[发明专利]一种噪声鲁棒性的半监督学习数据增强方法

权利要求书

1.一种噪声鲁棒性的半监督学习数据增强方法，其特征在于：包括引入in-trust loss的半监督数据增强技术建模，该方法包括以下步骤：

S1、使用现有的标注数据对模型M进行训练；

S2、使用模型M在未标注的数据B进行预测得到伪标注数据C，在通常情况下，数据B的数据量远大于数据A；

S3、使用标注数据A和伪标注数据C训练一个新的模型N，训练过程中为了消除伪标签的错误数据，使用In-trust loss进行训练。

2.根据权利要求1所述的一种噪声鲁棒性的半监督学习数据增强方法，其特征在于：所述半监督学是监督学习与无监督学习相结合的一种学习方法。

3.根据权利要求1所述的一种噪声鲁棒性的半监督学习数据增强方法，其特征在于：所述半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。当使用半监督学习时，将会要求尽量少的人员来从事工作，同时，又能够带来比较高的准确性。

4.根据权利要求1所述的一种噪声鲁棒性的半监督学习数据增强方法，其特征在于：所述伪标注数据是指数据标签是模型预测生成的，而不是人工标注的数据集。

5.根据权利要求1所述的一种噪声鲁棒性的半监督学习数据增强方法，其特征在于：In-trust loss的公式如下：

L_{Cross-entropy}＝-log(p)

L_DCE＝-plog(δp+(1-δ)q)

L_In-trust＝αL_{Cross-entropy}-βL_DCE

其中，为多分类的交叉熵损失函数，为预测的概率为真实的概率，δ、α、β都为超参数，在本方法中δ＝0.4，α＝0.5，β＝0.5。