[发明专利]一种基于元学习的集成式深度模型分类方法

权利要求书

1.一种基于元学习的集成式深度模型分类方法，包含如下步骤：

1)收集与任务相关的标注数据，划分数据集为训练集和测试集；

2)通过任务与数据类型选择多组较优的数据增强方式，对初始数据进行增强。

3)选择N个相同的的深度学习网络模型作为初始模型，选择1种算法作为模型集成所需的算法。

4)训练过程中将训练集部分采样得到查询集，剩下部分作为支撑集。

5)使用当前支撑集训练一轮的该N组模型，并进行梯度更新。

6)使用当前查询集验证该N组模型，通过计算损失对算法进行梯度更新，使用最终的算法对多模型集成，将集成模型参数替换掉该N个网络模型的参数。

7)重复4-6步骤多次，使用最后一轮得到的算法对最后一轮得到的N组模型进行集成，得到最终的模型。

2.根据权利要求1所述的一种基于元学习的集成式深度模型分类方法，其特征在于：步骤1)所述的数据均有标注，且数据量充足能够用以训练；步骤1)所述的训练集数据与测试集数据同源。

3.根据权利要求1所述的一种基于元学习的集成式深度模型分类方法，其特征在于：步骤2)所述的较优的数据增强方式与数据集较为相关；所述的多种数据增强方式需各不相同，无冲突与交叠。

4.根据权利要求1所述的一种基于元学习的集成式深度模型分类方法，其特征在于：步骤3)所述的N个网络需相同；选择的算法可将N个不同参数的同架构网络进行集成，可通过如下算法得到

5.根据权利要求1所述的一种基于元学习的集成式深度模型分类方法，其特征在于：步骤4)所述的划分训练集方式为：将全部数据集划分为多个批次，选择少量的批次作为查询集，用于算法训练，选择剩下的批次作为支撑集，用于模型训练，训练过程通过如下公式得到：

6.根据权利要求1所述的一种基于元学习的集成式深度模型分类方法，其特征在于：步骤5)所述的支撑集训练模型过程进行多轮，并且均优先于步骤6)查询集训练算法的过程。

7.根据权利要求1所述的一种基于元学习的集成式深度模型分类方法，其特征在于：步骤6)中使用集成算法得到的集成模型参数需替换掉模型组中的每一个模型的参数，训练算法过程通过如下公式得到：

8.根据权利要求1所述的一种基于元学习的集成式深度模型分类方法，其特征在于：步骤7)中训练完模型后，使用最终的集成算法对N个模型进行参数集成。