一种审核模型的噪声样本处理方法及系统与流程

1.本技术实施例涉及计算机技术领域，尤其涉及一种审核模型的噪声样本处理方法及系统。


背景技术：

2.目前，在审核模型训练场景中，会使用大量人工审核过的正常样本和违规样本作为训练样本进行模型训练，以使得审核模型具备区分正常样本和违规样本的能力。
3.但是，由于审核人员的疏忽或者审核规则理解的偏差，在人工审核样本时，会将部分难以分类的违规样本划分至正常样本当中。以此作为训练样本训练得到的审核模型，其对违规样本的识别能力偏低，容易导致模型忽略部分违规样本，造成审核误差。


技术实现要素：

4.本技术实施例提供一种审核模型的噪声样本处理方法及系统，能够提升审核模型对违规样本的识别精度，解决审核模型对违规样本的识别误差问题。
5.在第一方面，本技术实施例提供了一种审核模型的噪声样本处理方法，包括：
6.基于训练样本训练第一审核模型，其中，审核模型包括教师网络和学生网络，在审核模型的每一个迭代训练周期中，根据教师网络的模型参数循环调整学生网络的模型参数，直至第一审核模型的学生网络收敛；
7.基于设定循环周期迭代调整第一审核模型的学习率和批处理尺寸，得到第二审核模型，并确定训练样本中各个训练样本通过第二审核模型的模型损失，在设定循环周期中，第二审核模型在欠拟合状态与过拟合状态之间切换；
8.基于模型损失从训练样本中抽取对应的样本作为噪声样本，重新对噪声样本进行标注，得到重标注样本，以基于重标注样本和完成噪声样本抽取的训练样本对第一审核模型迭代训练。
9.在第二方面，本技术实施例提供了一种审核模型的噪声样本处理系统，包括：
10.预训练模块，配置为基于训练样本训练第一审核模型，其中，审核模型包括教师网络和学生网络，在审核模型的每一个迭代训练周期中，根据教师网络的模型参数循环调整学生网络的模型参数，直至第一审核模型的学生网络收敛；
11.循环模块，配置为基于设定循环周期迭代调整第一审核模型的学习率和批处理尺寸，得到第二审核模型，并确定训练样本中各个训练样本通过第二审核模型的模型损失，在设定循环周期中，第二审核模型在欠拟合状态与过拟合状态之间切换；
12.处理模块，配置为基于模型损失从训练样本中抽取对应的样本作为噪声样本，重新对噪声样本进行标注，得到重标注样本，以基于重标注样本和完成噪声样本抽取的训练样本对第一审核模型迭代训练。
13.在第三方面，本技术实施例提供了一种审核模型的噪声样本处理设备，包括：
14.存储器以及一个或多个处理器；
15.所述存储器，配置为存储一个或多个程序；
16.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的审核模型的噪声样本处理方法。
17.在第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在由计算机处理器执行时配置为执行如第一方面所述的审核模型的噪声样本处理方法。
18.在第五方面，本技术实施例提供了一种计算机程序产品，所述计算机程序产品中包含有指令，当指令在计算机或处理器上运行时，使得计算机或处理器执行如第一方面所述的审核模型的噪声样本处理方法。
19.本技术实施例通过基于训练样本训练第一审核模型，其中，审核模型包括教师网络和学生网络，在审核模型的每一个迭代训练周期中，根据教师网络的模型参数循环调整学生网络的模型参数，直至第一审核模型的学生网络收敛。进而基于设定循环周期迭代调整第一审核模型的学习率和批处理尺寸，得到第二审核模型，并确定训练样本中各个训练样本通过第二审核模型的模型损失，在设定循环周期中，第二审核模型在欠拟合状态与过拟合状态之间切换；之后，基于模型损失从训练样本中抽取对应的样本作为噪声样本，重新对噪声样本进行标注，得到重标注样本，以基于重标注样本和完成噪声样本抽取的训练样本对第一审核模型迭代训练。采用上述技术手段，通过循环调整学习率训练审核模型，并根据各个样本通过模型的模型损失确定噪声样本，进而对噪声样本进行重新标注以用于审核模型的迭代训练，以此可以避免噪声样本影响审核模型训练效果，提升审核模型对不同样本的识别能力，进而提升对违规样本的识别精度。
