样本分析的方法、电子设备、存储介质和程序产品

技术领域

本公开的实施例涉及人工智能领域，并且更具体地，涉及用于样本分析的方法、电子设备、计算机存储介质和计算机程序产品。

背景技术

随着计算机技术的不断发展，机器学习模型被广泛应用于人们生活的各个方面。在机器学习模型的训练过程中，训练数据直接地决定了机器学习模型的性能。例如，对于图像分类模型而言，准确的分类标注信息是获得高质量图像分析模型的基础。因此，人们期望能够提高样本数据的质量，以获得更加准确的机器学习模型。

发明内容

本公开的实施例提供一种用于样本分析的方案。

根据本公开的第一方面，提出了一种用于样本分析的方法。该方法包括：利用样本集来对未经训练的目标模型进行训练；基于对目标模型的训练，确定与样本集中的各样本相关联的训练评估因子；以及基于训练评估因子，从样本集中确定至少一个异常样本，至少一个异常样本包括以下中的至少一项：错误标注样本、异常分布样本或干扰样本。

根据本公开的第二方面，提出了一种用于样本分析的方法。该方法包括：利用第一处理模型处理初始样本集，以获得被确定为具有准确标注信息的优化样本集；利用优化样本集训练至少一个第二处理模型；以及利用经训练的至少一个第二处理模型，处理目标样本集以过滤至少一个异常样本，目标样本集为初始样本集或优化样本集，至少一个异常样本包括异常分布样本或具有负影响的干扰样本。

根据本公开的第三方面，提出了一种电子设备。该设备包括：至少一个处理单元；至少一个存储器，该至少一个存储器被耦合到该至少一个处理单元并且存储用于由该至少一个处理单元执行的指令，该指令当由该至少一个处理单元执行时，使得该设备执行动作，该动作包括：利用样本集来对未经训练的目标模型进行训练；基于对目标模型的训练，确定与样本集中的各样本相关联的训练评估因子；以及基于训练评估因子，从样本集中确定至少一个异常样本，至少一个异常样本包括以下中的至少一项：错误标注样本、异常分布样本或干扰样本。

根据本公开的第四方面，提出了一种电子设备。该设备包括：至少一个处理单元；至少一个存储器，该至少一个存储器被耦合到该至少一个处理单元并且存储用于由该至少一个处理单元执行的指令，该指令当由该至少一个处理单元执行时，使得该设备执行动作，该动作包括：利用第一处理模型处理初始样本集，以获得被确定为具有准确标注信息的优化样本集；利用优化样本集训练至少一个第二处理模型；以及利用经训练的至少一个第二处理模型，处理目标样本集以过滤至少一个异常样本，目标样本集为初始样本集或优化样本集，至少一个异常样本包括异常分布样本或具有负影响的干扰样本。

在本公开的第五方面，提供了一种计算机可读存储介质。该计算机可读存储介质具有存储在其上的计算机可读程序指令，该计算机可读程序指令用于执行根据第一方面或第二方面所描述的方法。

在本公开的第六方面，提供了一种计算机程序产品。该计算机程序产品包括计算机可读程序指令，该计算机可读程序指令用于执行根据第一方面或第二方面所描述的方法。

提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或必要特征，也无意限制本公开的范围。

附图说明

通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。

图1图示了本公开实施例可以在其中执行的环境的示意图；

图2图示了根据本公开实施例的分析错误标注数据的过程的示意图；

图3图示了根据本公开实施例的分析异常分布样本的过程的示意图；

图4图示了根据本公开实施例的分析负影响干扰样本的过程的示意图；

图5图示了根据本公开实施例的协作优化样本的过程的示意图；

图6A至图6C图示了根据本公开实施例的用于确定输出样本集的多种示例实现方式；

图7图示了根据本公开实施例的样本分析的过程的流程图；

图8图示了根据本公开实施例的分析干扰样本的过程的示意图；以及

图9图示了可以用来实施本公开内容的实施例的示例设备的示意性框图。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如上文所描述，随着计算机技术的不断发展，机器学习模型被广泛应用于人们生活的各个方面。在机器学习模型的训练过程中，训练数据直接地决定了机器学习模型的性能。

