[发明专利]一种应用迁移学习可行性度量方法及装置

说明书

技术领域

本申请涉及数据处理技术领域，特别涉及一种应用迁移学习可行性度量方法及装置。

背景技术

随着数据和计算能力的快速发展，机器学习有了非常广泛的应用，而传统机器学习在大放异彩的同时，也暴露出其需要严格的前提假设的问题，例如训练数据与测试数据必须服从独立同分布对其应用的极大限制。因此，在这种应用场景下，人们开始将目标投向迁移学习。而在迁移学习之前，首先需要对需要迁移学习的两个数据集之间的差异进行评估，对于两个数据集是否适合适用迁移学习进行评估，避免在多次尝试迁移学习之后由于数据集本身不适合迁移学习而功亏一篑，造成资源浪费。

目前，在衡量两个数据领域即数据集之间的差异时，主要通过以下方案实现：选择一个辅助域数据集并选择分类特征，对两个域的样本数据的特征分布进行统计，再计算两个域分布的差异。

但这种方案中需要首先统计出两个域的分布，然后计算分布差异，而计算出来的分布差异数值对于两个域之间的差异的表征并不直观，也就无法定量的评估是否适用迁移学习。

发明内容

有鉴于此，本申请的目的在于提供一种应用迁移学习可行性的度量方法及装置，用以解决现有技术中所计算出的分布差异数值并不直观，无法定量评估是否适合迁移学习的技术问题。

本申请提供了一种应用迁移学习可行性度量方法，包括：

获得目标域对应的辅助域，所述目标域与所述辅助域中分别包括至少一个样本数据；

基于所述目标域与所述辅助域中的样本数据，确定领域分类模型及分类特征；

利用所述领域分类模型对所述分类特征进行分类，得到分类精度结果；

基于预设的精度阈值范围与迁移学习可行性的对应关系，确定与所述分类精度结果相对应的迁移学习可行性结果。

上述方法，优选的，所述基于所述目标域与所述辅助域中的样本数据，确定领域分类模型及分类特征，包括：

对所述目标域和所述辅助域中的样本数据利用预设的深度学习框架模型进行训练，得到特征提取模型；

将所述目标域和所述辅助域中具有所属领域的领域标签的样本数据输入所述特征提取模型，得到分类特征；

基于所述分类特征，获得领域分类模型。

上述方法，优选的，基于所述分类特征，获得领域分类模型，包括：对所述分类特征进行特征训练，得到领域分类模型。

上述方法，优选的，利用所述领域分类模型对所述分类特征进行分类，得到分类精度结果，包括：

将所述分类特征输入所述领域分类模型，得到分类精度结果。

上述方法，优选的，基于预设的精度阈值范围与迁移学习可行性的对应关系，确定与所述分类精度结果相对应的迁移学习可行性结果，包括：

将所述分类精度结果在所述精度阈值范围中进行匹配，确定所述分类精度结果对应的目标阈值范围；

如果所述目标阈值范围为第一阈值范围，确定所述目标域与所述辅助域在所述分类特征下不适合进行迁移学习；

如果所述目标阈值范围为第二阈值范围，确定所述目标域与所述辅助域在所述分类特征下适合进行迁移学习。

本申请还提供了一种应用迁移学习可行性度量装置，包括：

辅助域获得单元，用于获得目标域对应的辅助域，所述目标域与所述辅助域中分别包括至少一个样本数据；

分类模型确定单元，用于基于所述目标域与所述辅助域中的样本数据，确定领域分类模型及分类特征；

样本分类单元，用于利用所述领域分类模型对所述分类特征进行分类，得到分类精度结果；

结果确定单元，用于基于预设的精度阈值范围与迁移学习可行性的对应关系，确定与所述分类精度结果相对应的迁移学习可行性结果。

上述装置，优选的，所述分类模型确定单元包括：

深度学习子单元，用于对所述目标域和所述辅助域中的样本数据利用预设的深度学习框架模型进行训练，得到特征提取模型；

特征获得子单元，用于将所述目标域和所述辅助域中具有所属领域的领域标签的样本数据输入所述特征提取模型，得到分类特征；

模型获得子单元，用于基于所述分类特征，获得领域分类模型。

上述装置，优选的，所述模型获得子单元包括：

特征训练模块，用于对所述分类特征进行特征训练，得到领域分类模型。

上述装置，优选的，所述样本分类单元具体用于：将所述分类特征输入所述领域分类模型，得到分类精度结果。

上述装置，优选的，所述结果确定单元包括：