[发明专利]一种大数据跨领域分析的深度迁移学习方法

权利要求书

1.一种大数据跨领域分析的深度迁移学习方法，其特征在于，包括：

确定第一联合概率分布与第二联合概率分布之间的联合分布差异，所述第一联合概率分布为源域的样本在深度网络的所有任务相关层中的特征以及标签之间的联合概率分布，所述第二联合概率分布为目标域的样本在所述深度网络的所有任务相关层中的特征以及标签之间的联合概率分布，所述任务相关层为所述深度网络的上层；

确定对所述源域的样本的分类错误率；

根据所述联合分布差异和所述分类错误率，确定所述深度网络的损失函数的值；

基于所述损失函数的值，更新所述深度网络的参数，以使所述深度网络适配所述目标域。

2.根据权利要求1所述的方法，其特征在于，所述确定第一联合概率分布与第二联合概率分布之间的联合分布差异，包括：

确定所述第一联合概率分布，确定所述第二联合概率分布；

通过计算所述第一联合概率分布和所述第二联合概率分布在可再生核希尔伯特空间中的核嵌入之间的欧式距离的平方，获取所述联合分布差异；

其中，联合概率分布在可再生核希尔伯特空间中的核嵌入的表达式如下：

Cφ,ψ(P)=ΔEP[φ(X)⊗ψ(Y)]=∫ΩX×ΩYφ(x)⊗ψ(y)dP(x,y);]]>

其中，x表示样本在任务相关层中的特征，φ(x)表示样本在任务相关层中的特征在可再生核希尔伯特空间的映射函数，Ω_X表示样本在任务相关层中的特征的定义域，y表示标签，ψ(y)表示标签在可再生核希尔伯特空间的映射函数，Ω_Y表示标签的定义域，P(x，y)表示样本在任务相关层中的特征以及标签之间的联合概率分布。

3.根据权利要求2所述的方法，其特征在于，所述确定第一联合概率分布，包括：

将所述源域的样本输入到所述深度网络作正向传播，获取所述源域的样本在所述深度网络的每一任务相关层中的特征；

将所述源域的样本在所述深度网络的所有任务相关层中的特征和所述源域的标签作为第一数据集，将所述第一数据集满足的概率分布作为所述第一联合概率分布。

4.根据权利要求2所述的方法，其特征在于，所述确定第二联合概率分布，包括：

将所述目标域的样本输入到所述深度网络作正向传播，获取所述目标域的样本在所述深度网络的每一任务相关层中的特征，输出对所述目标域中缺少标签的样本的预测标签；

将所述目标域的样本在所述深度网络的所有任务相关层中的特征、所述目标域的标签和所述预测标签作为第二数据集，将所述第二数据集满足的概率分布作为所述第二联合概率分布。