[发明专利]基于人工智能的样本评估方法、装置、设备及存储介质

权利要求书

1.一种基于人工智能的样本评估方法，其特征在于，包括：

获取训练数据集，所述训练数据集包括N个测试训练样本，其中，N为正整数；

采用待评估训练模型对N个所述测试训练样本进行训练，获取所述待评估训练模型对应的样本损失函数；

对N个所述测试训练样本进行检测，选取K个目标训练样本，其中，K为正整数；

将所述训练数据集中除K个所述目标训练样本外的N-K个测试训练样本输入所述待评估训练模型进行训练，获取与所述样本损失函数相对应的第一影响函数；

对K个所述目标训练样本进行样本特征变更，获取K个更新特征样本，将K个所述更新特征样本和所述训练数据集中除K个所述目标训练样本外的N-K个测试训练样本输入所述待评估训练模型进行训练，获取与所述样本损失函数相对应的第二影响函数；

基于所述第一影响函数和所述第二影响函数，获取K个所述目标训练样本对所述待评估训练模型的样本影响结果。

2.如权利要求1所述的基于人工智能的样本评估方法，其特征在于，所述采用待评估训练模型对N个所述测试训练样本进行训练，获取所述待评估训练模型对应的样本损失函数，包括：

采用待评估训练模型对N个所述测试训练样本进行训练，获取N个所述测试训练样本对应的输出预测值；

基于所述测试训练样本和所述输出预测值，获取所述样本损失函数。

3.如权利要求1所述的基于人工智能的样本评估方法，其特征在于，所述对N个所述测试训练样本进行检测，选取K个目标训练样本，包括：

获取N个所述测试训练样本对应的当前样本参数，判断所述当前样本参数是否满足筛选参数阈值；

若所述当前样本参数满足所述筛选参数阈值，则将所述测试训练样本确定为所述目标训练样本。

4.如权利要求1所述的基于人工智能的样本评估方法，其特征在于，所述将所述训练数据集中除K个所述目标训练样本外的N-K个测试训练样本输入所述待评估训练模型进行训练，获取与所述样本损失函数相对应的第一影响函数，包括：

将所述训练数据集中除K个所述目标训练样本外的N-K个测试训练样本输入所述待评估训练模型进行训练，获取所述待评估训练模型的第一变更权重；

根据所述待评估训练模型对应的初始模型参数和所述第一变更权重，获取所述待评估训练模型的第一模型参数；

基于所述待评估训练模型对应的第一模型参数和所述样本损失函数，获取与所述样本损失函数相对应的第一影响函数。

5.如权利要求4所述的基于人工智能的样本评估方法，其特征在于，所述基于所述待评估训练模型对应的第一模型参数和所述样本损失函数，获取与所述样本损失函数相对应的第一影响函数，包括：

基于黑塞向量乘积和预设迭代次数，对所述待评估训练模型对应的第一模型参数和所述样本损失函数进行处理，获取与所述样本损失函数相对应的第一影响函数。

6.如权利要求3所述的基于人工智能的样本评估方法，其特征在于，所述将K个所述更新特征样本和所述训练数据集中除K个所述目标训练样本外的N-K个测试训练样本输入所述待评估训练模型进行训练，获取与所述样本损失函数相对应的第二影响函数，包括：

将K个所述更新特征样本和所述训练数据集中除K个所述目标训练样本外的N-K个测试训练样本输入所述待评估训练模型进行训练，获取所述待评估训练模型对应的第二变更权重；

根据所述待评估训练模型对应的初始模型参数和所述第二变更权重，获取所述待评估训练模型对应的第二模型参数；

基于所述待评估训练模型对应的第二模型参数和所述样本损失函数，获取与所述样本损失函数相对应的第二影响函数。

7.如权利要求6所述的基于人工智能的样本评估方法，其特征在于，所述基于所述待评估训练模型对应的第二模型参数和所述样本损失函数，获取与所述样本损失函数相对应的第二影响函数，包括：

基于黑塞向量乘积和预设迭代次数，对所述待评估训练模型对应的第二模型参数和所述样本损失函数，获取与所述样本损失函数相对应的第二影响函数。