基于概念稳定特征及其差异化网络的概念学习方法

摘要

本发明涉及人工智能领域，构建了一个开放的基于概念稳定特征及其差异化的网络模型SCDNet(Stable characteristics and their differentiation)，该模型具有可扩展性并能够从少量标注样本中学习概念。通过使用向量形式的稳定特征表示每个概念，我们让模型更具有可解释性。我们对初级特征进行压缩编码，在最大化该编码与稳定特征相似度的同时，加入不同概念的稳定特征之间差异性的约束条件。这样不仅能够提高实例特征对所属概念的稳定特征的敏感度，同时还可以增强我们从少量样本中学习的能力。我们对每个概念使用相同的子网络结构，使用统一的学习方法，这使得我们的模型具有很好的扩展性，能够自由的增加概念，即实现连续学习。