基于变分自编码器潜变量语义提炼的样本生成方法

摘要

人工智能的逐步应用对行业的生产效率和技术变革影响显著,传统行业因样本收集难度大、成本高、涉及个人隐私等原因,进行深度学习时,面临着小样本和不平衡数据问题.现有的样本扩充方法存在着生成效果不能兼顾广泛性和合理性等问题.为此,提出一种基于变分自编码器潜变量语义提炼的样本扩充算法,利用神经网络的权重作为输入特征与潜变量相关性的度量,获取输入特征与变分自编码器潜变量的依赖关系,为潜变量赋予语义提供重要依据,实现显式控制潜变量的不同维度,生成满足总体分布且在原训练集未包含的样本.在对民用建筑结构安全数据库的样本扩充结果表明,该方法能有效生成特定属性的样本,能一定程度上解决小样本问题和不平衡数据问题.