然而，对于训练数据而言，一些低质量训练样本(也被称为异常样本)可能会被模型的性能造成较大的影响。一类典型的低质量样本是错误标注样本，这样的错误标注样本具有错误的标注数据。通常，一些模型训练依赖于人工标注的结果来构建训练数据集，然后这样的人工标注结果可能会错误标注的情况。例如，对于图像分类任务而言，一些样本可能会被添加错误的分类标注，这将直接导致图像分类模型的准确性受到影响。

另一类典型的低质量样本是异常分布样本，异常分布样本是指样本与样本集中用于训练的正常样本差异较大。例如，仍以图像分类模型作为示例，一个图像分类模型例如被训练以用于对猫的图像进行分类以确定猫的品种。如果训练图像样本中包括了其他类型的动物的图像，则这样的图像样本可以被当作异常分布样本。训练数据集中所包括的异常分布样本同样会影响机器学习模型的性能。

还有一类典型的低质量样本是具有负影响的干扰样本。干扰样本是指在正常样本的基础上叠加了人工或者非人工生成的干扰噪音的样本。例如，仍以图像分类模型作为示例，一个图像分类模型例如被训练以用于对猫的图像进行分类以确定猫的品种。如果训练图像样本中包括了例如被模糊处理过的猫图像，则这样的图像样本可以被当作干扰样本。训练数据集中所包括的部分干扰样本可能会给机器学习模型的训练带来负影响，这样的干扰样本也被称为具有负影响的干扰样本，在本公开中也被称为负影响干扰样本

根据本公开的实施例，提供了一种用于样本分析的方案。在该方案中，利用样本集来对未经训练的目标模型进行训练，并基于对目标模型的训练，确定与样本集中的各样本相关联的训练评估因子。进一步地，基于训练评估因子，从样本集中确定至少一个异常样本，其中至少一个异常样本包括以下中的至少一项：错误标注样本、异常分布样本或具有负影响的干扰样本。通过这样的方式，本公开的实施例能够从样本集中更为有效地筛选出异常样本。

以下将参照附图来具体描述本公开的实施例。图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。如图1所示，该示例环境100包括分析设备120，其可以用于实施根据本公开中的多种实现的样本分析过程。

如图1所示，分析设备120可以获取样本集110。在一些实施例中，样本集110可以包括用于训练机器学习模型(也被称为目标模型)的多个训练样本。这样的训练样本可以是任何适当的类型，其示例包括但不限于：图像样本、文本样本、音频样本、视频样本或其他类型的样本等。该样本集或样本可以为获取的待处理的数据集或数据。

在本公开中，目标模型可以被设计用于执行各种任务，诸如图像分类、目标检测、语音识别、机器翻译、内容过滤等等。目标模型的示例包括但不限于各类深度神经网络(DNN)、卷积神经网络(CNN)、支持向量机(SVM)、决策树、随机森林模型等等。在本公开的实现，预测模型也可以被称为“机器学习模型”。在下文中，术语“预测模型”、“神经网络”、“学习模型”、“学习网络”、“模型”和“网络”可替换地使用。

在一些实施例中，分析设备120可以基于利用样本集110来训练目标模型的过程来确定样本集中所包括的异常样本130。这样的异常样本130例如可以包括上文所讨论的错误标注样本、异常分布样本或具有负影响的干扰样本中的一种或多种。

在一些实施例中，样本集110中的异常样本130可以被排除，以获得正常样本140。这样的正常样本140例如用于重新训练目标模型，或者用于其他模型的训练，从而获得性能更优的模型。

在另一实施例中，样本集110中的低质量样本130可以被识别并经过进一步地处理，转化为高质量样本，并进一步利用该高质量样本以及所述正常样本140训练机器学习模型。

下文将以错误标注样本作为低质量样本的示例。图2示出了根据本公开实施例的分析错误标注样本的过程的示意图200。如图2所示，样本集110可以具有对应的标注数据210。在一些实施例中，标注数据包括与样本集关联的目标类别标签、任务类别标签、行为类别标签中的至少一种。

如上文所讨论的，这样的标注数据210可以是由人工标注、模型自动标注或者其他适当的方式所产生的。因为一些可能的原因，这样的标注数据210可能存在部分错误。

在一些实施例中，根据目标模型220所要执行的任务类型的不同，标注数据210也可以呈现不同的形式。在一些实施例中，目标模型220可以用于执行针对输入样本的分类任务。相应地，标注数据210可以包括针对样本集110中各样本的分类标注。应当理解，图2中所示出了模型具体结构仅是示例性的，不旨在作为对本公开的限定。

