一种基于代价敏感的稀有肿瘤类别小样本分类的算法模型

摘要

本发明公开了一种基于代价敏感的稀有肿瘤类别小样本分类的算法模型。现有的小样本学习方法大都忽略了特征空间的特殊性与迁移性，本发明则重点关注于此，构建的特征存储与筛选模块让前一阶段预训练中的特征能被后一阶段的元学习充分利用。首先，构建一个传统的深度学习神经网络进行预训练，对类似任务的非稀有类别数据集进行学习，冻结预训练模型的参数并存储预训练样本中每个类别的特征原型以及特征方差。接下来，通过Transformer编码当前特征与上一阶段选择出来的类别原型之间的关系，进而生成基于当前特征的新特征用于小样本分类器的分类。并在元学习过程中引入了可学习的代价敏感函数，从而使网络对稀有类别的样本更加具有敏感性。