[發明專利]對抗數據獲取方法、裝置、設備及存儲介質

有效

• 申請號: 201910081343.8
• 申請日: 2019-01-28
• 公開（公告）號: CN111488898B
• 公開（公告）日: 2023-09-19
• 發明（設計）人: 申世偉
• 申請（專利權）人: 北京達佳互聯信息技術有限公司
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/214;G06F18/21
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 祝亞男

本公開是關于一種對抗數據獲取方法、裝置、設備及存儲介質，屬于計算機技術領域。方法包括：獲取第一目標數據和第二目標數據，第一目標數據的類別與第二目標數據的類別不同；基于特征提取模型，獲取第一目標數據的第一特征和第二目標數據的第二特征；根據第一特征和第二特征，獲取干擾數據，干擾數據用于描述第二特征與第一特征之間的差異；根據第一目標數據與干擾數據，獲取第一目標數據對應的第一對抗數據，第一對抗數據與第二目標數據被劃分為相同類別。由于對抗數據的獲取過程與分類模型無關，因此采用本公開實施例提供的方法獲取的對抗數據可以應用于多個分類模型的訓練過程，提高多個分類模型的準確率，提高了適用性。

技術領域

本公開涉及計算機技術領域，尤其涉及一種對抗數據獲取方法、裝置、設備及存儲介質。

背景技術

基于機器學習算法的分類模型憑借其良好的學習性能和分類準確率，得到了廣泛應用。然而由于多種因素的影響導致數據受到干擾，形成對抗數據，影響分類準確率。因此，需要獲取對抗數據，基于對抗數據對分類模型進行訓練，以得到準確率更高的分類模型。

相關技術中，通常在獲取到原始數據后，采用預設算法對原始數據進行修改，得到第一數據。基于已訓練的分類模型分別對原始數據和第一數據進行分類處理，得到原始數據的類別和第一數據的類別。若第一數據的類別與原始數據的類別不同，則將該第一數據確定為該原始數據對應的對抗數據。若該第一數據的類別與原始數據的類別相同，則繼續采用預設算法對第一數據進行修改，直到本次修改后的數據的類別與原始數據的類別不同為止。

上述方案中獲取的對抗數據基于特定的分類模型確定，因此僅適用于該特定的分類模型，不適用于其他分類模型，針對性較強，遷移性較差。

發明內容

本公開提供了一種對抗數據獲取方法、裝置、設備及計算機可讀存儲介質，能夠克服相關技術中獲取到的對抗數據僅適用于特定的分類模型而不適用于其他分類模型的問題。

根據本公開實施例的第一方面，提供一種對抗數據獲取方法，所述方法包括：

獲取第一目標數據和第二目標數據，所述第一目標數據的類別與所述第二目標數據的類別不同；

基于特征提取模型，獲取所述第一目標數據的第一特征和所述第二目標數據的第二特征，所述第一特征用于描述所述第一目標數據，所述第二特征用于描述所述第二目標數據；

根據所述第一特征和所述第二特征，獲取干擾數據，所述干擾數據用于描述所述第二特征與所述第一特征之間的差異；

根據所述第一目標數據與所述干擾數據，獲取所述第一目標數據對應的第一對抗數據，所述第一對抗數據與所述第二目標數據被劃分為相同類別。

在一種可能實現的方式中，所述根據所述第一特征和所述第二特征，獲取干擾數據，包括：

根據所述第一特征和所述第二特征，獲取所述第二特征與所述第一特征之間的距離；

根據所述距離和所述第一目標數據，采用以下函數獲取所述干擾數據：

其中，J(θ，x，x^target為所述干擾數據，θ為所述函數的參數，x為所述第一目標數據，x^target為所述第二目標數據，distance(F_target-F_origin)為所述第二特征與所述第一特征之間的距離，為對所述第一目標數據求偏導后得到的梯度。

在另一種可能實現的方式中，所述根據所述第一目標數據與所述干擾數據，獲取所述第一目標數據對應的第一對抗數據，包括：

根據所述第一目標數據和所述干擾數據，采用以下函數進行計算，獲取所述第一對抗數據：