本技術(shù)涉及人工智能(artificial?intelligence，ai)，尤其涉及一種分類模型的訓(xùn)練方法及裝置。

背景技術(shù)：

1、半監(jiān)督學(xué)習(xí)(semi-supervised?learning，ssl)已成為一種很有前途的機器學(xué)習(xí)范式，在自然語言處理和計算機視覺等領(lǐng)域有廣泛應(yīng)用。它能利用少量的有標(biāo)簽數(shù)據(jù)和大量的無標(biāo)簽數(shù)據(jù)來訓(xùn)練模型，從而降低數(shù)據(jù)標(biāo)注的成本和時間，提高模型在小樣本或稀缺類別上的表現(xiàn)，增強模型對噪聲或異常數(shù)據(jù)魯棒性。

2、然而，現(xiàn)有大多數(shù)ssl方法都是為具有平衡類分布的數(shù)據(jù)設(shè)計的，而在現(xiàn)實場景，數(shù)據(jù)通常在類上表現(xiàn)出不平衡的分布。類不平衡問題會嚴重損害ssl方法的性能，因為它們往往會忽略少數(shù)類別的數(shù)據(jù)，錯誤分類少數(shù)類別，或為無標(biāo)簽的數(shù)據(jù)產(chǎn)生有偏見的偽標(biāo)簽。盡管近些年，部分解決類不平衡半監(jiān)督學(xué)習(xí)(class-imbalanced?semi-supervisedlearning，cissl)問題的方法陸續(xù)提出，但現(xiàn)有的ssl方案存在著在類不平衡的數(shù)據(jù)集上訓(xùn)練時，生成的偽標(biāo)簽質(zhì)量較低，進而導(dǎo)致訓(xùn)練出的分類模型的預(yù)測分類精度較差的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)的實施例提供一種分類模型的訓(xùn)練方法，有效解決了在訓(xùn)練數(shù)據(jù)分布不均衡的情況下，訓(xùn)練出的分類模型預(yù)測分類精度較差的問題。

2、第一方面，本技術(shù)提供了一種分類模型的訓(xùn)練方法，待訓(xùn)練分類模型包括特征提取網(wǎng)絡(luò)和分類器，該方法包括獲取目標(biāo)訓(xùn)練數(shù)據(jù)集，目標(biāo)訓(xùn)練數(shù)據(jù)集包括有標(biāo)簽樣本子集和無標(biāo)簽樣本子集，有標(biāo)簽樣本子集包括多個被標(biāo)注的樣本，無標(biāo)簽樣本子集包括多個未被標(biāo)注的樣本，目標(biāo)訓(xùn)練數(shù)據(jù)集包括k個類別的樣本，k為大于1的正整數(shù)；將未被標(biāo)注的樣本分別輸入k個正樣本無標(biāo)簽(positive-unlabeled，pu)分類模型，得到k個pu分類模型的輸出結(jié)果，k個pu分類模型中的各個pu分類模型分別用于對k個類別中各個類別的樣本進行類別估計；基于k個pu分類模型的輸出結(jié)果，得到未被標(biāo)注的樣本的偽標(biāo)簽；基于有標(biāo)簽樣本子集和偽標(biāo)簽樣本子集對待訓(xùn)練分類模型進行訓(xùn)練，更新特征提取網(wǎng)絡(luò)的參數(shù)和分類器的參數(shù)，偽標(biāo)簽樣本子集包括多個具有偽標(biāo)簽的樣本。

3、當(dāng)樣本輸入至待訓(xùn)練分類模型后，通過特征提取網(wǎng)絡(luò)對該輸入樣本進行特征提取得到該樣本的特征表示，然后將該特征表示輸入至分類器，分類器基于該特征表示輸出該輸入樣本的估計類別概率分布，例如概率1、概率2…概率n，表示輸入樣本為a類別的概率為概率1、為b類別的概率為概率2…為n類別的概率為概率n，通過概率分布即可確定輸入樣本的估計類別，例如輸出的概率分布中最大的為a類別的概率為0.9，則確定輸入樣本的類別為a類別。

4、本技術(shù)提供的分類模型的訓(xùn)練方法，通過k個pu分類模型為未標(biāo)注的樣本生成偽標(biāo)簽，有效緩解偽標(biāo)簽有偏的問題，從而提高偽標(biāo)簽的標(biāo)注質(zhì)量，有利于分類模型的半監(jiān)督訓(xùn)練。