例如，标注数据210可以是对于图像样本集的分类标注，对于视频样本集的分类标注，对于文本样本集的分类标注，对于语音样本集的分类标注，或者对于其他类型样本集的分类标注。

在一些实施例中，目标模型220可以用于执行针对输入样本的回归任务。例如，目标模型220可以用于输出输入图像样本中特定对象的边界(例如，图像中包括的猫的边界像素)。相应地，标注数据210例如可以包括边界像素的标注位置。

如图2所示，分析设备120可以利用目标模型220来处理样本集110，以确定针对样本集110的预测数据和与预测数据对应的置信度230。

在一些实施例中，置信度230可以用于表征目标模型220所输出的预测数据的可靠性程度。在一些实施例中，置信度230可以包括由目标模型220所确定的与预测数据相关联的不确定性度量，例如贝叶斯活跃学习分歧度量(Bayesian Active Learning byDisagreement，BALD)。应当理解，不确定度量所表征的不确定越大，则预测数据的可靠性程度越低。

在一些实施例中，置信度220例如可以基于预测数据和标注数据的差异来确定。具体地，置信度230还以包括在目标模型220经由样本集110和标注数据210所训练完成后输出的损失度量，其例如可以保证预测数据与标注数据的差异。这样的损失度量例如可以由与相应样本对应的损失函数的值来表示。在一些实施例中，损失函数的值越大，则表示预测数据的可靠性程度越低。

进一步地，如图2所示，分析设备120还可以基于预测数据与标注数据210的比较，来确定目标模型220的准确度240。准确度240可以标注数据与预测数据匹配的样本占样本集110中的比例来确定。例如，如果样本集110中包括100个样本，且目标模型220所输出的预测数据同标注数据匹配的样本为80个，则准确度可以被确定为20％。

取决于目标模型220所执行的任务类型，预测数据与标注数据匹配可以具有不同的含义。以分类任务作为示例，预测数据与标注数据的匹配旨在表示目标模型220输出的分类标签同分类标注相同。

对于回归任务，预测数据与标注数据的匹配可以基于预测数据与标注数据之间的差异的大小来确定。例如，以输出图像中特定对象的边界的回归任务作为示例，分析设备120可以基于预测数据中所包括的一组像素点的位置与标注数据中所包括的一组像素点的位置之间的距离来确定预测数据与标注数据是否匹配。

例如，如果距离超过预定阈值，则可以认定预测数据与标注数据不匹配。否则，可以认定预测数据与标注数据匹配。

进一步地，如图2所示，分析设备120可以基于置信度230和准确度240来从样本集中确定候选样本(也即，作为错误标注样本的异常样本130)。这样的候选样本例如可以被确定为具有错误标注数据的可能性。

在一些实施例中，分析设备120可以基于准确度240和样本集110的数目来确定目标数目。例如，继续之前的示例，如果样本集110中包括100个样本，且准确度被确定为20％，则分析设备120可以确定目标数目为20个。

在一些实施例中，分析设备120还可以基于置信度230来确定样本集110中的哪些样本应当被确定为候选样本。示例性地，分析设备120可以基于置信度230所执行的预测结果的可靠性程度从低到高的排序，并从中挑选出根据准确度240所确定的目标数目的样本，以作为可能具有错误标注数据的候选样本。

基于这样的方式，本公开的实施例可以不依赖于标注数据的准确度的先验知识(现实中通常无法获得这一先验知识)而挑选出更加符合预期数目的候选样本。由此，可以避免挑选出的候选样本的数目与真实被错误标注的样本的数目差异过大。

在一些实施例中，在确定候选样本后，分析设备120还可以提供与所述候选样本相关联的样本信息。样本信息例如可以包括指示所述候选样本具有错误标注数据的可能性的信息。例如，分析设备120可以输出可能具有错误标注数据的样本的标识，以提示这样的样本可能具有错误标注数据。进一步地，分析设备120可以输出候选样本的初始标注数据以及预测标注数据。

在一些实施例中，分析设备120还可以仅利用样本集110来训练目标模型220而不依赖于其他训练数据。也即，在目标模型220在经由样本集110被训练之前，目标模型220可以处于初始化的状态，其例如具有相对较差的性能。

在一些实施例中，分析设备120可以利用该样本集110一次训练目标模型220。所述一次训练是指在样本集110输入所述目标模型之后自动化地训练模型，训练过程无需人工介入。相对于传统的人工挑选部分样本进行初步训练、利用初步训练的模型来预测其它样本，然后迭代式地重复人工挑选、训练以及预测步骤的方法，可以大大地降低人力成本和时间。

为了通过仅利用样本集110而直接训练目标模型220且能够挑选出候选样本，分析设备120可以通过适当的训练方式来训练目标模型220，以降低具有错误标注信息的样本对于目标模型220的训练过程的影响。

在一些实施例中，分析设备120可以利用样本集110和标注数据210训练目标模型220，以将样本集110划分为第一样本子集和第二样本子集。具体地，分析设备120可以基于与目标模型220的训练过程有关的训练参数来自动地将样本集110划分为第一样本集和第二样本子集。这样的第一样本子集例如可以被确定包括对于训练目标模型220有帮助的样本，而第二样本子集可以被确定为对于训练模型220可能有干扰的样本。

在一些实施例中，分析设备120可以利用样本集110和标注数据210训练目标模型，以确定与样本集110相关联的不确定性度量。进一步地，分析设备120可以基于所确定的不确定性度量来将样本集110划分为第一样本子集和第二样本子集。

在一些实施例中，分析设备120例如可以根据不确定度量与阈值的比较来将不确定度量小于阈值的样本确定为第一样本子集，并将不确定性度量大于或等于阈值的样本确定为第二样本子集。

在一些实施例中，分析设备120也可以利用样本集110和标注数据210来训练目标模型220，以确定与样本集110相关联的训练损失。进一步地，分析设备120可以利用分类器处理与样本集110相关联的训练损失，将样本集110划分为第一样本子集和第二样本子集。

在一些实施例中，分析设备120例如可以确定与每个样本对应的损失函数的值，以作为训练损失。进一步地，分析设备120例如可以利用高斯混合模型GMM作为分类器来根据训练损失将训练集110划分为第一样本子集和第二样本子集。

进一步地，在完成第一样本子集和第二样本子集的划分后，分析设备120可以进一步利用半监督学习方法，以根据第一样本子集的标注数据和第二样本子集来重训练目标模型，而不考虑第二样本子集的标注数据。

通过这样的方式，本公开的实施例不依赖于处样本集意外的其他训练数据，能够仅基于可能具有错误标注信息的样本的样本集本身来训练目标模型，并进而得到可能具有错误标注信息的候选样本。

以下将以图像样本集作为样本集110的示例来描述利用图像分类模型挑选可能具有错误图像分类标注的候选图像样本的过程。应当理解，这只是示例性的，如上文所介绍的，其他任何适当类型的样本集和/或目标模型也可以适用于上文所讨论的样本分析过程。

对于图像标注过程而言，标注方或者利用标注数据训练模型的训练方都可以部署如图1所讨论的分析设备来确定图像分类标注的质量。

在一些实施例中，分类标注可以对图像样本集中的各图像样本中的一个或多个图像区域进行分类标注。例如，标注方可能需要人工地为图像样本中的多个与动物对应的区域标注与动物类别对应的分类标签。

在一些实施例中，分析设备120可以获取这样的标注数据和对应的图像样本集。不同于直接将图像样本集用作输入到目标模型的样本集，分析设备120还可以提取与待标注的一组图像区域所对应的多个子图像，并将调整多个子图像的尺寸以获得用于训练目标模型的样本集110。

由于目标模型的输入图像通常具有相应的尺寸要求，分析设备120可以将多个子图像的尺寸调整到目标模型的要求尺寸，以方便目标模型的处理。

在将多个子图像统一到要求尺寸后，分析设备120可以基于上文所讨论的过程来从多个子图像中确定可能被错误标注的子图像。进一步地，分析设备120还可以提供与子图像所对应的原始图像样本，以例如作为训练方对于标注方的反馈，或者作为标注方对于具体标注人员的质量核查反馈。

基于这样的方式，本公开的实施例能够有效地从带有标注信息的多个图像样本中筛选出可能具有错误标注信息的区域(也称为标注框)，从而能够帮助标注方提高标注质量或者训练方提高模型性能。

下文将以异常分布样本作为低质量样本的示例，并将参考图3来描述异常分布样本分析过程。图3示出了根据本公开的一些实施例的异常分布样本分析的过程的示意图300。样本集110例如可以包括多个样本，并且其中可能存在如上文讨论的异常分布样本。

在一些实施例中，样本集110可以具有对应的标注数据310，这样的标注数据310例如可以包括针对样本集110中各样本的分类标签。

如图3所示，分析设备120可以利用样本集110和标注数据310来训练目标模型320。这样的目标模型320例如可以是分类模型，以用于确定输入样本的分类信息。应当理解，图3中所示出了模型具体结构仅是示例性的，不旨在作为对本公开的限定。

在目标模型320完成训练后，目标模型320可以输出与样本集110相关联的多个分类对应的特征分布330。例如，样本集110可以包括用于训练分类猫和狗的目标模型320的图像样本。相应地，特征分布330可以包括与分类“猫”对应的特征分布，和与分类“狗”对应的特征分布。

在一些实施例中，分析设备120可以基于以下公式来确定与分类对应的特征分布：

其中N

进一步地，如图3所示，分析设备120可以确定样本集110中各样本的特征与特征分布330之间的分布差异340。示例性地，分析设备120例如可以计算样本的特征与特征分布330之间的马氏距离(Mahalanobis Distance)：

进一步地，分析设备120可以基于分布差异340来确定样本集110中的异常分布样本，以作为异常样本130。分析设备120可以进一步从样本集110中过滤出低质量样本110以获得正常样本140，以用于目标模型320或其他模型的训练或重训练。

在一些实施例中，分析设备120例如可以基于分布差异340与预定阈值的比较，并将差异大于预定阈值的样本确定为异常分布样本。例如，分析设备120可以将基于公式(2)确定马氏距离与距离阈值进行比较，从而筛选出异常分布样本。

应当理解，如图3所示的筛选异常分布样本的过程例如可以被迭代地执行预定次数或者直至不输出任何的异常分布样本。具体地，在下次迭代过程中，前次迭代所确定的正常样本140可以进一步被用作训练目标模型320的样本集，并继续图3所讨论的过程。

基于上文所讨论的方式，本公开的实施例可以仅利用目标样本集110的训练过程来筛选出可能的异常分布样本，其不依赖于利用高质量的训练数据来事先训练目标模型。这能够降低对于训练数据清洁性的要求，从而提高了方法的普适性。

下文将以具有负影响的干扰样本作为低质量样本的示例，并将参考图4来描述干扰样本分析过程。图4示出了根据本公开的一些实施例的具有负影响的干扰样本分析的过程的示意图400。样本集110例如可以包括多个样本，并且其中可能存在如上文讨论的具有负影响的干扰样本。

在一些实施例中，分析设备120可以利用样本集110来训练目标模型420。在一些实施例中，目标模型420为有监督学习模型，目标模型420的训练需要与样本110对应的标注数据。应当理解，图4中所示出了模型具体结构仅是示例性的，不旨在作为对本公开的限定。

如图4所示，目标模型420还可以包括验证样本集410，验证样本集410中的样本可以被确定为对目标模型420的训练具有正影响的样本。

如图4所示，分析设备120可以确定样本集110中的各样本对于目标模型420的训练过程的影响程度与验证样本集410对目标模型420的训练过程的影响程度之间的影响相似度430。

在一些实施例中，分析设备120可以确定在多次迭代后与样本相关联的损失函数的值的变化大小。例如，分析设备120可以基于以下过程来确定样本集110中的样本z与验证样本集z’之间的影响相似度：

其中t表示训练的迭代次数，w

在一些实施例中，公式(3)可以进一步被简化为公式(4)，也即转换为梯度变化的乘积：

其中η

在一些实施例中，分析设备120可以进一步基于影响相似度430来从样本集110中确定具有负影响的干扰样本，以作为低质量样本130。示例性地，分析设备120例如基于先验知识从样本集110中确定多个干扰样本，并且将多个干扰样本的影响相似度430与阈值进行比较。例如，影响相似度430小于阈值的样本可以被确定作为具有负影响的干扰样本。

在一些实施例中，较大的影响相似度430表示该样本对于目标模型420的影响与验证样本集410对于目标模型420的影响之间的相似度较大。由于验证样本集410对于目标模型420是正影响，因此，较小的影响相似度430可以指示该样本对目标模型420的影响可能为负影响。由于某些干扰样本能够为目标模型420的训练带来正影响，基于这样的方式，本公开的实施例可以进一步筛选出给模型带来负影响的具有负影响的干扰样本。

在一些实施例中，分析设备120可以进一步从样本集中排除可能的具有负影响的干扰样本并获得正常样本，以用于目标模型420或其他模型的训练或重训练。

基于上文所讨论的方式，本公开的实施例可以仅利用样本集的训练过程来筛选出可能的具有负影响的干扰样本，其不依赖于利用高质量的训练数据来事先训练目标模型。这能够降低对于训练数据清洁性的要求，从而提高了方法的普适性。

如上文所讨论的，样本集中可能包括多种类型的低质量样本，例如，错误标注样本、异常分布样本、或者具有负影响的干扰样本等。在低质量样本分析的过程中，低质量样本类型分析的顺序也将显著地影响低质量样本分析的性能。

根据本公开的实施例，提供了一种用于样本分析的方案。在该方案中，利用第一处理模型处理初始样本集，以获得被确定为具有准确标注信息的优化样本集。进一步地，利用优化样本集训练至少一个第二处理模型，并利用经训练的至少一个第二处理模型，处理目标样本集以过滤至少一个异常样本，其中目标样本集为初始样本集或优化样本集，并且至少一个异常样本包括异常分布样本或具有负影响的干扰样本。基于这样的方式，通过首先过滤错误标注样本能够有效地提高多类型低质量样本的分析效率。

以下将参考图5来讨论根据本公开的低质量样本的协作分析过程。如图5所示，处理模型520(也称为第一处理模型)可以接收初始样本集510，以获得被确定为具有准确标注信息的优化样本集530。

应当理解，可以采用任何适当的处理模型520来过滤初始样本集510中可能被错误标准的样本，以获得优化样本集530。这样的处理模型520可以包括但不限于上文所讨论的模型220。

进一步地，如图5所示，优化样本集530可以被提供至协作优化模块540，以用于训练协作优化模块540中所包括的一个或多个处理模型545-1至545-N(单独或统一称为第二处理模型545)。

在一些实施例中，协作优化模块540可以包括用于识别异常分布样本的处理模型545-1，其可以基于优化样本集530而被训练。应当理解，可以采用任何适当的方式来实现处理模型545-1，其示例包括但不限于上文所讨论的模型320。

在一些实施例中，协作优化模块540例如还可以用于识别具有负影响的干扰样本的处理模型545-N，其可以基于优化样本集530而被训练。应当理解，可以采用任何适当的方式来实现处理模型545-N，其示例包括但不限于上文所讨论的模型420。

在一些实施例中，协作优化模块540还可以包括用于识别或过滤其他类型的低质量样本的其他处理模型。

在一些实施例中，协作优化模块540中的一个处理模型545例如也可以基于另一个处理模型545对优化样本集530过滤后的样本集而被训练。

例如，用于识别异常分布样本的处理模型545-1可以利用优化样本集530而被训练，并被应用而过滤优化样本集530中的异常分布样本。进一步地，经过滤的优化样本集可以进一步用于训练协作优化模块540中的另一处理模型545-N。

在一些实施例中，协作优化模块540中经训练的处理模型545可以被用于处理初始样本集510或者初始样本集510中的子集，以执行样本的优化。

示例性地，用于识别异常分布样本的处理模型545-1可以用于处理初始样本集510，以过滤初始样本集510中的异常分布样本。备选地，处理模型545-1可以用于处理优化样本集530，以过滤初始样本集530中的异常分布样本。

类似地，示例性地，用于识别具有负影响的干扰样本的处理模型545-N可以用于处理初始样本集510，以过滤初始样本集510中的具有负影响的干扰样本。备选地，处理模型545-N可以用于处理优化样本集530，以过滤初始样本集530中的具有负影响的干扰样本。

在一些实施例中，当协作优化模块540中的各处理模型545的数据不存在依赖性时，各处理模型的545的训练或处理过程可以至少部分并行地执行。

例如，处理模型545-1和处理模型545-N可以基于优化样本集530而被并行地训练。备选地或附加地，经训练的处理模型545-1和545-N可以用于并行地处理初始样本集510。

在一些实施例中，可以基于优化样本集530和协作优化模块540的处理结果来获得最终的输出样本集550。取决于各处理模型数据所处理数据之间的依赖性，输出样本集550可以相应地被确定。

例如，经训练的处理模型545-1可以被用于进一步过滤优化样本集530，且处理模型545-N可以被用于进一步过滤处理模型545-1的输出，则处理模型545-N的输出即可以被确定为输出样本集550。

作为另一示例，经训练的处理模型545-1和545-N可以用于并行地处理初始样本集510，则输出样本集550可以基于优化样本集530、处理模型545-1的输出和处理模型545-N的输出而被确定。

在一些实施例中，处理模型520和协作处理模型540中的一个或多个处理模型545例如可以被协同训练。示例性地，处理模型520在训练过程中所产生的中间数据可以被提供作为一个或多个处理模型545的训练输入，并基于统一的目标函数来实现处理模型520和一个或多个处理模型545的协同训练。

基于这样的过程，可以使得通过一次训练过程就能够实现多优化任务。例如，处理模型520可以与协作处理模型540中的处理模型545一同被视作统一的模型，而使得该模型能够基于初始样本集510而直接提供输出样本集550。

在一些实施例中，输出样本集550可以被提供用于适当模型的训练过程。备选地或附加地，基于处理模型520和协作优化模块540所确定的低质量样本可以被识别并经过进一步地处理，转化为高质量样本。

图6A至图6C进一步示出了用于确定输出样本集550的多种示例实现方式。

示例一

如图6A所示，初始样本集510可以被提供至处理模型520，以确定优化样本集530。进一步地，协作优化模块540中的多个处理模型545可以被配置为依次被训练和优化所接收的样本数据。

以图6A作为示例，优化样本集530例如可以被提供至处理模型545-1，以用于训练处理模型545-1。进一步地，经训练的处理模型545-1还可以处理优化样本集530，以确定中间样本集610。

进一步地，中间样本集610可以被提供至协作优化模块540中的另一处理模型，以实现处理模型的训练，以及针对中间样本集610的进一步优化。基于这样的过程，在经历协作优化模型540中一个或多个处理模型545的顺序处理后，可以获得最终的输出样本集550。

在一些实施例中，如上文所讨论的，处理模型520与协作优化模块540可以被视作一个统一的模型620而被协同训练。具体地，在每次训练迭代过程中，处理模型520可以基于每次迭代中的中间数据来生成到处理模型545-1的中间输入数据，并依次传递，直至最后一个处理模型，例如处理模型545-N。

进一步地，可以基于针对处理模型520和协作优化模块540的统一的目标函数，来实现各个模型中参数的传递，从而实现多个处理模型的协同训练。

示例二

如图6B所示，初始样本集510可以被提供至处理模型520，以确定优化样本集530。进一步地，优化样本集530例如可以用于训练协作优化模块540中所包括的一个或多个处理模型545。

与图6A所示出的过程不同，经训练的一个或多个处理模型545可以被用于处理初始样本集510。应当理解，一个或多个处理模型545可以用于顺序地或者并行地处理初始样本集。

例如，一个或多个处理模型545可以分别并行处理初始样本集，以获得对应的一个或多个中间样本集。

作为另一示例，一个或多个处理模型545可以按照与图6A类似地方式来执行针对初始样本集510的依次优化。例如，初始样本510经一个处理模型的优化结果可以被提供至另一处理模型，以执行进一步的优化。

进一步地，可以基于一个或多个中间样本集和优化样本集530来确定最终的输出样本集550。

示例三

如图6C所示，初始样本集510可以被提供至处理模型520，以确定优化样本集530。进一步地，优化样本集530例如可以用于训练协作优化模块540中所包括的一个或多个处理模型545。

与图6B所示出的过程不同，经训练的一个或多个处理模型545例如可以用于并行地处理优化样本集530，从而确定一个或多个中间样本集630。进一步地，可以基于一个或多个中间样本630来确定最终的输出样本集550。

图7示出了根据本公开的一些实施例的用于样本分析的过程700的流程图。过程700可以由图1的分析设备120来实现。

如图7所示，在框710，分析设备120利用样本集来对未经训练的目标模型进行训练。如上文参考图2至图4所讨论的，针对不同类型的异常样本，分析设备120可以利用不同类型的目标模型来进行处理，其中这样的目标模型未利用其他数据集而被训练。

在框720，分析设备120基于对目标模型的训练，确定与样本集中的各样本相关联的训练评估因子。如上文参考图2至图4所讨论的，针对不同类型的异常样本，分析设备120可以确定不同类型的训练评估因子。

对于错误标注样本，训练评估因子例如可以包括由训练损失所指示的预测数据与标注数据的差异。对于异常分布样本，训练评估因子例如可以包括样本的特征与样本所对应的分类的特征分布之间的分布差异。对于干扰样本，训练评估因子可以包括样本对于目标模型的训练过程的影响程度，其例如可以通过与样本对应的训练损失在训练过程的变化程度。

在框730，分析设备120基于训练评估因子，从样本集中确定至少一个异常样本，至少一个异常样本包括以下中的至少一项：错误标注样本、异常分布样本或具有负影响的干扰样本。

在一些实施例中，异常样本包括错误标注样本，并且确定与样本集中的各样本相关联的训练评估因子包括：基于对未经训练的目标模型的训练，确定针对样本集的预测数据；基于预测数据同与样本集相关联的标注数据的比较，确定预测数据的置信度；以及基于置信度，确定与样本集中的各样本相关联的训练评估因子。

在一些实施例中，异常样本包括异常分布样本，并且确定与样本集中的各样本相关联的训练评估因子包括：利用经训练的目标模型，确定与样本集中的至少一个分类相关联的特征分布；以及利用经训练的目标模型确定与样本集中的目标样本相对应的样本特征，目标样本与至少一个分类中的目标分类相关联；确定目标样本的样本特征同与目标分类相关联的特征分布之间的差异；以及基于差异，确定与目标样本相关联的训练评估因子。

在一些实施例中，差异通过马氏距离来确定。

在一些实施例中，异常样本包括具有负影响的干扰样本，其中目标模型利用样本集和验证集而被训练，并且确定与样本集中的各样本相关联的训练评估因子包括：基于利用样本集和验证集的训练，确定样本集中的一组干扰样本对于训练的第一影响程度与验证集对于训练的第二影响程度之间的相似度；以及基于相似度，确定与一组干扰样本相关联的训练评估因子。

在一些实施例中，样本集包括多个图像样本，并且目标模型为图像分类模型。

图8示出了根据本公开的一些实施例的用于样本分析的过程800的流程图。过程800可以由图1的分析设备120来实现。

如图8所示，在框810，分析设备120利用第一处理模型处理初始样本集，以获得被确定为具有准确标注信息的优化样本集。

在框820，分析设备120利用所述优化样本集训练至少一个第二处理模型。

在框830，分析设备120利用经训练的所述至少一个第二处理模型，处理目标样本集以过滤至少一个异常样本，所述目标样本集为所述初始样本集或所述优化样本集，所述至少一个异常样本包括异常分布样本或具有负影响的干扰样本。

在一些实施例中，所述至少一个第二处理模型包括用于确定所述异常分布样本的分布处理模型和用于确定所述干扰样本的干扰处理模型。

在一些实施例中，所述第一处理模型和所述至少一个第二处理模型被协同地训练。

在一些实施例中，方法还可以包括：提供经过滤的所述目标样本集，以用于模型训练。

图9示出了可以用来实施本公开内容的实施例的示例设备900的示意性框图。例如，如图1所示的分析设备120可以由设备900来实施。如图所示，设备900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的计算机程序指令或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序指令，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

上文所描述的各个过程和处理，例如过程700和/或过程800，可由处理单元901执行。例如，在一些实施例中，过程700和/或过程800可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序被加载到RAM 903并由CPU 901执行时，可以执行上文描述的过程700和/或过程800的一个或多个动作。

本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是、但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

本公开可以被实现为系统、方法和/或计算机程序产品。当本公开被实现为系统时，除了能够在单个设备上实现之外，本文所描述的部件还可以以云计算架构的形式来实现。在云计算环境中，这些部件可以被远程布置，并且可以一起工作以实现本公开所描述的功能。云计算可以提供计算、软件、数据访问和存储服务，它们不需要终端用户知晓提供这些服务的系统或硬件的物理位置或配置。云计算可以使用适当的协议通过广域网(诸如因特网)提供服务。例如，云计算提供商通过广域网提供应用，并且它们可以通过浏览器或任何其他计算组件被访问。云计算的部件以及相应的数据可以被存储在远程服务器上。云计算环境中的计算资源可以在远程数据中心位置处被合并，或者这些计算资源可以被分散。云计算基础设施可以通过共享数据中心提供服务，即使它们表现为针对用户的单一访问点。因此，可以使用云计算架构从远程服务提供商提供本文所描述的各种功能。备选地，它们可以从常规服务器被提供，或者它们可以直接或以其他方式被安装在客户端设备上。此外，本公开还可以被实现为计算机程序产品，该计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施方式，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施方式。在不偏离所说明的各实施方式的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施方式的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施方式。