[發(fā)明專利]基于人工智能的增強(qiáng)混合學(xué)習(xí)系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202211435718.4
• 申請(qǐng)日: 2022-11-16
• 公開（公告）號(hào): CN115761334A
• 公開（公告）日: 2023-03-07
• 發(fā)明（設(shè)計(jì)）人: 孫耕;黃正洪;何盈盈;俞興木;陳紅陽
• 申請(qǐng)（專利權(quán)）人: 重慶人文科技學(xué)院
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06V10/77;G06V10/80;G06N3/0464;G06N3/08
• 代理公司: 湖北唯邁知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 42314
• 代理人: 王繼云

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，且公開了基于人工智能的增強(qiáng)混合學(xué)習(xí)系統(tǒng)，其特征在于，包括以下步驟：S1、通過傳輸模塊在互聯(lián)網(wǎng)上下載和線下自主輸入獲取大量的學(xué)習(xí)數(shù)據(jù)；S2、將獲取的數(shù)據(jù)傳輸?shù)綌?shù)據(jù)庫內(nèi)；S3、處理模塊啟動(dòng)分類模塊對(duì)數(shù)據(jù)庫內(nèi)的數(shù)據(jù)進(jìn)行分類；S4、處理模塊啟動(dòng)分析模塊分別對(duì)數(shù)據(jù)庫內(nèi)的分類后的數(shù)據(jù)分別進(jìn)行分析學(xué)習(xí)，樣本數(shù)據(jù)集根據(jù)敏感屬性和類標(biāo)分為四個(gè)子集，利用數(shù)據(jù)生成法補(bǔ)全各個(gè)子集，使四個(gè)子集的數(shù)據(jù)條數(shù)相同，進(jìn)行數(shù)據(jù)增強(qiáng)；通過定義的偏見指標(biāo)函數(shù)進(jìn)行檢測(cè)，利用構(gòu)建的深度學(xué)習(xí)魯棒性模型進(jìn)行融合訓(xùn)練，本發(fā)明方法準(zhǔn)確率較高，精度高，去偏效果較好。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，具體為基于人工智能的增強(qiáng)混合學(xué)習(xí)系統(tǒng)。

背景技術(shù)

深度學(xué)習(xí)模型擁有強(qiáng)大的針對(duì)函數(shù)規(guī)律的分析抽象化特征的能力，近年來，深度學(xué)習(xí)模型也在越來越多的領(lǐng)域給予了人類的決策任務(wù)很大的幫助，也為很多原來人類也難以解決評(píng)估的決策問題提供了解決的方法。

從深度學(xué)習(xí)的公平性層面出發(fā)，近年來科研人員發(fā)現(xiàn)，深度學(xué)習(xí)模型有放大屬性偏見的風(fēng)險(xiǎn)，這主要是由于模型訓(xùn)練過程中，由于數(shù)據(jù)集被惡意修改，導(dǎo)致模型將預(yù)測(cè)任務(wù)與部分敏感屬性產(chǎn)生了過度的關(guān)聯(lián)，從而產(chǎn)生針對(duì)部分敏感屬性的偏見性問題。

發(fā)明內(nèi)容

(一)解決的技術(shù)問題

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于人工智能的增強(qiáng)混合學(xué)習(xí)系統(tǒng)，解決了上述背景技術(shù)所提出的問題。

(二)技術(shù)方案

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于人工智能的增強(qiáng)混合學(xué)習(xí)系統(tǒng)，其特征在于，包括以下步驟：

S1、通過傳輸模塊在互聯(lián)網(wǎng)上下載和線下自主輸入獲取大量的學(xué)習(xí)數(shù)據(jù)；

S2、將獲取的數(shù)據(jù)傳輸?shù)綌?shù)據(jù)庫內(nèi)；

S3、處理模塊啟動(dòng)分類模塊對(duì)數(shù)據(jù)庫內(nèi)的數(shù)據(jù)進(jìn)行分類；

S4、處理模塊啟動(dòng)分析模塊分別對(duì)數(shù)據(jù)庫內(nèi)的分類后的數(shù)據(jù)分別進(jìn)行分析學(xué)習(xí)。

優(yōu)選的，所述數(shù)據(jù)分類的步驟為：

S21、先通過線下自主輸入adult數(shù)據(jù)集，將獲取的adult數(shù)據(jù)集進(jìn)行預(yù)處理分別各個(gè)分類的特征項(xiàng)；

S22、通過獲取的所述特征項(xiàng)基于神經(jīng)網(wǎng)絡(luò)建立特征表達(dá)模型；

S23、利用輸入層向量和數(shù)據(jù)特征項(xiàng)矩陣進(jìn)行相乘，將相乘后所得矩陣映射到輸出層，得到特征項(xiàng)向量；

S33、基于所述特征項(xiàng)向量表達(dá)及所述神經(jīng)網(wǎng)絡(luò)建立數(shù)據(jù)分類模型；

S34、將后續(xù)通過互聯(lián)網(wǎng)和線下自主輸入獲取的大量學(xué)習(xí)數(shù)據(jù)導(dǎo)入特征表達(dá)模型，經(jīng)過計(jì)算獲得特征項(xiàng)向量，將特征項(xiàng)向量導(dǎo)入所述數(shù)據(jù)分類模型，通過所述數(shù)據(jù)分類模型中的分類模塊進(jìn)行結(jié)果預(yù)測(cè)，根據(jù)投票得分方式得到預(yù)測(cè)分類結(jié)果。

優(yōu)選的，S31、將所述數(shù)據(jù)分類模型中的分類模塊進(jìn)行初始化訓(xùn)練；

S32、獲取訓(xùn)練樣本，將訓(xùn)練樣本進(jìn)行分類生成訓(xùn)練集，采集所述訓(xùn)練集的特征，進(jìn)行隨機(jī)合并生成新訓(xùn)練樣本特征；

S33、通過所述訓(xùn)練集及所述新訓(xùn)練樣本特征隨機(jī)導(dǎo)入所述分類模塊進(jìn)行訓(xùn)練；

S34、生成訓(xùn)練后數(shù)據(jù)分類模型，將所述特征項(xiàng)向量導(dǎo)入訓(xùn)練后數(shù)據(jù)分類模型，對(duì)待分類數(shù)據(jù)進(jìn)行分類。

優(yōu)選的，S41、將數(shù)據(jù)庫內(nèi)的數(shù)據(jù)進(jìn)行初步處理和預(yù)處理得到數(shù)據(jù)I后，輸入到訓(xùn)練后的深度學(xué)習(xí)模型中得到數(shù)據(jù)III，對(duì)數(shù)據(jù)III進(jìn)行后處理得到數(shù)據(jù)IV后，將數(shù)據(jù)I與數(shù)據(jù)IV進(jìn)行融合重構(gòu)得到高清晰的數(shù)據(jù)V；