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！

龙图腾网获悉中国科学院信息工程研究所申请的专利一种带噪多标签数据的神经网络模型训练方法和装置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：CN116681128B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202310509397.6，技术领域涉及：G06N3/0985；该发明授权一种带噪多标签数据的神经网络模型训练方法和装置是由葛仕明;李世鲲设计研发完成，并于2023-05-08向国家知识产权局提交的专利申请。

本一种带噪多标签数据的神经网络模型训练方法和装置在说明书摘要公布了：本发明涉及一种带噪多标签数据的神经网络模型训练方法和装置。该方法的步骤包括：通过样本选择算法为每一类别选择出干净样本集合作为元数据集，并进行类别依赖的标签噪声转移矩阵估计；利用类别依赖的标签噪声转移矩阵对实例特征依赖的标签噪声转移矩阵网络中的部分参数进行初始化；基于统计一致性的标签噪声学习损失，将学习问题转化为双层优化问题，用元学习算法同时学习实例特征依赖的标签噪声转移矩阵网络参数、数据不平衡参数和多标签分类神经网络参数。本发明创新性地利用元学习算法以数据驱动的方式，将实例特征依赖的标签噪声转移矩阵网络参数、数据不平衡参数和多标签分类神经网络参数统一到一个框架下学习。

本发明授权一种带噪多标签数据的神经网络模型训练方法和装置在权利要求书中公布了：1.一种基于带噪多标签数据的神经网络模型训练的属性分类和检索方法，其特征在于，包括以下步骤： 将图像数据经过特征提取网络得到的低维特征和带噪多属性标签作为输入，利用带噪多标签数据的神经网络模型训练方法，训练得到神经网络模型，利用训练得到的神经网络模型进行准确的属性分类和检索； 所述带噪多标签数据的神经网络模型训练方法包括以下步骤： 通过样本选择算法为每一类别选择出干净样本集合作为元数据集，并进行类别依赖的标签噪声转移矩阵估计； 利用类别依赖的标签噪声转移矩阵对实例特征依赖的标签噪声转移矩阵网络中的部分参数进行初始化； 基于统计一致性的标签噪声学习损失，采用元学习算法同时学习实例特征依赖的标签噪声转移矩阵网络参数、数据不平衡参数和多标签分类神经网络参数； 采用以下步骤获得所述干净样本集合： 在带噪多标签数据Dt上预热训练神经网络模型f若干个轮次，其采用如下的标准多标签二分类学习损失： 其中f为多标签预测神经网络，结构为ResNet；用fjX表示模型对输入的X进行非线性操作得到的对第j类的预测结果，其中X表示输入特征向量；为样本的噪声标签向量，为第j类的噪声标签；q为总的类别数；l为二分类交叉熵损失； 通过使用高斯混合模型对每一类j的每个样本损失的分布进行建模，提取损失较小的样本子集，获得每个类标签j的干净样本集合 所述用元学习算法同时学习实例特征依赖的标签噪声转移矩阵网络参数、数据不平衡参数和多标签分类神经网络参数，是将学习问题转化为下列双层优化问题，并利用元学习进行训练： 其中，w*为学习到的最优数据不平衡参数，T*为学习到的最优转移矩阵，f*为学习到的最优分类器，w为可学习的数据不平衡参数，T为可学习的最优转移矩阵，f为可学习的分类器，为之前利用高斯混合模型选择得到的j类数据集的合集，为原始的带噪多标签训练集；在该双层优化问题中，外层优化利用选择的“干净”的样本集合作为元数据集学习实例特征依赖的噪声转移矩阵Tj.和数据不平衡参数wj，内层优化根据已学习到的噪声转移矩阵和数据不平衡参数在原始的带噪多标签训练集上利用具有统计一致性的损失学习得到神经网络分类器fj.的参数。

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中国科学院信息工程研究所，其通讯地址为：100085 北京市海淀区树村路19号；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。