20.并且，本技术通过教师网络迭代调整学生网络的模型参数，可以减少教师网络与学生网络之间的差异，减少模型计算量，提升模型计算效率。
附图说明
21.图1是本技术实施例提供的一种审核模型的噪声样本处理方法的流程图；
22.图2是本技术实施例中模型参数的循环调整流程图；
23.图3是本技术实施例中噪声样本的筛选流程图；
24.图4是本技术实施例中审核模型的训练流程图；
25.图5是本技术实施例提供的一种审核模型的噪声样本处理系统的结构示意图；
26.图6是本技术实施例提供的一种审核模型的噪声样本处理设备的结构示意图。
具体实施方式
27.为了使本技术的目的、技术方案和优点更加清楚，下面结合附图对本技术具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中
的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
28.本技术提供的一种审核模型的噪声样本处理方法，旨在通过对预训练的审核模型进行循环的学习率训练，确定训练样本在训练过程中的模型损失，进而根据模型损失进行噪声样本筛选和重标注。以此来提升审核模型对不同样本的识别能力，提升审核模型对违规样本的识别精度。对于传统的审核模型，其在训练过程中，会将人工审核标注的样本作为训练样本进行模型训练。由于人工审核样本时，会将部分难以分类的违规样本划分至正常样本当中，以此会导致审核模型对这部分样本的识别能力偏弱，出现审核误差的情况。基于此，提供本技术实施例的一种审核模型的噪声样本处理方法，以对噪声样本进行筛选处理，解决审核模型对违规样本的识别误差问题。
29.实施例：
30.图1给出了本技术实施例提供的一种审核模型的噪声样本处理方法的流程图，本实施例中提供的审核模型的噪声样本处理方法可以由审核模型的噪声样本处理设备执行，该审核模型的噪声样本处理设备可以通过软件和/或硬件的方式实现，该审核模型的噪声样本处理设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该审核模型的噪声样本处理设备可以是电脑、服务器主机等处理设备。
31.下述以该审核模型的噪声样本处理设备为执行审核模型的噪声样本处理方法的主体为例，进行描述。参照图1，该审核模型的噪声样本处理方法具体包括：
32.s110、基于训练样本训练第一审核模型，其中，审核模型包括教师网络和学生网络，在审核模型的每一个迭代训练周期中，根据教师网络的模型参数循环调整学生网络的模型参数，直至第一审核模型的学生网络收敛。
33.本技术实施例的审核模型的噪声样本处理方法主要应用于大规模直播审核等视频图像审核场景中。通过收集大量直播视频图像，预先标注为正常样本和违规样本，以此作为训练样本进行审核模型训练，使审核模型具备区分正常样本和违规样本的能力。以此，在直播审核场景中，通过将直播视频图像输入该审核模型，即可判断当前直播视频是够出现违规情况。
34.其中，审核模型会基于预先进行人工标注的训练样本进行模型训练。由于训练样本的正样本(即正常样本)、负样本(即违规样本)中可能包含部分因审核人员的疏忽或者审核规则理解的偏差导致错误标注的样本，这部分样本在进行训练时，审核模型难以进行分类。以此训练的审核模型，其对噪声样本的识别能力较弱，无法准确判断其是否是违规样本。基于此，本技术实施例针对人工标注的训练样本存在较多噪声样本的情况，采用循环学习率训练审核模型确定模型损失，基于模型损失筛选噪声样本，对噪声样本进行重新标注，基于重新标注的样本和训练样本再次对审核模型进行迭代训练，以此来使得审核模型具备区分噪声样本的能力，提升违规样本的识别精度，提高模型召回违规样本的能力。