5、在一個可能的實現(xiàn)中，將未被標(biāo)注的樣本分別輸入k個pu分類模型，得到k個pu分類模型的輸出結(jié)果之前還包括基于目標(biāo)訓(xùn)練數(shù)據(jù)集對分類模型進行訓(xùn)練，更新特征提取網(wǎng)絡(luò)的參數(shù)。也就是說，首先進行半監(jiān)督訓(xùn)練，利用有標(biāo)簽數(shù)據(jù)子集和無標(biāo)簽數(shù)據(jù)子集對分類模型進行訓(xùn)練，使得特征提取網(wǎng)絡(luò)學(xué)習(xí)到高質(zhì)量的樣本特征表示。

6、在該可能的實現(xiàn)中，k個pu分類模型中的每個pu分類模型包括更新后的特征提取網(wǎng)絡(luò)和pu分類器；將未被標(biāo)注的樣本分別輸入k個pu分類模型，得到k個pu分類模型的輸出結(jié)果之前還包括基于目標(biāo)訓(xùn)練數(shù)據(jù)集對k個pu分類模型中的各個pu分類模型進行訓(xùn)練，更新各個pu分類模型的pu分類器。

7、換言之，k個pu分類模型是與半監(jiān)督訓(xùn)練的分類模型采用同一批訓(xùn)練數(shù)據(jù)集進行訓(xùn)練的，pu分類模型包括分類模型在目標(biāo)訓(xùn)練數(shù)據(jù)集進行初始訓(xùn)練更新后的特征提取網(wǎng)絡(luò)和pu分類器，且pu分類模型在訓(xùn)練過程中特征提取網(wǎng)絡(luò)的參數(shù)保持不變，僅更新pu分類器，因此針對pu分類模型的訓(xùn)練也可以稱之為針對pu分類器的訓(xùn)練；如此能夠確保pu分類器適應(yīng)特征提取網(wǎng)絡(luò)學(xué)習(xí)到的最新表示，從而利用該表示為未標(biāo)注的樣本生成更高質(zhì)量的偽標(biāo)簽。

8、在另一個可能的實現(xiàn)中，針對k個pu分類模型中的任意一個pu分類模型的訓(xùn)練方法如下所示：從目標(biāo)訓(xùn)練數(shù)據(jù)集中確定當(dāng)前訓(xùn)練的pu分類模型對應(yīng)的pu訓(xùn)練數(shù)據(jù)集，其中，pu訓(xùn)練數(shù)據(jù)集包括正樣本子集和無標(biāo)簽樣本子集，正樣本子集包括多個正樣本，正樣本為有標(biāo)簽樣本子集中的目標(biāo)類別的樣本，目標(biāo)類別為當(dāng)前訓(xùn)練的pu分類模型對應(yīng)的類別；基于pu訓(xùn)練數(shù)據(jù)集對pu分類模型進行訓(xùn)練，更新pu分類器的參數(shù)。通過逐類別的訓(xùn)練pu分類器，能夠保證pu分類器的學(xué)習(xí)不受原始數(shù)據(jù)分布的影響，從而保證訓(xùn)練得到的pu分類器是公平的(即不存在針對某個類別的樣本的偏見)，進一步保證pu分類器生成標(biāo)簽的可靠性。

9、在另一個可能的實現(xiàn)中，基于pu訓(xùn)練數(shù)據(jù)集對pu分類模型進行訓(xùn)練，更新pu分類器的參數(shù)的一種具體實現(xiàn)為，將pu訓(xùn)練數(shù)據(jù)集中的樣本輸入pu分類模型，得到pu分類模型對pu訓(xùn)練數(shù)據(jù)集中各個樣本的類別估計；基于pu損失函數(shù)，更新pu分類器的參數(shù)，pu損失函數(shù)包括正風(fēng)險估計項和負風(fēng)險估計項，正風(fēng)險估計項用于懲罰pu分類器將正樣本估計為負樣本，負風(fēng)險估計項用于懲罰pu分類器將無標(biāo)簽樣本子集中的樣本估計為正樣本。

10、可選的，pu損失函數(shù)還與目標(biāo)類別的樣本在有標(biāo)簽樣本子集中的占比相關(guān)。示例性的，訓(xùn)練第k類pu分類器，pu損失函數(shù)如下所示：

11、

12、其中，πk是由有標(biāo)簽樣本子集中的第k類分布先驗確定，表示有標(biāo)簽樣本子集第k類樣本的數(shù)目，nu表示無標(biāo)簽樣本子集中樣本的總數(shù)量，l(.,.)函數(shù)時任意的代理0-1損失函數(shù)，例如sigmoid損失函數(shù)：

