对象类别确定方法、装置、设备、介质和程序产品与流程

本申请涉及人工智能，尤其涉及一种对象类别确定方法、装置、设备、介质和程序产品。

背景技术：

1、金融机构在通过数据分析进行决策时，需要判定被决策对象的类别，确定其是否存在风险，而类别判定主要依赖历史数据和统计模型，但是历史数据量通常是有限的或者数据不平衡，为此需要进行数据扩充以便于训练模型，提高模型性能。

2、现有技术中，数据扩充通常依赖简单的技术如旋转、翻转等。

3、但是，现有的这种方式，扩充的数据相对比较简单，数据扩充效率有限，数据扩充效果差，无法有效提高模型的性能，导致最终类别判定准确率不高。

技术实现思路

1、本申请提供一种对象类别确定方法，用于解决现有数据扩充效果差，模型性能提升有限，导致对象类别判定准确率不高的问题。

2、第一方面，本申请实施例提供一种对象类别确定方法，包括：

3、获取待分类对象的样本数据、训练完成后的特征提取模型、训练完成后的特征降维模型和训练完成后的分类器模型，所述特征提取模型为基于扩充后的训练数据集训练得到的，所述扩充后的训练数据集为基于量子态元学习的生成对抗网络，对扩充前的训练数据进行数据扩充得到的；

4、基于所述样本数据和特征提取模型，获取特征提取后的第一新样本；

5、基于所述第一新样本和特征降维模型，获取特征降维后的第二新样本；

6、基于所述第二新样本和分类器模型，获取分类结果，作为所述待分类对象的类别。

7、第二方面，本申请实施例提供一种对象类别确定装置，包括：

8、模型获取模块，用于获取待分类对象的样本数据、训练完成后的特征提取模型、训练完成后的特征降维模型和训练完成后的分类器模型，所述特征提取模型为基于扩充后的训练数据集训练得到的，所述扩充后的训练数据集为基于量子态元学习的生成对抗网络，对扩充前的训练数据进行数据扩充得到的；

9、特征提取模块，用于基于所述样本数据和特征提取模型，获取特征提取后的第一新样本；

10、特征降维模块，用于基于所述第一新样本和特征降维模型，获取特征降维后的第二新样本；

11、分类模块，用于基于所述第二新样本和分类器模型，获取分类结果，作为所述待分类对象的类别。

12、第三方面，本申请实施例提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现如上述的方法。

13、第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述的方法。

14、第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法。

15、本申请实施例提供的对象类别确定方法、装置、设备、介质和程序产品，通过基于量子态元学习的生成对抗网络，可以实现高效的数据扩充，使得模型能够在有限的数据集上学习到更复杂的数据特征，提高分类准确性。

1.一种对象类别确定方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于量子态元学习的生成对抗网络通过如下步骤训练得到：

3.根据权利要求2所述的方法，其特征在于，所述将原数据向量转换为量子编码后的数据，包括：

4.根据权利要求2所述的方法，其特征在于，所述以最小化与所述量子编码后的数据关联的第一损失函数为目标，对所述生成器的参数进行更新，包括：

5.根据权利要求2所述的方法，其特征在于，所述对量子态编码参数进行调整，包括：

6.根据权利要求1所述的方法，其特征在于，所述特征提取模型为采用基于拓扑适应学习算法优化的神经网络，所述特征提取模型通过如下步骤训练得到：

7.根据权利要求6所述的方法，其特征在于，所述获取所述神经网络的第二损失函数，包括：

8.根据权利要求6所述的方法，其特征在于，所述根据设定的参数调整规则，对所述神经网络的参数进行调整，包括：

9.根据权利要求6所述的方法，其特征在于，所述根据设定的拓扑调整规则，对所述神经网络的拓扑结构进行调整，包括：

10.根据权利要求1所述的方法，其特征在于，所述特征降维模型为可微调整策略的自编码神经网络，所述自编码神经网络包括编码器和解码器，所述编码器用于将输入的特征提取后的高维特征压缩成低维特征，所述解码器用于基于所述低维特征重构原始高维数据，所述特征降维模型通过如下步骤训练得到：

11.根据权利要求10所述的方法，其特征在于，还包括：

12.根据权利要求11所述的方法，其特征在于，还包括：

13.根据权利要求10所述的方法，其特征在于，所述基于所述原始高维数据和低维特征，确定总损失函数，包括：

14.根据权利要求13所述的方法，其特征在于，还包括：

15.根据权利要求1所述的方法，其特征在于，所述分类器模型为基于参与度限制的随机森林分类算法，所述分类器模型通过如下步骤训练得到：

16.根据权利要求15所述的方法，其特征在于，所述为每个决策树设定初始的参与度限制，包括：

17.根据权利要求15所述的方法，其特征在于，所述根据所述决策树的性能，动态调整所述决策树的参与度限制，包括：

18.根据权利要求17所述的方法，其特征在于，还包括：

19.一种对象类别确定装置，其特征在于，包括：

20.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；

21.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至18任一项所述的方法。

22.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1至18中任一项所述的方法。