35.在此之前，预先对模型进行预训练，以使模型网络具备一个较好的初始状态。审核模型包含了教师网络和学生网络，教师网络和学生网络采用迁移学习的方式进行模型训练。迁移学习也就是将一个模型的性能迁移到另一个模型上，而对于教师网络和学生网络，教师网络往往是一个更加复杂的网络，具有非常好的性能和泛化能力，可以用这个网络来指导另外一个更加简单的学生网络进行学习。进而使得更加简单、参数运算量更少的学生网络也能够具有和教师网络相近的性能。
36.可以理解的是，较大、较复杂的教师网络虽然具有很好的性能，但是也存在很多的冗余信息，因此运算量以及资源的消耗都非常多。本技术通过将复杂的教师网络中的有用信息提取出来迁移到一个更小的学生网络上，这样学习来的学生网络可以具备和教师网络想接近的性能效果，并且也大大地节省了计算资源，提升了模型训练效率。
37.在审核模型训练过程中，基于训练样本对教师网络和学生网络进行预训练，定义训练得到的审核模型为第一审核模型。其中，定义第一审核模型的残差网络包含基于注意力机制的卷积模块。本技术使用残差网络resnet50作为提取特征的骨干网络，在残差网络中使用的带有注意力机制结构的卷积模块。不同于原有残差网络的基本模块，通过加入注意力机制结构的卷积模块，可以使审核模型关注到难样本(难以分类的样本)的细微差别，并使模型具有拟合难样本的能力。以此可以使得在训练过程中将难样本的细微的差别更多地保留下来，排除掉一些难样本在网络学习的过程中造成模型损失偏大的影响。
38.并且，为了进一步降低难样本对网络造成的影响，本技术实施例基于焦点损失函数使用训练样本训练第一审核模型，在焦点损失达到设定值的情况下，确定第一审核模型的学生网络收敛。
39.焦点损失函数(focal loss)主要是为了解决审核模型中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，实现对困难样本的挖掘。焦点损失函数基于第一审核模型的预测概率和预设定的调制系数构建。焦点损失函数公式表示为：
40.fl(p
t
)＝-(1-p
t
)
γ
log(p
t
)
41.其中，fl(p
t
)表示焦点损失，γ取值为2，表示调制系数，p
t
表示审核模型的预测概率。焦点损失函数通过减少易分类样本的权重，从而使模型在训练的过程中更加专注于区分难以分类的样本上。通过将训练样本循环输入学生网络并不断计算训练样本通过学生网络的焦点损失，当焦点损失达到某一设定值时，则表示第一审核模型的学生网络收敛，完成第一审核模型的预训练。
42.具体地，在第一审核模型预训练过程中，对于每一个迭代训练周期(epoch)，教师网络会根据自身确定的模型参数不断对学生网络的模型参数进行调整，以此来使减小学生网络和教师网络之间的拟合能力差异。
43.如图2所示，学生网络的模型参数调整流程包括：
44.s1101、确定当前迭代训练周期学生网络的第一模型参数，以及前一个迭代训练周期教师网络的第二模型参数；
45.s1102、基于第一模型参数、第二模型参数以及设定权重系数计算当前迭代训练周期教师网络的第三模型参数；
46.s1103、基于第三模型参数调整下一个迭代训练周期学生网络的模型参数。
47.其中，在每个迭代训练周期训练结束时，确定当前迭代训练周期学生网络的模型参数，定义为第一模型参数。并确定前一个迭代训练周期教师网络的模型参数，定义为第二模型参数。通过将第一模型参数和第二模型参数以滑动平均的形式赋值给教师网络，得到当前迭代训练周期教师网络的模型参数，定义为第三模型参数，以使教师网络能够进一步地降低过拟合到噪声样本上。
48.第三模型参数的计算公式为：
49.v
t
＝β
·vt-1
+(1-β)
·
θ
tvt-1
50.其中，β表示为设定权重系数，本技术实施例取值为0.99；θ
t
表示当前迭代训练周期学生网络的第一模型参数，v
t-1
表示前一个迭代训练周期教师网络的第二模型参数，v
t
表示当前迭代训练周期学生网络的第三模型参数。
51.通过当前迭代训练周期教师网络的模型参数不断对下一迭代训练周期学生网络的模型参数进行调整，直至第一审核模型收敛，即可使得学生网络接近教师网络，通过较小的计算量来达到较好的分类效果。