13、pu損失函數(shù)中第一個項(即加號之前的項)表示正風(fēng)險估計，用來懲罰pu分類器為正樣本分配一個低概率，第二項(即加號之后的項)用來表示非負風(fēng)險估計，用來懲罰pu分類器為無標(biāo)簽樣本分配一個高概率，同時max函數(shù)保證了對于無標(biāo)簽樣本的經(jīng)驗風(fēng)險估計大于等于0，從而降低了模型過擬合的風(fēng)險。

14、在另一個可能的實現(xiàn)中，將未被標(biāo)注的樣本分別輸入k個pu分類模型，得到k個pu分類模型的輸出結(jié)果之前還包括對無標(biāo)簽樣本子集做第一數(shù)據(jù)增強處理，增加無標(biāo)簽樣本子集中的樣本數(shù)量，有利于后續(xù)對分類模型的訓(xùn)練。

15、當(dāng)樣本為圖片時，第一數(shù)據(jù)增強處理可以為翻轉(zhuǎn)、平移、旋轉(zhuǎn)和裁剪中的一項或多項圖像數(shù)據(jù)樣本增強處理。

16、在另一個可能的實現(xiàn)中，每個pu分類模型的輸出結(jié)果包括估計概率，估計概率指示每個pu分類模型估計輸入樣本為正樣本的概率；基于k個pu分類模型的輸出結(jié)果，得到未被標(biāo)注的樣本的偽標(biāo)簽包括基于k個pu分類模型的輸出結(jié)果，確定目標(biāo)pu分類模型，目標(biāo)pu分類模型輸出的估計概率最大；將目標(biāo)pu分類模型對應(yīng)的類別，標(biāo)注為未被標(biāo)注的樣本的偽標(biāo)簽。通過為目標(biāo)訓(xùn)練數(shù)據(jù)集中的每類樣本設(shè)置專門的pu分類模型，有效緩解了對多數(shù)類的偏見，增加生成偽標(biāo)簽的質(zhì)量。

17、在另一個可能的實現(xiàn)中，基于有標(biāo)簽樣本子集和偽標(biāo)簽樣本子集對分類模型進行訓(xùn)練，更新特征提取網(wǎng)絡(luò)的參數(shù)和分類器的參數(shù)的一種具體實現(xiàn)為：將被標(biāo)注的樣本輸入分類模型，輸出被標(biāo)注的樣本對應(yīng)的類別估計；基于被標(biāo)注的樣本的標(biāo)簽和被標(biāo)注的樣本的類別估計，得到第一損失函數(shù)的損失值；將具有偽標(biāo)簽的樣本輸入分類模型，輸出具有偽標(biāo)簽的樣本對應(yīng)的類別估計；基于具有偽標(biāo)簽的樣本的偽標(biāo)簽和具有偽標(biāo)簽的樣本的類別估計，得到第二損失函數(shù)的損失值；基于第一損失函數(shù)的損失值和第二損失函數(shù)的損失值，更新特征提取網(wǎng)絡(luò)的參數(shù)和分類器的參數(shù)。

18、示例性的，分類模型的損失函數(shù)如下所示：

19、

20、其中，l是標(biāo)準交叉熵損失函數(shù)，α(.)是數(shù)據(jù)增強函數(shù)，h(.)是原始分類器。是特征提取網(wǎng)絡(luò)，用來提取特征。表示有標(biāo)簽的樣本，表示樣本對應(yīng)的真實標(biāo)簽。表示無標(biāo)簽的樣本，表示樣本通過pu分類器生成的偽標(biāo)簽。

21、可選的，在基于有標(biāo)簽樣本子集和偽標(biāo)簽樣本子集對分類模型進行訓(xùn)練，更新特征提取網(wǎng)絡(luò)的參數(shù)和所述分類器的參數(shù)之前還包括對偽標(biāo)簽樣本子集做第二數(shù)據(jù)增強處理。例如當(dāng)樣本為圖片時，第二數(shù)據(jù)增強處理可以為翻轉(zhuǎn)、平移、旋轉(zhuǎn)和裁剪中的一項或多項圖像數(shù)據(jù)樣本增強處理。

22、在另一個可能的實現(xiàn)中，本技術(shù)提供的分類模型的訓(xùn)練方法還包括待訓(xùn)練分類模型經(jīng)過多個訓(xùn)練周期的訓(xùn)練，得到訓(xùn)練完成的目標(biāo)分類模型，其中，在每個在當(dāng)前訓(xùn)練周期完成之后，從偽標(biāo)簽樣本子集中確定可靠偽標(biāo)簽的樣本，得到可靠偽標(biāo)簽樣本子集，可靠偽標(biāo)簽的樣本對應(yīng)的pu分類模型的輸出結(jié)果大于或等于預(yù)設(shè)閾值；基于可靠偽標(biāo)簽樣本子集，對有標(biāo)簽樣本子集進行數(shù)據(jù)擴充，增加有標(biāo)簽樣本子集的樣本數(shù)量，進而提升分類模型的訓(xùn)練質(zhì)量。

23、在該可能的實現(xiàn)中，為了確保生成偽標(biāo)簽的可靠性，只選擇pu分類器的輸出結(jié)果大于或等于閾值τ的樣本，構(gòu)成每個類別k的偽標(biāo)簽列表，進而得到可靠偽標(biāo)簽樣本集，通過可靠偽標(biāo)簽樣本子集，對有標(biāo)簽樣本子集進行數(shù)據(jù)擴充，增加有標(biāo)簽樣本子集的樣本數(shù)量，進而提升分類模型的訓(xùn)練質(zhì)量。

24、在另一個可能的實現(xiàn)中，基于可靠偽標(biāo)簽樣本子集，對有標(biāo)簽樣本子集進行數(shù)據(jù)擴充的一種具體實現(xiàn)為：確定有標(biāo)簽樣本子集中第一類別樣本的數(shù)量，第一類別樣本的數(shù)量最多；基于有標(biāo)簽樣本子集中各個類別樣本的數(shù)量和第一類別樣本的數(shù)量的差值，確定各個類別樣本的采樣數(shù)量；基于各個類別樣本的采樣數(shù)量，對可靠偽標(biāo)簽樣本子集中各個類別樣本進行樣本采樣，得到擴充數(shù)據(jù)集；將擴充數(shù)據(jù)集補充至有標(biāo)簽樣本子集中，得到數(shù)據(jù)擴充后的有標(biāo)簽數(shù)據(jù)子集。

25、在該可能的實現(xiàn)中，無需使用復(fù)雜的類重新平衡規(guī)則，只需簡單的針對每個類別k，只需要從該類別的偽標(biāo)簽列表中采用tk個置信樣本，其中，其中，表示有標(biāo)簽數(shù)據(jù)子集中第k類樣本的數(shù)量，表示有標(biāo)簽樣本子集中數(shù)量最多的類別的樣本數(shù)量，ρ屬于(0,1)是采樣比，其用來控制類平衡和偽標(biāo)簽質(zhì)量的權(quán)衡，如此解決訓(xùn)練數(shù)據(jù)集的類不平衡問題，提升分類模型的訓(xùn)練質(zhì)量。

26、在另一個可能的實現(xiàn)中，分類模型對應(yīng)的全量訓(xùn)練數(shù)據(jù)集包括有標(biāo)簽樣本集和無標(biāo)簽樣本集，有標(biāo)簽樣本集包括多個被標(biāo)注的樣本，無標(biāo)簽樣本集包括多個未被標(biāo)注的樣本；獲取當(dāng)前訓(xùn)練周期的目標(biāo)訓(xùn)練數(shù)據(jù)集的一種具體實現(xiàn)為：利用隨機采樣器分別從有標(biāo)簽樣本集中和無標(biāo)簽樣本集中進行樣本采集，得到當(dāng)前批次的有標(biāo)簽樣本子集和無標(biāo)簽樣本子集。

27、在一些其他示例中，目標(biāo)訓(xùn)練數(shù)據(jù)集也可以直接為全量訓(xùn)練數(shù)據(jù)集，即不采用分批訓(xùn)練的方式進行訓(xùn)練，直接在全量數(shù)據(jù)集上對待訓(xùn)練分類模型進行訓(xùn)練，得到訓(xùn)練完成的目標(biāo)分類模型。

28、第二方面，本技術(shù)提供了一種分類模型的訓(xùn)練裝置，該分類模型包括特征提取網(wǎng)絡(luò)和分類器，該裝置包括獲取模塊、pu分類模塊、偽標(biāo)簽標(biāo)注模塊和訓(xùn)練模塊，其中，獲取模塊用于獲取目標(biāo)訓(xùn)練數(shù)據(jù)集，目標(biāo)訓(xùn)練數(shù)據(jù)集包括有標(biāo)簽樣本子集和無標(biāo)簽樣本子集，有標(biāo)簽樣本子集包括多個被標(biāo)注的樣本，無標(biāo)簽樣本子集包括多個未被標(biāo)注的樣本，目標(biāo)訓(xùn)練數(shù)據(jù)集包括k個類別的樣本，k為大于1的正整數(shù)；pu分類模塊用于將未被標(biāo)注的樣本分別輸入k個pu分類模型，得到k個pu分類模型的輸出結(jié)果，k個pu分類模型中的各個pu分類模型分別用于對k個類別中各個類別的樣本進行類別估計；偽標(biāo)簽標(biāo)注模塊用于基于k個pu分類模型的輸出結(jié)果，得到未被標(biāo)注的樣本的偽標(biāo)簽；訓(xùn)練模塊用于基于有標(biāo)簽樣本子集和偽標(biāo)簽樣本子集對分類模型進行訓(xùn)練，更新特征提取網(wǎng)絡(luò)的參數(shù)和分類器的參數(shù)，偽標(biāo)簽樣本子集包括多個具有偽標(biāo)簽的樣本。

29、在一個可能的實現(xiàn)中，訓(xùn)練模塊還用于：基于目標(biāo)訓(xùn)練數(shù)據(jù)集對分類模型進行訓(xùn)練，更新特征提取網(wǎng)絡(luò)的參數(shù)。

30、在另一個可能的實現(xiàn)中，k個pu分類模型中的每個pu分類模型包括更新后的特征提取網(wǎng)絡(luò)和pu分類器；本技術(shù)提供的分類模型的訓(xùn)練裝置還包括pu學(xué)習(xí)模塊，該pu學(xué)習(xí)模塊用于基于目標(biāo)訓(xùn)練數(shù)據(jù)集對k個pu分類模型中的各個pu分類模型進行訓(xùn)練，更新各個pu分類模型的pu分類器。

31、在另一個可能的實現(xiàn)中，第i個pu分類模型為k個pu分類模型中的任意一個pu分類模型，第i個pu分類模型包括更新后的特征提取網(wǎng)絡(luò)和第i個pu分類器；pu學(xué)習(xí)模塊針對第i個pu分類模型進行訓(xùn)練的具體實現(xiàn)為：從目標(biāo)訓(xùn)練數(shù)據(jù)集中確定第i個pu分類模型對應(yīng)的第i個pu訓(xùn)練數(shù)據(jù)集，其中，第i個pu訓(xùn)練數(shù)據(jù)集包括正樣本子集和無標(biāo)簽樣本子集，正樣本子集包括多個正樣本，正樣本為有標(biāo)簽樣本子集中的目標(biāo)類別的樣本，目標(biāo)類別為第i個pu分類模型對應(yīng)的類別；基于第i個pu訓(xùn)練數(shù)據(jù)集對第i個pu分類模型進行訓(xùn)練，更新第i個pu分類器的參數(shù)。

32、在另一個可能的實現(xiàn)中，基于第i個pu訓(xùn)練數(shù)據(jù)集對第i個pu分類模型進行訓(xùn)練，更新第i個pu分類器的參數(shù)的一種具體實現(xiàn)為：將第i個pu訓(xùn)練數(shù)據(jù)集中的樣本輸入第i個pu分類模型，得到第i個pu分類模型對第i個pu訓(xùn)練數(shù)據(jù)集中各個樣本的類別估計；基于pu損失函數(shù)，更新第i個pu分類器的參數(shù)，pu損失函數(shù)包括正風(fēng)險估計項和負風(fēng)險估計項，正風(fēng)險估計項用于懲罰第i個pu分類器將正樣本估計為負樣本，負風(fēng)險估計項用于懲罰第i個pu分類器將無標(biāo)簽樣本估計為正樣本。

33、在另一個可能的實現(xiàn)中，pu損失函數(shù)還與目標(biāo)類別的樣本在有標(biāo)簽樣本子集中的占比相關(guān)。

34、在另一個可能的實現(xiàn)中，本技術(shù)提供的分類模型的訓(xùn)練裝置還包括第一數(shù)據(jù)增強模塊，該第一數(shù)據(jù)增強模塊用于對無標(biāo)簽樣本子集做第一數(shù)據(jù)增強處理。

35、在另一個可能的實現(xiàn)中，每個pu分類模型的輸出結(jié)果包括估計概率，該估計概率指示每個pu分類模型的輸入樣本為正樣本的概率；偽標(biāo)簽標(biāo)注模塊具體用于：基于k個pu分類模型的輸出結(jié)果，確定目標(biāo)pu分類模型，目標(biāo)pu分類模型輸出的估計概率最大；將目標(biāo)pu分類模型對應(yīng)的類別，標(biāo)注為未被標(biāo)注的樣本的偽標(biāo)簽。

36、在另一個可能的實現(xiàn)中，訓(xùn)練模塊具體用于：將被標(biāo)注的樣本輸入所述分類模型，輸出被標(biāo)注的樣本對應(yīng)的類別估計；基于被標(biāo)注的樣本的標(biāo)簽和被標(biāo)注的樣本的類別估計，得到第一損失函數(shù)的損失值；將具有偽標(biāo)簽的樣本輸入分類模型，輸出具有偽標(biāo)簽的樣本對應(yīng)的類別估計；基于具有偽標(biāo)簽的樣本的偽標(biāo)簽和具有偽標(biāo)簽的樣本的類別估計，得到第二損失函數(shù)的損失值；基于第一損失函數(shù)的損失值和第二損失函數(shù)的損失值，更新特征提取網(wǎng)絡(luò)的參數(shù)和分類器的參數(shù)。

37、在另一個可能的實現(xiàn)中，本技術(shù)提供的分類模型的訓(xùn)練裝置還包括第二數(shù)據(jù)增強模塊，該第二數(shù)據(jù)增強模塊用于對偽標(biāo)簽樣本子集做第二數(shù)據(jù)增強處理。

38、在另一個可能的實現(xiàn)中，本技術(shù)提供的分類模型的訓(xùn)練裝置還包括數(shù)據(jù)擴充模塊，該數(shù)據(jù)擴充模塊用于在每個訓(xùn)練周期完成之后，從偽標(biāo)簽樣本子集中確定可靠偽標(biāo)簽的樣本，得到可靠偽標(biāo)簽樣本子集，可靠偽標(biāo)簽的樣本對應(yīng)的pu分類模型的輸出結(jié)果大于或等于預(yù)設(shè)閾值；基于可靠偽標(biāo)簽樣本子集，對有標(biāo)簽樣本子集進行數(shù)據(jù)擴充。

39、在另一個可能的實現(xiàn)中，基于可靠偽標(biāo)簽樣本子集，對有標(biāo)簽樣本子集進行數(shù)據(jù)擴充的一種具體實現(xiàn)為確定有標(biāo)簽樣本子集中第一類別樣本的數(shù)量，第一類別樣本的數(shù)量最多；基于有標(biāo)簽樣本子集中各個類別樣本的數(shù)量和第一類別樣本的數(shù)量的差值，確定各個類別樣本的采樣數(shù)量；基于各個類別樣本的采樣數(shù)量，對可靠偽標(biāo)簽樣本子集中各個類別樣本進行樣本采樣，得到擴充數(shù)據(jù)集；將擴充數(shù)據(jù)集補充至有標(biāo)簽樣本子集中，得到數(shù)據(jù)擴充后的有標(biāo)簽數(shù)據(jù)子集。

40、在另一個可能的實現(xiàn)中，分類模型對應(yīng)的全量訓(xùn)練數(shù)據(jù)集包括有標(biāo)簽樣本集和無標(biāo)簽樣本集，有標(biāo)簽樣本集包括多個被標(biāo)注的樣本，無標(biāo)簽樣本集包括多個未被標(biāo)注的樣本；獲取模塊具體用于利用隨機采樣器分別從有標(biāo)簽樣本集中和無標(biāo)簽樣本集中進行樣本采集，得到當(dāng)前批次的有標(biāo)簽樣本子集和無標(biāo)簽樣本子集。

41、第三方面，本技術(shù)實施例提供一種計算設(shè)備，包括存儲器和處理器，所述存儲器中存儲有指令，當(dāng)所述指令被處理器執(zhí)行時，使得第一方面所述的方法被實現(xiàn)。

42、第四方面，本技術(shù)實施例提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，當(dāng)所述計算機程序在被處理器執(zhí)行時，使得第一方面所述的方法被實現(xiàn)。

43、第五方面，本技術(shù)實施例還提供一種計算機程序或計算機程序產(chǎn)品，該計算機程序或計算機程序產(chǎn)品包括指令，當(dāng)所述指令執(zhí)行時，令計算機執(zhí)行第一方面所述的方法。

44、第六方面，本技術(shù)實施例還提供一種芯片，包括至少一個處理器和通信接口，所述處理器用于執(zhí)行第一方面所述的方法。