CN112541557A - 生成式对抗网络的训练方法、装置及电子设备 - Google Patents

生成式对抗网络的训练方法、装置及电子设备 Download PDF

Info

Publication number
CN112541557A
CN112541557A CN202011562340.5A CN202011562340A CN112541557A CN 112541557 A CN112541557 A CN 112541557A CN 202011562340 A CN202011562340 A CN 202011562340A CN 112541557 A CN112541557 A CN 112541557A
Authority
CN
China
Prior art keywords
sample
interference
probability
loss value
generative
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011562340.5A
Other languages
English (en)
Other versions
CN112541557B (zh
Inventor
余晓峰
郑立涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011562340.5A priority Critical patent/CN112541557B/zh
Publication of CN112541557A publication Critical patent/CN112541557A/zh
Application granted granted Critical
Publication of CN112541557B publication Critical patent/CN112541557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种生成式对抗网络的训练方法、装置及电子设备，涉及人工智能技术领域，尤其涉及深度学习与自然语言处理技术领域。具体实现方案为：确定干扰样本集中各个干扰样本当前分别对应的干扰概率；根据每个干扰样本当前对应的干扰概率，从干扰样本集中获取目标干扰样本；利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本；将判别样本输入生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率；根据判别样本属于真实样本的概率及对应的干扰概率，对生成式对抗网络进行修正。由此，通过这种生成式对抗网络的训练方法，提升了生成式对抗网络的抗噪性和泛化性。

Description

生成式对抗网络的训练方法、装置及电子设备
技术领域
本申请涉及计算机技术领域，尤其涉及深度学习、自然语言处理等人工智能技术领域，提出一种生成式对抗网络的训练方法、装置及电子设备。
背景技术
序列标注是信息提取、问答***、句法分析、机器翻译等应用领域的重要基础工具，在自然语言处理技术走向实用化的过程中占有重要地位。核心词识别作为一种特定的序列标注任务，旨在识别短文本中的用户核心诉求和意图，对广告触发、问题飘红、业务点挖掘都有重要作用。
相关技术中，基于预训练和微调的序列标注模型，需要大量且高质量的标注数据，当标注数据质量不高或标注不一致时，将严重影响模型的性能。
发明内容
本申请提供了一种用于生成式对抗网络的训练方法、装置、电子设备、存储介质以及计算机程序产品。
根据本申请的一方面，提供了一种生成式对抗网络的训练方法，包括：确定干扰样本集中各个干扰样本当前分别对应的干扰概率；根据每个所述干扰样本当前对应的干扰概率，从所述干扰样本集中获取目标干扰样本；利用所述生成式对抗网络中的生成器，对所述目标干扰样本进行处理，以生成判别样本；将所述判别样本输入所述生成式对抗网络中的判别器，以获取所述判别样本属于真实样本的概率；根据所述判别样本属于真实样本的概率及对应的干扰概率，对所述生成式对抗网络进行修正。
根据本申请的另一方面，提供了一种生成式对抗网络的训练装置，包括：第一确定模块，用于确定干扰样本集中各个干扰样本当前分别对应的干扰概率；第一获取模块，用于根据每个所述干扰样本当前对应的干扰概率，从所述干扰样本集中获取目标干扰样本；生成模块，用于利用所述生成式对抗网络中的生成器，对所述目标干扰样本进行处理，以生成判别样本；第二获取模块，用于将所述判别样本输入所述生成式对抗网络中的判别器，以获取所述判别样本属于真实样本的概率；第一修正模块，用于根据所述判别样本属于真实样本的概率及对应的干扰概率，对所述生成式对抗网络进行修正。
根据本申请的再一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前所述的生成式对抗网络的训练方法。
根据本申请的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如前所述的生成式对抗网络的训练方法。
根据本申请的又一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前所述的生成式对抗网络的训练方法。
根据本申请的技术方案，解决了相关技术中，基于预训练和微调的序列标注模型，需要大量且高质量的标注数据，当标注数据质量不高或标注不一致时，将严重影响模型的性能的问题。通过根据干扰样本集中各个干扰样本当前分别对应的干扰概率，从干扰样本集中获取目标干扰样本，并利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本；之后将判别样本输入所述生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率，进而根据判别样本属于真实样本的概率及对应的干扰概率，对生成式对抗网络进行修正。由此，通过在训练过程中***干扰样本，提升了生成式对抗网络对低质量样本的识别能力，从而提升了生成式对抗网络的抗噪性和泛化性。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例所提供的一种生成式对抗网络的训练方法的流程示意图；
图2为本申请实施例所提供的另一种生成式对抗网络的训练方法的流程示意图；
图3为本申请实施例所提供的再一种生成式对抗网络的训练方法的流程示意图；
图4为本申请实施例提供的一种生成式对抗网络的训练装置的结构示意图；
图5为用来实现本申请实施例的生成式对抗网络的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
以下对本申请的方案涉及的技术领域进行简要说明：
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机***，特别是其中的软件***。因而它是计算机科学的一部分。
本申请实施例针对相关技术中，基于预训练和微调的序列标注模型，需要大量且高质量的标注数据，当标注数据质量不高或标注不一致时，将严重影响模型的性能的问题，提出一种生成式对抗网络的训练方法。
下面参考附图对本申请提供的生成式对抗网络的训练方法、装置、电子设备、存储介质及计算机程序产品进行详细描述。
图1为本申请实施例所提供的一种生成式对抗网络的训练方法的流程示意图。
如图1所示，该生成式对抗网络的训练方法，包括以下步骤：
步骤101，确定干扰样本集中各个干扰样本当前分别对应的干扰概率。
需要说明的是，本申请实施例的生成式对抗网络的训练方法可以由本申请实施例的生成式对抗网络的训练装置执行，本申请实施例的生成式对抗网络的训练装置可以配置在任意电子设备中，以执行本申请实施例的生成式对抗网络的训练方法。
在本申请实施例中，本申请实施例的生成式对抗网络的训练方法可以应用在序列标注、图像处理等包含生成式对抗网络的模型的训练场景，以生成需要的图像处理模型或序列标注模型等。
其中，干扰样本集，可以是指包含错误标注的标注质量较低的样本集。
其中，干扰样本对应的干扰概率，可以是指干扰样本对应的标注数据为错误标注的概率。
在本申请实施例中，训练生成式对抗网络时，可以利用可靠样本集R与干扰样本集U同时对生成式对抗网络进行训练，以通过提升生成式对抗网络对干扰样本的识别能力，提升生成式对抗网络的抗噪性和泛化性。
作为一种可能的实现方式，可以通过生成式对抗网络中的生成器对干扰样本集中的各个干扰样本进行处理，以生成每个干扰样本当前分别对应的干扰概率。
步骤102，根据每个干扰样本当前对应的干扰概率，从干扰样本集中获取目标干扰样本。
其中，目标干扰样本，是指干扰样本集中对应的干扰概率较大的干扰样本。
在本申请实施例中，确定出每个干扰样本当前对应的干扰概率之后，由于干扰样本当前对应的干扰概率越大，说明该干扰样本对应的标注数据为错误标注的概率越大，因此可以选择干扰概率较大的干扰样本参与生成对抗网络的训练，以在迭代训练过程中提升生成式对抗网络对不可靠样本的识别能力。比如，可以利用生成器生成每个干扰样本当前对应的干扰概率，并将当前对应的干扰概率最大的干扰样本确定为目标干扰样本。
步骤103，利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本。
作为一种可能的实现方式，生成式对抗网络中的生成器可以根据目标干扰样本，生成目标干扰样本对应的标注数据，并将目标干扰样本于生成器生成的标注数据，作为判别样本。
作为另一种可能的实现方式，生成器还可以直接将目标干扰样本及其对应的标注数据作为判别样本。
步骤104，将判别样本输入生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率。
其中，判别样本属于真实样本的概率，可以是指判别样本中的标注数据为正确标注的概率。
在本申请实施例中，可以将判别样本输入生成式对抗网络中的判别器，以使判别器生成判别样本属于真实样本的概率，以在对抗训练过程中根据判别器对判别样本的识别结果，提升生成器识别目标干扰样本的性能和生成标注数据的精度。
作为一种可能的实现方式，在对生成式对抗网络进行训练时，还可以利用可靠样本集R和干扰样本集U同时对生成式对抗网络进行训练，因此，还可以将可靠样本集中的各可靠样本输入判别器，以使判别器生成各可靠样本属于真实样本的概率。
步骤105，根据判别样本属于真实样本的概率及对应的干扰概率，对生成式对抗网络进行修正。
在本申请实施例中，由于判别样本属于真实样本的概率，可以反映判别器的判别精度，又可以反映生成器生成标注数据的精度，判别样本对应的干扰概率可以反映生成器选取目标干扰样本的精度，因此，可以根据判别样本属于真实样本的概率及对应的干扰概率，生成生成对抗式网络的损失值，并根据该损失值对生成式对抗网络中生成器与判别器的参数进行修正，以同时提升生成器与判别器的精度。
根据本申请实施例的技术方案，通过根据干扰样本集中各个干扰样本当前分别对应的干扰概率，从干扰样本集中获取目标干扰样本，并利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本；之后将判别样本输入所述生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率，进而根据判别样本属于真实样本的概率及对应的干扰概率，对生成式对抗网络进行修正。由此，通过在训练过程中***干扰样本，提升了生成式对抗网络对低质量样本的识别能力，从而提升了生成式对抗网络的抗噪性和泛化性。
在本申请一种可能的实现形式中，可以将干扰样本转换至超平面后在计算干扰样本当前的干扰概率，以提升干扰概率的准确性，进而进一步提升生成式对抗网络的精度。
下面结合图2，对本申请实施例提供的生成式对抗网络的训练方法进行进一步说明。
图2为本申请实施例所提供的另一种生成式对抗网络的训练方法的流程示意图。
如图2所示，该生成式对抗网络的训练方法，包括以下步骤：
步骤201，利用生成式对抗网络中的编码器，将干扰样本集中的各个干扰样本分别进行编码，以确定每个干扰样本的向量表示。
在本申请实施例中，生成式对抗网络中还可以包括编码器，并将干扰样集中的各个干扰样本输入编码器，生成每个干扰样本的向量表示，从而使得生成器直接对每个干扰样本的向量表示进行处理。
需要说明的是，在同时利用可靠样本集R与干扰样本集U同时对生成式对抗网络进行训练时，还可以将可靠样本集R中的每个可靠样本输入编码器，以生成每个可靠样本对应的向量表示。
步骤202，基于预设的超平面参数，确定干扰样本集中每个干扰样本当前对应的超平面。
在本申请实施例中，可以利用预设的超平面参数与每个干扰样本对应的向量表示，确定每个干扰样本当前对应的超平面。可以通过公式(1)确定干扰样本对应的超平面。
g(x)＝Wx+b (1)
其中，x为干扰样本对应的向量表示，g(x)为干扰样本x对应的超平面，W和b为预设的超平面参数。
步骤203，根据每个干扰样本当前对应的超平面，计算每个干扰样本当前对应的干扰概率。
在本申请实施例中，确定出每个干扰样本当前对应的超平面之后，可以根据公式(2)确定出每个干扰样本当前对应的干扰概率。
Figure BDA0002861091410000061
其中，PU(x,θG)为干扰样本x当前对应的干扰概率，U为干扰样本集，x为干扰样本的向量表示，θG为生成器对应的参数，
Figure BDA0002861091410000062
为干扰样本集U中所有干扰样本的向量表示，g(x)为干扰样本x对应的超平面，
Figure BDA0002861091410000063
为干扰样本集U中所有干扰样本的超平面。
需要说明的是，PU(x,θG)越大，说明干扰样本x越容易出错和混淆。
步骤204，根据每个干扰样本当前对应的干扰概率，从干扰样本集中获取目标干扰样本。
步骤205，利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本。
步骤206，将判别样本输入生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率。
步骤207，根据判别样本属于真实样本的概率及对应的干扰概率，对生成式对抗网络进行修正。
上述步骤204-207的具体实现过程及原理，可以参照上述实施例的详细描述，此处不再赘述。
根据本申请实施例的技术方案，通过利用生成式对抗网络中的编码器，将干扰样本集中的各个干扰样本分别进行编码，以确定每个干扰样本的向量表示，并将干扰样本集中每个干扰样本转换至超平面，以根据每个干扰样本当前对应的超平面，计算每个干扰样本当前对应的干扰概率，之后根据干扰样本集中各个干扰样本当前分别对应的干扰概率，从干扰样本集中获取目标干扰样本，以及利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本，进而将判别样本输入所述生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率，以根据判别样本属于真实样本的概率及对应的干扰概率，对生成式对抗网络进行修正。由此，通过在训练过程中***干扰样本，提升了生成式对抗网络对低质量样本的识别能力，并将干扰样本转换至超平面后在计算干扰样本当前的干扰概率，以提升干扰概率的准确性，从而不仅提升了生成式对抗网络的抗噪性和泛化性，而且进一步提升了生成式对抗网络的精度。
在本申请一种可能的实现形式中，可以分别生成生成器和判别器的损失值，以分别对生成器和判别器对应的参数进行修正，进一步提升生成式对抗网络的训练效果。
下面结合图3，对本申请实施例提供的生成式对抗网络的训练方法进行进一步说明。
图3为本申请实施例所提供的再一种生成式对抗网络的训练方法的流程示意图。
如图3所示，该生成式对抗网络的训练方法，包括以下步骤：
步骤301，利用生成式对抗网络中的编码器，将干扰样本集中的各个干扰样本分别进行编码，以确定每个干扰样本的向量表示。
步骤302，确定干扰样本集中各个干扰样本当前分别对应的干扰概率。
步骤303，根据每个干扰样本当前对应的干扰概率，从干扰样本集中获取目标干扰样本。
步骤304，利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本。
步骤305，将判别样本输入生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率。
上述步骤301-305的具体实现过程及原理，可以参照上述实施例的详细描述，此处不再赘述。
步骤306，根据判别样本属于真实样本的概率及对应的干扰概率，确定第一损失值及第二损失值。
作为一种可能的实现方式，由于判别器生成的判别样本属于真实样本的概率分布于生成器确定的干扰样本对应的干扰概率分布之间的差异，可以反映生成器的精度以及判别器的判别精度，因此可以根据判别样本属于真实样本的概率及对应的干扰概率，确定第一损失值及第二损失值，以分别对生成器与判别器对应的参数进行修正。其中，第一损失值可以通过公式(3)确定，第二损失值可以通过公式(4)确定。
Figure BDA0002861091410000081
其中，
Figure BDA0002861091410000082
为第一损失值，x为干扰样本，U干扰样本集，θG为生成器对应的参数，PU(x,θG)为干扰样本x的干扰概率，P(y|x,θD)为判别器生成的干扰样本x对应的判别样本属于真实样本的概率，θD为判别器对应的参数。
Figure BDA0002861091410000083
其中，
Figure BDA0002861091410000084
为第二损失值，U为干扰样本集，PU(x,θG)为干扰样本集U中的干扰样本x的干扰概率，θG为生成器对应的参数，P(y|x,θD)为判别器生成的干扰样本x对应的判别样本属于真实样本的概率。
步骤307，根据第一损失值，对生成器进行修正。
在本申请实施例中，确定出第一损失值之后，即可以根据第一损失值对生成器对应的参数进行修正，以使生成器确定干扰概率的准确性不断提高，尽可能选择出最容易混淆、出错的干扰样本传递给判别器；并不断提升生成器生成标注数据的准确性。
步骤308，根据第二损失值，对判别器进行修正。
在本申请实施例中，确定出第二损失值之后，可以根据第二损失值对判别器对应的参数进行修正，以使判别器生成的可靠样本集R中的可靠样本属于真实样本的概率越来越大，以及使得判别器生成的判别样本属于真实样本的概率越来越小，从而提升了判别器的判别精度。
进一步的，由于在训练生成式对抗网络时，可以利用可靠样本集R和干扰样本集U同时对生成式对抗网络进行训练，而判别器需要同时对可靠样本集R和干扰样本集U中的样本进行处理，因此，可以根据判别器对可靠样本集R和干扰样本集U的判别结果，生成判别器的损失值，以保证判别器的训练精度。即在本申请实施例一种可能的实现方式中，上述方法，还可以包括：
将标注样本输入生成式对抗网络中的判别器，以获取标注样本属于真实样本的概率；
根据标注样本属于真实样本的概率，确定第三损失值；
根据第三损失值，对判别器进行修正。
其中，标注样本，可以是指可靠样本集中的可靠样本。
在本申请实施例中，利用可靠样本集R和干扰样本集U同时对生成式对抗网络进行训练时，还可以根据判别器对可靠样本集R中的标注样本的判别结果，生成第三损失值，以对判别器对应的参数进行修正。其中，第三损失值可以通过公式(5)确定。
Figure BDA0002861091410000085
其中，
Figure BDA0002861091410000091
为第三损失值，R为可靠样本集，logP(y|x,θD)为判别器生成的标注样本x属于真实样本的概率，θD为判别器对应的参数。
作为一种可能的实现方式，利用可靠样本集R和干扰样本集U同时对生成式对抗网络进行训练时，可以根据第二损失值和第三损失值同时对判别器对应的参数进行修正。因此，可以根据第二损失值和第三损失值确定判别器对应的总损失值，并根据判别器对应的总损失值对判别器对应的参数进行修正。其中，判别器对应的总损失值可以通过公式(6)确定。
Figure BDA0002861091410000092
其中，
Figure BDA0002861091410000093
为判别器的总损失值，R为可靠样本集，logP(y|x,θD)为判别器生成的可靠样本集R中的标注样本x属于真实样本的概率，θD为判别器对应的参数，U干扰样本集，PU(x,θG)为干扰样本集U中的干扰样本x的干扰概率，θG为生成器对应的参数，P(y|x,θD)为判别器生成的干扰样本x对应的判别样本属于真实样本的概率。
作为一种可能的实现方式，为使得判别器更加关注困难的、易错分的样本，可以通过标签平滑技术对判别器对应的总损失值进行修正，以进一步提升生成式对抗网络的抗噪性和泛化性。其中，可以通过公式(7)对第二损失值进行修正。
Figure BDA0002861091410000094
其中，
Figure BDA0002861091410000095
为修正后的判别器对应的总损失值，ε为一个较小的超参数，
Figure BDA0002861091410000096
为判别器对应的总损失值，y1为多类标注标签中的任意一类或多类。
需要说明的是，实际使用时，可以根据实际需要及具体的应用场景确定y1，以使判别器更加关注y1中的样本。
步骤309，根据第一损失值及第二损失值，对编码器进行修正。
在本申请实施例中，在生成对抗式网络中包括编码器时，由于编码器的输出既需要输入生成器也需要输入判别器，因此可以根据第一损失值与第二损失值生成全局损失值，以对编码器进行修正。其中，全局损失值可以通过公式(8)确定。
Figure BDA0002861091410000097
其中，
Figure BDA0002861091410000098
为全局损失值，
Figure BDA0002861091410000099
为第二损失值，
Figure BDA00028610914100000910
为第一损失值，λ为可调系数。
需要说明的是，实际使用时，可以根据实际需要及具体的应用场景，调整λ的取值，以平衡第一损失值与第二损失值对编码器的修正权重。
根据本申请实施例的技术方案，通过根据干扰样本集中各个干扰样本当前分别对应的干扰概率，从干扰样本集中获取目标干扰样本，并利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本；之后将判别样本输入所述生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率，进而根据生成生成器和判别器的损失值，分别对生成器和判别器对应的参数进行修正。由此，通过在训练过程中***干扰样本，提升了生成式对抗网络对低质量样本的识别能力，并根据不同的损失值分别对生成器和判别器进行修正，从而进一步提升了生成式对抗网络的抗噪性和泛化性。
为了实现上述实施例，本申请还提出一种生成式对抗网络的训练装置。
图4为本申请实施例提供的一种生成式对抗网络的训练装置的结构示意图。
如图4所示，该生成式对抗网络的训练装置40，包括：
第一确定模块41，用于确定干扰样本集中各个干扰样本当前分别对应的干扰概率；
第一获取模块42，用于根据每个干扰样本当前对应的干扰概率，从干扰样本集中获取目标干扰样本；
生成模块43，用于利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本；
第二获取模块44，用于将判别样本输入生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率；
第一修正模块45，用于根据判别样本属于真实样本的概率及对应的干扰概率，对生成式对抗网络进行修正。
在实际使用时，本申请实施例提供的生成式对抗网络的训练装置，可以被配置在任意电子设备中，以执行前述生成式对抗网络的训练方法。
根据本申请实施例的技术方案，通过根据干扰样本集中各个干扰样本当前分别对应的干扰概率，从干扰样本集中获取目标干扰样本，并利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本；之后将判别样本输入所述生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率，进而根据判别样本属于真实样本的概率及对应的干扰概率，对生成式对抗网络进行修正。由此，通过在训练过程中***干扰样本，提升了生成式对抗网络对低质量样本的识别能力，从而提升了生成式对抗网络的抗噪性和泛化性。
在本申请一种可能的实现形式中，上述第一确定模块41，包括：
第一确定单元，用于基于预设的超平面参数，确定干扰样本集中每个干扰样本当前对应的超平面；
计算单元，用于根据每个干扰样本当前对应的超平面，计算每个干扰样本当前对应的干扰概率。
进一步的，在本申请另一种可能的实现形式中，上述生成式对抗网络的训练装置40，还包括：
第二确定模块，用于利用生成式对抗网络中的编码器，将干扰样本集中的各个干扰样本分别进行编码，以确定每个干扰样本的向量表示。
进一步的，在本申请再一种可能的实现形式中，上述第一修正模块45，包括：
第二确定单元，用于根据判别样本属于真实样本的概率及对应的干扰概率，确定第一损失值及第二损失值；
第一修正单元，用于根据第一损失值，对生成器进行修正；
第二修正单元，用于根据第二损失值，对判别器进行修正。
进一步的，在本申请又一种可能的实现形式中，上述生成式对抗网络的训练装置40，还包括：
第二修正模块，用于根据第一损失值及第二损失值，对编码器进行修正。
进一步的，在本申请又一种可能的实现形式中，上述生成式对抗网络的训练装置40，还包括：
第三获取模块，用于将标注样本输入生成式对抗网络中的判别器，以获取标注样本属于真实样本的概率；
第三确定模块，用于根据标注样本属于真实样本的概率，确定第三损失值；
第三修正模块，用于根据第三损失值，对判别器进行修正。
需要说明的是，前述对图1、图2、图3所示的生成式对抗网络的训练方法实施例的解释说明也适用于该实施例的生成式对抗网络的训练装置40，此处不再赘述。
根据本申请实施例的技术方案，通过根据干扰样本集中各个干扰样本当前分别对应的干扰概率，从干扰样本集中获取目标干扰样本，并利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本；之后将判别样本输入所述生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率，进而根据生成生成器和判别器的损失值，分别对生成器和判别器对应的参数进行修正。由此，通过在训练过程中***干扰样本，提升了生成式对抗网络对低质量样本的识别能力，并根据不同的损失值分别对生成器和判别器进行修正，从而进一步提升了生成式对抗网络的抗噪性和泛化性。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本申请的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如生成式对抗网络的训练方法。例如，在一些实施例中，生成式对抗网络的训练方法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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的生成式对抗网络的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行生成式对抗网络的训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS(VirtualPrivate Server，虚拟专用服务器)服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合区块链的服务器。
根据本申请实施例的技术方案，通过根据干扰样本集中各个干扰样本当前分别对应的干扰概率，从干扰样本集中获取目标干扰样本，并利用生成式对抗网络中的生成器，对目标干扰样本进行处理，以生成判别样本；之后将判别样本输入所述生成式对抗网络中的判别器，以获取判别样本属于真实样本的概率，进而根据判别样本属于真实样本的概率及对应的干扰概率，对生成式对抗网络进行修正。由此，通过在训练过程中***干扰样本，提升了生成式对抗网络对低质量样本的识别能力，从而提升了生成式对抗网络的抗噪性和泛化性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (15)

1.一种生成式对抗网络的训练方法，包括：
确定干扰样本集中各个干扰样本当前分别对应的干扰概率；
根据每个所述干扰样本当前对应的干扰概率，从所述干扰样本集中获取目标干扰样本；
利用所述生成式对抗网络中的生成器，对所述目标干扰样本进行处理，以生成判别样本；
将所述判别样本输入所述生成式对抗网络中的判别器，以获取所述判别样本属于真实样本的概率；
根据所述判别样本属于真实样本的概率及对应的干扰概率，对所述生成式对抗网络进行修正。
2.如权利要求1所述的方法，其中，所述确定干扰样本集中各个干扰样本当前分别对应的干扰概率，包括：
基于预设的超平面参数，确定所述干扰样本集中每个干扰样本当前对应的超平面；
根据所述每个干扰样本当前对应的超平面，计算每个所述干扰样本当前对应的干扰概率。
3.如权利要求1所述的方法，其中，在所述确定干扰样本集中各个干扰样本当前分别对应的干扰概率之前，还包括：
利用所述生成式对抗网络中的编码器，将所述干扰样本集中的各个干扰样本分别进行编码，以确定每个干扰样本的向量表示。
4.如权利要求3所述的方法，其中，所述根据所述判别样本属于真实样本的概率及对应的干扰概率，对所述生成式对抗网络进行修正，包括：
根据所述判别样本属于真实样本的概率及对应的干扰概率，确定第一损失值及第二损失值；
根据所述第一损失值，对所述生成器进行修正；
根据所述第二损失值，对所述判别器进行修正。
5.如权利要求4所述的方法，其中，还包括：
根据所述第一损失值及所述第二损失值，对所述编码器进行修正。
6.如权利要求1-3任一所述的方法，其中，还包括：
将标注样本输入所述生成式对抗网络中的判别器，以获取所述标注样本属于真实样本的概率；
根据所述标注样本属于真实样本的概率，确定第三损失值；
根据所述第三损失值，对所述判别器进行修正。
7.一种生成式对抗网络的训练装置，包括：
第一确定模块，用于确定干扰样本集中各个干扰样本当前分别对应的干扰概率；
第一获取模块，用于根据每个所述干扰样本当前对应的干扰概率，从所述干扰样本集中获取目标干扰样本；
生成模块，用于利用所述生成式对抗网络中的生成器，对所述目标干扰样本进行处理，以生成判别样本；
第二获取模块，用于将所述判别样本输入所述生成式对抗网络中的判别器，以获取所述判别样本属于真实样本的概率；
第一修正模块，用于根据所述判别样本属于真实样本的概率及对应的干扰概率，对所述生成式对抗网络进行修正。
8.如权利要求7所述的装置，其中，所述第一确定模块，包括：
第一确定单元，用于基于预设的超平面参数，确定所述干扰样本集中每个干扰样本当前对应的超平面；
计算单元，用于根据所述每个干扰样本当前对应的超平面，计算每个所述干扰样本当前对应的干扰概率。
9.如权利要求7所述的装置，其中，还包括：
第二确定模块，用于利用所述生成式对抗网络中的编码器，将所述干扰样本集中的各个干扰样本分别进行编码，以确定每个干扰样本的向量表示。
10.如权利要求9所述的装置，其中，所述第一修正模块，包括：
