一种基于梯度的样本学习难度度量方法及装置

摘要

本发明公开了一种基于梯度的样本学习难度度量方法及装置，根据给定训练样本，构建一个深度神经网络，并使用随机梯度下降作为优化策略进行一次完整训练；记录这次完整训练中，K次迭代的Softmax层前一层的梯度向量；依次计算每个样本K次迭代的梯度向量的模，均值和方差；将所得均值和方差进行加权相加，并用以度量对应样本的相对学习难度；使用局部异常因子（LoFk）对各样本的梯度向量的模的均值和方差组成的数组进行分析，视局部异常因子数值大于1的样本为异常点。针对异常点，构建一个logistic回归模型。利用上述构建的logistic回归模型，找到使异常点的局部异常因子最大的加权参数。