52.s120、基于设定循环周期迭代调整第一审核模型的学习率和批处理尺寸，得到第二审核模型，并确定训练样本中各个训练样本通过第二审核模型的模型损失，在设定循环周期中，第二审核模型在欠拟合状态与过拟合状态之间切换。
53.进一步地，在上述第一审核模型收敛时，本技术实施例进一步使用循环学习率对模型进行训练。通过设定循环周期，每一个循环周期包括多个迭代训练周期(epoch)，并在每个设定循环周期中，迭代调整第一审核模型的学习率和批处理尺寸，使审核模型不断地处于欠拟合和过拟合状态，定义训练得到的审核模型为第二审核模型。
54.在设置模型的模型参数时，会设置相对较小的批处理尺寸，以使审核模型对噪声样本更加的敏感。而为了使审核模型在欠拟合状态与过拟合状态之间切换，本技术基于第一审核模型的最大学习率、最小学习率、设定循环周期中迭代训练周期的数量以及当前迭代训练周期的迭代顺序确定当前迭代训练周期第一审核模型的学习率。
55.其中，学习率的设置公式为
[0056][0057]
其中，和分别表示第一审核模型的最小学习率和最大学习率，ti表示一个设定循环周期中迭代训练周期的数量，t
cur
表示当前迭代训练周期的迭代顺序，η
t
表示当前迭代训练周期第一审核模型的学习率。
[0058]
基于上述学习率和批处理尺寸设定方式配置第一审核模型的模型参数，得到第二审核模型，然后基于训练样本进行第二审核模型训练。通过计算每个样本通过审核模型的模型损失，以用于后续根据各个样本的模型损失进行噪声样本的筛选。
[0059]
s130、基于模型损失从训练样本中抽取对应的样本作为噪声样本，重新对噪声样本进行标注，得到重标注样本，以基于重标注样本和完成噪声样本抽取的训练样本对第一审核模型迭代训练。
[0060]
之后，基于各个样本通过第二审核模型的模型损失，根据各个训练样本模型损失的大小，确定模型损失较大的样本作为噪声样本。
[0061]
需要说明的是，由于第二审核模型通过循环学习率训练得到，在每个迭代训练周期中，样本通过第二审核模型会得到一个对应的模型损失。则根据循环周期的设定数量，一个样本会经过多个迭代训练周期。本技术实施例通过确定样本经过每个迭代训练周期的模型损失，去其模型损失的均值作为最终的模型损失，进而后续的噪声样本筛选。
[0062]
具体地，模型损失包括第二审核模型中的学生网络的第一模型损失，则在进行噪
声样本筛选时，基于第一模型损失从大到小在训练样本中抽取第一设定数量的样本作为噪声样本。
[0063]
可以理解的是，对于部分难以分类的样本，其在不同迭代训练周期的模型损失会出现跳动，导致模型损失偏大。基于此，本技术实施例通过按照模型损失大小排序各个样本，选取前第一设定数量的样本，以筛选模型损失较大的样本，即可实现噪声样本的定位。
[0064]
另一方面，该模型损失包括第二审核模型中的学生网络的第一模型损失和教师网络的第二模型损失，在根据模型损失筛选噪声样本时，还可以结合教师网络和学生网络的模型损失进行噪声样本筛选。参照图3，噪声样本筛选流程包括：
[0065]
s1301、基于第一模型损失从大到小在训练样本中抽取第二设定数量的样本作为第一候选样本集；
[0066]
s1302、基于第二模型损失从大到小在训练样本中抽取第二设定数量的样本作为第二候选样本集；
[0067]
s1303、选取第一候选样本集和第二候选样本集重合的部分样本作为噪声样本。
[0068]
其中，针对样本通过教师网络和学生网络的第一模型损失和第二模型损失，分别按照第一模型损失和第二模型损失从大到小排序各个样本，从中选取前第二设定数量的样本，作为候选样本集，得到第一候选样本集和第二候选样本集。为了精准筛选样本，本技术实施例将第一候选样本和第二候选样本重合的部分样本作为噪声样本。
[0069]
可以理解的是，若一个样本在学生网络和教师网络中计算得到的模型损失都相对较大，则表示该样本在两个网络都难以辨别，以此确定其为噪声样本，可以进一步提升噪声样本筛选的精准度。
[0070]
之后，基于这部分筛选到的噪声样本，本技术实施例将其输送至人工审核端对噪声样本进行重新标注，或者使用更复杂、计算量更大的审核模型对噪声样本进行分类，以此得到噪声样本的重新分类结果，定义为重标注样本。