第二确定单元，用于根据所述判别样本属于真实样本的概率及对应的干扰概率，确定第一损失值及第二损失值；
第一修正单元，用于根据所述第一损失值，对所述生成器进行修正；
第二修正单元，用于根据所述第二损失值，对所述判别器进行修正。
11.如权利要求10所述的装置，其中，还包括：
第二修正模块，用于根据所述第一损失值及所述第二损失值，对所述编码器进行修正。
12.如权利要求7-9任一所述的装置，其中，还包括：
第三获取模块，用于将标注样本输入所述生成式对抗网络中的判别器，以获取所述标注样本属于真实样本的概率；
第三确定模块，用于根据所述标注样本属于真实样本的概率，确定第三损失值；
第三修正模块，用于根据所述第三损失值，对所述判别器进行修正。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述方法。
CN202011562340.5A 2020-12-25 2020-12-25 生成式对抗网络的训练方法、装置及电子设备 Active CN112541557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011562340.5A CN112541557B (zh) 2020-12-25 2020-12-25 生成式对抗网络的训练方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011562340.5A CN112541557B (zh) 2020-12-25 2020-12-25 生成式对抗网络的训练方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112541557A true CN112541557A (zh) 2021-03-23
CN112541557B CN112541557B (zh) 2024-04-05

Family

ID=75017353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011562340.5A Active CN112541557B (zh) 2020-12-25 2020-12-25 生成式对抗网络的训练方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112541557B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330924A (zh) * 2022-01-10 2022-04-12 中国矿业大学 基于生成式对抗网络的复杂产品变更强度预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170365038A1 (en) * 2016-06-16 2017-12-21 Facebook, Inc. Producing Higher-Quality Samples Of Natural Images
WO2019165932A1 (zh) * 2018-02-28 2019-09-06 索尼公司 频谱管理设备和***、方法以及计算机可读存储介质
CN110245619A (zh) * 2019-06-17 2019-09-17 杭州海康睿和物联网技术有限公司 一种用于自动扶梯上超限物体判断方法及***
WO2019214365A1 (zh) * 2018-05-10 2019-11-14 腾讯科技（深圳）有限公司 翻译模型训练的方法、语句翻译的方法、设备及存储介质
CN111461307A (zh) * 2020-04-02 2020-07-28 武汉大学 一种基于生成对抗网络的通用扰动生成方法
CN111582348A (zh) * 2020-04-29 2020-08-25 武汉轻工大学 条件生成式对抗网络的训练方法、装置、设备及存储介质
CN111832700A (zh) * 2020-06-01 2020-10-27 北京百度网讯科技有限公司 条件对抗网络的训练方法、装置、电子设备和存储介质
CN111860593A (zh) * 2020-06-15 2020-10-30 北京华电天仁电力控制技术有限公司 一种基于生成对抗网络的风机叶片故障检测方法
CN111881935A (zh) * 2020-06-19 2020-11-03 北京邮电大学 一种基于内容感知gan的对抗样本生成方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170365038A1 (en) * 2016-06-16 2017-12-21 Facebook, Inc. Producing Higher-Quality Samples Of Natural Images
WO2019165932A1 (zh) * 2018-02-28 2019-09-06 索尼公司 频谱管理设备和***、方法以及计算机可读存储介质
WO2019214365A1 (zh) * 2018-05-10 2019-11-14 腾讯科技（深圳）有限公司 翻译模型训练的方法、语句翻译的方法、设备及存储介质
