摘要
本发明属于人工智能技术领域，提供了一种基于隐私样本重要性评估的迁移学习方法，该方法包括：利用多个教师模型依次对公用训练集中的样本进行预测，得到每一样本的多个投票预测结果；根据预测结果，计算每一样本的投票频差；利用待训练学生模型预测每一样本的不确定性得分；根据投票频差和不确定性得分从公用样本训练集中筛选得到高价值样本组成的目标样本训练集，并利用目标样本训练集对待训练学生模型进行训练，得到训练完成的学生模型。本申请可以通过两个关键维度的双重筛选，筛选出高训练价值的样本，提升学生模型对复杂边界样本的适应能力，节省隐私预算，增强学生模型的拟合能力和泛化能力，提高学生模型的训练效率。