[0071]
进而基于这部分重标注样本，以及上述筛除噪声样本后的训练样本，重新对上述预训练得到的第一审核模型进行迭代训练，得到最终的审核模型。可以理解的是，由于噪声样本都是较难判断类别的样本，当把这部分数据重新标注后加入到网络的学习中后，可以使得审核模型提升对这部分噪声样本的辨别能力，进而提升审核模型对违规样本的识别精度。
[0072]
示例性地，参照图4的步骤a1-a6,本技术实施例通过预训练第一审核模型，使用循环的学习率训练模型，得到第二审核模型。并根据训练样本通过第二审核模型的模型损失以查找噪声样本，对噪声样本进行重新标注。进而基于重标注样本和筛除噪声样本的训练样本重新训练第一审核模型，对审核模型进行微调，使得审核模型具备分辨噪声样本的能力，提升违规样本识别精度。
[0073]
上述，通过基于训练样本训练第一审核模型，其中，审核模型包括教师网络和学生网络，在审核模型的每一个迭代训练周期中，根据教师网络的模型参数循环调整学生网络的模型参数，直至第一审核模型的学生网络收敛。进而基于设定循环周期迭代调整第一审核模型的学习率和批处理尺寸，得到第二审核模型，并确定训练样本中各个训练样本通过第二审核模型的模型损失，在设定循环周期中，第二审核模型在欠拟合状态与过拟合状态之间切换；之后，基于模型损失从训练样本中抽取对应的样本作为噪声样本，重新对噪声样
本进行标注，得到重标注样本，以基于重标注样本和完成噪声样本抽取的训练样本对第一审核模型迭代训练。采用上述技术手段，通过循环调整学习率训练审核模型，并根据各个样本通过模型的模型损失确定噪声样本，进而对噪声样本进行重新标注以用于审核模型的迭代训练，以此可以避免噪声样本影响审核模型训练效果，提升审核模型对不同样本的识别能力，进而提升对违规样本的识别精度。
[0074]
并且，本技术通过教师网络迭代调整学生网络的模型参数，可以减少教师网络与学生网络之间的差异，减少模型计算量，提升模型计算效率。
[0075]
在上述实施例的基础上，图5为本技术提供的一种审核模型的噪声样本处理系统的结构示意图。参考图5，本实施例提供的审核模型的噪声样本处理系统具体包括：预训练模块21、循环模块22和处理模块23。
[0076]
其中，预训练模块21配置为基于训练样本训练第一审核模型，其中，审核模型包括教师网络和学生网络，在审核模型的每一个迭代训练周期中，根据教师网络的模型参数循环调整学生网络的模型参数，直至第一审核模型的学生网络收敛；
[0077]
循环模块22配置为基于设定循环周期迭代调整第一审核模型的学习率和批处理尺寸，得到第二审核模型，并确定训练样本中各个训练样本通过第二审核模型的模型损失，在设定循环周期中，第二审核模型在欠拟合状态与过拟合状态之间切换；
[0078]
处理模块23配置为基于模型损失从训练样本中抽取对应的样本作为噪声样本，重新对噪声样本进行标注，得到重标注样本，以基于重标注样本和完成噪声样本抽取的训练样本对第一审核模型迭代训练。
[0079]
具体地，基于训练样本训练第一审核模型，包括:
[0080]
基于焦点损失函数使用训练样本训练第一审核模型，在焦点损失达到设定值的情况下，确定第一审核模型的学生网络收敛。
[0081]
具体地，焦点损失函数基于第一审核模型的预测概率和预设定的调制系数构建。
[0082]
具体地，根据教师网络的模型参数循环调整学生网络的模型参数，包括：
[0083]
确定当前迭代训练周期学生网络的第一模型参数，以及前一个迭代训练周期教师网络的第二模型参数；基于第一模型参数、第二模型参数以及设定权重系数计算当前迭代训练周期教师网络的第三模型参数；基于第三模型参数调整下一个迭代训练周期学生网络的模型参数。
[0084]
具体地，基于设定循环周期迭代调整第一审核模型的学习率，包括：
[0085]
基于第一审核模型的最大学习率、最小学习率、设定循环周期中迭代训练周期的数量以及当前迭代训练周期的迭代顺序确定当前迭代训练周期第一审核模型的学习率。
[0086]
