神经网络模型。

2.根据权利要求1所述的提升神经网络模型对抗性能的训练方法，所述采样包括重采样。

3.根据权利要求1所述的提升神经网络模型对抗性能的训练方法，得到所述原始特征对应的若干个采样后特征包括：

将所述原始特征输入至所述神经网络模型的变分网络层，得到所述变分网络层输出的采样参数；

根据所述采样参数，确定所述原始特征的指定邻域范围，并确定对所述指定邻域范围内的每个最小单元进行采样的采样概率；

在所述指定领域范围内，基于所述采样概率对所述原始特征进行若干次重采样。

4.根据权利要求3所述的提升神经网络模型对抗性能的训练方法，所述采样参数包括多维高斯分布参数。

5.根据权利要求1所述的提升神经网络模型对抗性能的训练方法，根据所述损失包括所述样本标签和所述处理结果的差异。

6.一种提升神经网络模型对抗性能的训练系统，包括：

获取模块，设置为获取训练样本及其样本标签；

提取模块，设置为将所述训练样本输入至神经网络模型的表征层，提取出所述训练样本在表征空间中的原始特征；

生成模块，设置为对所述原始特征进行若干次采样，得到所述原始特征对应的若干个采样后特征；

计算模块，设置为将每个采样后特征输入至所述神经网络模型的输出层，得到所述输出层输出的处理结果；

训练模块，设置为根据所述样本标签和所述处理结果确定损失，并以最小化所述损失为训练目标，训练所述神经网络模型。

7.根据权利要求6所述的提升神经网络模型对抗性能的训练系统，所述所述采样包括重采样。

8.根据权利要求6所述的提升神经网络模型对抗性能的训练系统，所述生成模块包括：

数据处理单元，设置为将所述原始特征输入至所述神经网络模型的变分网络层，得到所述变分网络层输出的采样参数；

数据分析单元，设置为根据所述采样参数，确定所述原始特征的指定邻域范围，并确定对所述指定邻域范围内的每个最小单元进行采样的采样概率；

采样单元，设置为在所述指定领域范围内，基于所述采样概率对所述原始特征进行若干次重采样。

9.根据权利要求8所述的提升神经网络模型对抗性能的训练系统，所述采样参数包括多维高斯分布参数。

10.根据权利要求6所述的提升神经网络模型对抗性能的训练系统，所述损失包括所述样本标签和所述处理结果的差异。

11.一种提升神经网络模型对抗性能的训练模型，包括依次连接的表征层、变分网络层和输出层，其中，

所述表征层设置为接收训练样本及其样本标签，并提取出所述训练样本在表征空间中的原始特征；

所述变分网络层设置为接收所述原始特征，并对所述原始特征进行若干次采样，得到所述原始特征对应的若干个采样后特征；

所述输出层设置为接收所述采样后特征，并对每个采样后特征进行处理，得到处理结果；

所述输出层的输出端与所述表征层的输入端连接，以根据所述训练样本的样本标签和所述处理结果确定损失，并以最小化所述损失为训练目标，训练所述神经网络模型。

12.根据权利要求11所述的提升神经网络模型对抗性能的训练模型，所述采样包括重采样。