申请/专利权人：浙江工业大学

申请日：2021-12-16

公开（公告）日：2022-05-13

公开（公告）号：CN114492830A

主分类号：G06N20/00

分类号：G06N20/00;G06N3/04;G06N3/08;G06K9/62

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.05.31#实质审查的生效;2022.05.13#公开

摘要：本发明公开了一种基于个体实例对的深度学习模型去偏方法，通过定义深度学习模型偏见，选择原始数据集，进行数据预处理，生成个体歧视实例对，定义偏见指标函数，构建深度学习鲁棒性模型，将个体歧视实例对输入深度学习鲁棒性模型进行微调训练。本发明方法通过一种新的个体实例对生成的数据增强的方法解决了深度学习模型的公平性问题。本发明定义了一种新的偏见指标函数克服了现有评价指标对不同数据集具有功能不通用问题的缺陷，即单独使用某一偏见指标针对多个不同数据集的衡量结果可能不具有评判性。本发明提出了一种新的将对抗训练融入到微调训练中的方式，可以通过微小的再训练量达到较好的去偏效果。

主权项：1.一种基于个体实例对的深度学习模型去偏方法，其特征在于，具体包括以下步骤：1首先查找数据集中的个体歧视实例对，并定义深度学习模型偏见；2选择原始数据集，并利用one-hot编码对原始数据集进行数据预处理；3通过偏见神经元查找、全局搜索和局部搜索生成个体歧视实例对；4定义偏见指标函数；5构建深度学习鲁棒性模型，通过微调训练法将步骤3得到的个体歧视实例对输入深度学习鲁棒性模型进行去偏训练，并利用步骤4设定的偏见指标函数衡量模型的偏见程度。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于个体歧视实例对生成的深度学习模型去偏方法及其装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD