买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南理工大学申请的专利一种基于样本不确定性的高效深度学习训练样本应用方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117171564B 。

龙图腾网通过国家知识产权局官网在2025-09-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311078995.9，技术领域涉及：G06F18/214；该发明授权一种基于样本不确定性的高效深度学习训练样本应用方法是由贺前华;许杰智;李学高;陈永强设计研发完成，并于2023-08-25向国家知识产权局提交的专利申请。

本一种基于样本不确定性的高效深度学习训练样本应用方法在说明书摘要公布了：本发明公开了一种基于样本不确定性的高效深度学习训练样本应用方法：样本不确定性的具体定义，然后提供了基于样本不确定性的高效深度学习训练样本应用方法的使用方式及开启条件，接着提供了使用基于样本不确定性的高效深度学习训练样本应用方法的注意事项。与常规的使用整个训练集进行训练的方法相比，本发明方法减少了参与训练的样本量，提高了模型整体训练效率；并且通过样本高效应用方法，抑制标签错误的样本参与训练，具有更好的抗标签噪声特性。

本发明授权一种基于样本不确定性的高效深度学习训练样本应用方法在权利要求书中公布了：1.一种基于样本不确定性的高效深度学习训练样本应用方法，其特征在于，包括如下步骤： S1、样本不确定性的定义及特性：样本不确定性表示深度学习模型对于训练样本分类结果的不确定性，分类结果明确为某一类时，此样本的不确定性低，包含的信息量少；而当输出结果不够明确，处于决策边界面时，此样本的不确定性高，包含的信息量多；所述样本为图片； S2、基于样本不确定性的高效深度学习训练样本应用过程：在模型训练过程中根据前向传播得到对样本xn的分类预测概率结果k＝1,2,3…,K，K表示标签类总数，t表示当前训练轮次，该结果分为样本属于标签类的预测概率和样本属于其他类的预测概率取样本属于其他类的预测概率中最大的一个概率值表示标签类的最大竞争类，接着根据计算样本属于标签类的不确定性，根据和计算标签类与最大竞争类之间的不确定性，结合二者计算样本xn参与下一轮次训练的概率pt+1xn； S3、深度学习训练样本应用方法开启条件：由于在训练初期模型的无效学习少，训练中后期模型的无效学习逐渐增加，因此仅当模型初步具有分类能力，有效学习逐渐减少时开启样本选择，以减少训练中后期的无效学习； S4、深度学习训练样本应用方法注意事项：依据基于样本不确定性的高效深度学习训练样本应用方法，为了防止构建的训练子集过小导致模型训练的有效学习减少，需要设置训练子集的最小规模； 步骤S1中，样本不确定性具体表现为模型对于样本属于每个类的分类结果为[0，1]范围内的评分，若分类结果不是0或1，那么模型对于样本的分类结果就存在不确定性，其不确定性可以划分为两部分：第一部分是样本属于标签类的不确定性，第二部分是标签类与其他类之间的不确定性； 步骤S2中，样本不确定性的应用方法中样本xn参与下一轮次训练的概率pt+1xn获取方法如下： S2.1、样本xn参与下一轮次训练的概率pt+1xn为： 当时： 当时： 式中，α为超参数，用于控制样本整体使用概率，α减小时，样本整体使用概率下降，α增大时，样本整体使用概率上升，但需保证样本使用概率在[0,1]之间，因此需要与1比较取二者中较小者；β为超参数，用于控制对样本标签类与最大竞争类之间不确定性的敏感程度； 通过上述公式，当模型初步具有分类能力后，若样本的标签错误，此时大概率有且应有是较大的值，则计算得到的pt+1xn是较小的值，进而抑制标签错误的样本参与训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南理工大学，其通讯地址为：511458 广东省广州市南沙区环市大道南路25号华工大广州产研院；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。