神经网络模型融合监测方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114283843A(43)申请公布日2022.04.05(21)申请号202111138422.1(22)申请日2021.09.27(71)申请人腾讯科技（深圳）有限公司地址518057广东省深圳市南山区高新区科技中一路腾讯大厦35层(72)发明人王知涵林炳怀王丽园(74)专利代理机构北京派特恩知识产权代理有限公司11270代理人赵翠萍张颖玲(51)Int.Cl.G10L25/30(2013.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)G06N20/00(2019.01)权利要求书4页说明书17页附图4页(54)发明名称神经网络模型融合监测方法及装置(57)摘要本发明提供了神经网络模型融合监测方法，包括：别对第一训练样本集合和第一测试样本集合进行处理，确定对应的样本处理结果；根据样本处理结果，计算目标神经网络模型集合中每一个目标神经网络模型的相关性特征；基于目标神经网络模型集合中每一个目标神经网络模型的相关性特征和第一训练样本集合和第一测试样本集合相匹配的数据集特征，对目标神经网络模型集合的模型融合进行测试处理，得到目标神经网络模型集合的模型融合测试处理结果；本发明还提供了神经网络模型融合监测装置、电子设备及存储介质。本发明能够可以自动化地对目标神经网络模型集合进行模型融合测试，不用考虑人工的波动以及额外的数据成本，从而可以提升模型的精确度和鲁棒性。CN114283843ACN114283843A权利要求书1/4页1.一种神经网络模型融合监测方法，其特征在于，所述方法包括：根据目标神经网络模型集合的使用环境中的任务信息，获取与所述目标神经网络模型集合相匹配的第一训练样本集合和第一测试样本集合，其中，所述目标神经网络模型集合包括至少两个不同的目标神经网络模型；对所述第一训练样本集合和第一测试样本集合进行对抗验证处理，确定与所述第一训练样本集合和第一测试样本集合相匹配的数据集特征；通过所述目标神经网络模型集合中的不同目标神经网络，分别对所述第一训练样本集合和第一测试样本集合进行处理，确定对应的样本处理结果；根据所述样本处理结果，计算所述目标神经网络模型集合中每一个目标神经网络模型的相关性特征；基于所述目标神经网络模型集合中每一个目标神经网络模型的相关性特征和所述第一训练样本集合和第一测试样本集合相匹配的数据集特征，对所述目标神经网络模型集合的模型融合进行测试处理，得到所述目标神经网络模型集合的模型融合测试处理结果；基于所述目标神经网络模型集合的模型融合测试处理结果，通过所述目标神经网络模型集合对使用环境中的任务信息进行处理。2.根据权利要求1所述的方法，其特征在于，所述对所述第一训练样本集合和第一测试样本集合进行对抗验证处理，确定与所述第一训练样本集合和第一测试样本集合相匹配的数据集特征，包括：将所述第一训练样本集合的样本标签改写为0，得到样本标签为0的第一训练样本集合；将所述第一测试样本集合的样本标签改写为1，得到样本标签为1的第一测试样本集合；对所述样本标签为0的第一训练样本集合和所述本标签为1的第一测试样本集合进行数据融合处理，并且对数据融合处理结果进行划分处理，得到第二训练样本集合和第二测试样本集合；根据所述第二训练样本集合和第二测试样本集合，计算与所述第一训练样本集合和第一测试样本集合相匹配的数据集特征。3.根据权利要求2所述的方法，其特征在于，所述根据所述第二训练样本集合和第二测试样本集合，计算与所述第一训练样本集合和第一测试样本集合相匹配的数据集特征，包括：通过极端梯度提升模型，对所述第二测试样本集合进行处理，得到所述第二测试样本集合对应的AUC值；响应于所述第二测试样本集合对应的AUC值，计算所述第二训练样本集合和所述第二测试样本集合所分别对应的单一特征向量；基于所述第二训练样本集合和所述第二测试样本集合所分别对应的单一特征向量，确定所述第二训练样本集合和所述第二测试样本集合所分别对应的不同维度的特征向量的关联关系；基于所述第二训练样本集合和所述第二测试样本集合所分别对应的单一特征向量，以及所述第二训练样本集合和所述第二测试样本集合所分别对应的不同维度的特征向量关2CN114283843A权利要求书2/4页联关系，计算与所述第一训练样本集合和第一测试样本集合相匹配的数据集特征。4.根据权利要求1所述的方法，其特征在于，所述根据所述样本处理结果，计算所述目标神经网络模型集合中每一个目标神经网络模型的相关性特征，包括：获取所述目标神经网络模型集合中基模型的样本处理结果，以及所述目标神经网络模型集合中任一目标神经网络模型的样本处理结果；根据所述基模型的样本处理结果和所述任一目标神