-
公开(公告)号:CN114492736A
公开(公告)日:2022-05-13
申请号:CN202111658842.2
申请日:2021-12-30
Applicant: 之江实验室
Abstract: 本发明公开了一种基于梯度的样本学习难度度量方法及装置,根据给定训练样本,构建一个深度神经网络,并使用随机梯度下降作为优化策略进行一次完整训练;记录这次完整训练中,K次迭代的Softmax层前一层的梯度向量;依次计算每个样本K次迭代的梯度向量的模,均值和方差;将所得均值和方差进行加权相加,并用以度量对应样本的相对学习难度;使用局部异常因子(LoFk)对各样本的梯度向量的模的均值和方差组成的数组进行分析,视局部异常因子数值大于1的样本为异常点。针对异常点,构建一个logistic回归模型。利用上述构建的logistic回归模型,找到使异常点的局部异常因子最大的加权参数。