具体地，模型损失包括第二审核模型中的学生网络的第一模型损失；
[0087]
基于模型损失从训练样本中抽取对应的样本作为噪声样本，包括：基于第一模型损失从大到小在训练样本中抽取第一设定数量的样本作为噪声样本。
[0088]
具体地，模型损失包括第二审核模型中的学生网络的第一模型损失和教师网络的第二模型损失；
[0089]
基于模型损失从训练样本中抽取对应的样本作为噪声样本，包括：
[0090]
基于第一模型损失从大到小在训练样本中抽取第二设定数量的样本作为第一候选样本集；基于第二模型损失从大到小在训练样本中抽取第二设定数量的样本作为第二候
选样本集；选取第一候选样本集和第二候选样本集重合的部分样本作为噪声样本。
[0091]
上述，通过基于训练样本训练第一审核模型，其中，审核模型包括教师网络和学生网络，在审核模型的每一个迭代训练周期中，根据教师网络的模型参数循环调整学生网络的模型参数，直至第一审核模型的学生网络收敛。进而基于设定循环周期迭代调整第一审核模型的学习率和批处理尺寸，得到第二审核模型，并确定训练样本中各个训练样本通过第二审核模型的模型损失，在设定循环周期中，第二审核模型在欠拟合状态与过拟合状态之间切换；之后，基于模型损失从训练样本中抽取对应的样本作为噪声样本，重新对噪声样本进行标注，得到重标注样本，以基于重标注样本和完成噪声样本抽取的训练样本对第一审核模型迭代训练。采用上述技术手段，通过循环调整学习率训练审核模型，并根据各个样本通过模型的模型损失确定噪声样本，进而对噪声样本进行重新标注以用于审核模型的迭代训练，以此可以避免噪声样本影响审核模型训练效果，提升审核模型对不同样本的识别能力，进而提升对违规样本的识别精度。
[0092]
并且，本技术通过教师网络迭代调整学生网络的模型参数，可以减少教师网络与学生网络之间的差异，减少模型计算量，提升模型计算效率。
[0093]
本技术实施例提供的审核模型的噪声样本处理系统可以配置为执行上述实施例提供的审核模型的噪声样本处理方法，具备相应的功能和有益效果。
[0094]
在上述实际上例的基础上，本技术实施例还提供了一种审核模型的噪声样本处理设备，参照图6，该审核模型的噪声样本处理设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。存储器32作为一种计算机可读存储介质，可配置为存储软件程序、计算机可执行程序以及模块，如本技术任意实施例所述的审核模型的噪声样本处理方法对应的程序指令/模块(例如，审核模型的噪声样本处理系统中的预训练模块、循环模块和处理模块)。通信模块33配置为进行数据传输。处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的审核模型的噪声样本处理方法。输入装置34可配置为接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。上述提供的审核模型的噪声样本处理设备可配置为执行上述实施例提供的审核模型的噪声样本处理方法，具备相应的功能和有益效果。
[0095]
在上述实施例的基础上，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在由计算机处理器执行时配置为执行一种审核模型的噪声样本处理方法，存储介质可以是任何的各种类型的存储器设备或存储设备。当然，本技术实施例所提供的一种计算机可读存储介质，其计算机可执行指令不限于如上所述的审核模型的噪声样本处理方法，还可以执行本技术任意实施例所提供的审核模型的噪声样本处理方法中的相关操作。
[0096]
在上述实施例的基础上，本技术实施例还提供一种计算机程序产品，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机程序产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备、移动终端或其中的处理器执行本技术各个实施例所述审核模型的噪声样本处理方法的全部或部分步骤。