CN110245619A (zh) * 2019-06-17 2019-09-17 杭州海康睿和物联网技术有限公司 一种用于自动扶梯上超限物体判断方法及***
CN111461307A (zh) * 2020-04-02 2020-07-28 武汉大学 一种基于生成对抗网络的通用扰动生成方法
CN111582348A (zh) * 2020-04-29 2020-08-25 武汉轻工大学 条件生成式对抗网络的训练方法、装置、设备及存储介质
CN111832700A (zh) * 2020-06-01 2020-10-27 北京百度网讯科技有限公司 条件对抗网络的训练方法、装置、电子设备和存储介质
CN111860593A (zh) * 2020-06-15 2020-10-30 北京华电天仁电力控制技术有限公司 一种基于生成对抗网络的风机叶片故障检测方法
CN111881935A (zh) * 2020-06-19 2020-11-03 北京邮电大学 一种基于内容感知gan的对抗样本生成方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
IAN J. GOODFELLOW: "Generative Adversarial Nets", ARXIV, 10 June 2014 (2014-06-10), pages 1 - 9 *
杨志峰;李增辉;刘笑;冀鑫炜;王恩堂;: "生成对抗网络在雷达反欺骗干扰中的应用框架", 现代雷达, no. 08, 12 August 2020 (2020-08-12), pages 60 - 64 *
杨懿男;齐林海;王红;苏林萍;: "基于生成对抗网络的小样本数据生成技术研究", 电力建设, no. 05, 1 May 2019 (2019-05-01), pages 75 - 81 *
王宏宇;陈冬梅;: "生成式对抗网络在不良图片识别中的应用", 电脑迷, no. 02, 8 February 2018 (2018-02-08), pages 48 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330924A (zh) * 2022-01-10 2022-04-12 中国矿业大学 基于生成式对抗网络的复杂产品变更强度预测方法

Also Published As

Publication number Publication date
CN112541557B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN112541122A (zh) 推荐模型的训练方法、装置、电子设备及存储介质
CN113392253B (zh) 视觉问答模型训练及视觉问答方法、装置、设备及介质
CN114881129A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN113836925A (zh) 预训练语言模型的训练方法、装置、电子设备及存储介质
CN113221565A (zh) 实体识别模型的训练方法、装置、电子设备及存储介质
CN112990035A (zh) 一种文本识别的方法、装置、设备以及存储介质
CN111241838A (zh) 文本实体的语义关系处理方法、装置及设备
CN113743101A (zh) 文本纠错方法、装置、电子设备和计算机存储介质
CN111091004B (zh) 一种语句实体标注模型的训练方法、训练装置及电子设备
CN115062718A (zh) 语言模型训练方法、装置、电子设备及存储介质
CN113537192A (zh) 图像检测方法、装置、电子设备及存储介质
CN114861637A (zh) 拼写纠错模型生成方法和装置、拼写纠错方法和装置
CN113191261B (zh) 图像类别的识别方法、装置和电子设备
CN114511743A (zh) 检测模型训练、目标检测方法、装置、设备、介质及产品
CN114037052A (zh) 检测模型的训练方法、装置、电子设备及存储介质
CN112541557A (zh) 生成式对抗网络的训练方法、装置及电子设备
CN117370524A (zh) 答复生成模型的训练方法、答复语句生成方法和装置
CN115565186A (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN112395873B (zh) 对白角色标注模型的生成方法、装置及电子设备
CN113886543A (zh) 生成意图识别模型的方法、装置、介质及程序产品
CN114549695A (zh) 图像生成方法、装置、电子设备及可读存储介质
CN113903071A (zh) 人脸识别方法、装置、电子设备和存储介质
CN115840867A (zh) 数学解题模型的生成方法、装置、电子设备和存储介质
CN114067805A (zh) 声纹识别模型的训练与声纹识别方法及装置
CN112560437A (zh) 文本通顺度的确定方法、目标模型的训练方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant