1)利用无标签数据生成模拟数据层面。针对每个模态额外无标签数据,本研究将采用生成对抗网络,采用半监督方式学习无标签数据样本的流形,并通过生成数据和少量标记的异常资料以及训练资料差异比较判断生成数据是否异常。如生成数据与标记样本差异小于其与训练样本差异,则判断生成数据属于小样本类,否则属于大样本类。生成后的资料用以补充样本数据。
2)多模态数据融合和学习层面。将合成数据和标记数据混合,而后利用多模态融合的联合架构对不同模态数据进行分布迁移和融合,统一数据输入结构。再根据融合后的数据指导模型学习训练,从而实现典型场景下与大样本机器学习正确率、精度和召回率等相当的能力指标。
技术领域 | 先进制造与自动化,工业生产过程控制系统 | 需求类型 | 关键技术研发 | 有效期至 | 2023-10-01 |
合作方式 | 合作开发 | 需求来源 | 技术经理人 | 所在地区 | |