本公开涉及信息处理领域，具体涉及信息处理装置、信息处理方法及计算机可读存储介质。
背景技术：
1、在信息处理领域中，终生(持续)学习有着重要应用。然而，在使用新的训练样本集对经训练得到的原有模型进行进一步训练的情况下，所得到的新的模型可能散失原有模型的性能。
技术实现思路
1、在下文中给出了关于本公开的简要概述，以便提供关于本公开的某些方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。
2、鉴于以上问题，本公开的目的是提供能够解决现有技术中的一个或多个缺点的信息处理装置、信息处理方法和计算机可读存储介质。
3、根据本公开的一方面，提供了一种信息处理装置，包括：样本生成单元，被配置成利用基于针对第二任务的第二训练样本集而获得的样本生成网络，生成针对第一任务的第一模拟样本集；以及第一模型训练单元，被配置成在第一预定条件下，利用所述第二训练样本集对针对所述第一任务预先训练的第一模型进行再训练，以获得用于对待预测对象进行预测的再训练的第一模型。所述第一预定条件包括：所述预先训练的第一模型对所述第一模拟样本集的预测结果与所述再训练的第一模型对所述第一模拟样本集的预测结果之间的差异在预定范围内。所述第一任务不同于所述第二任务。所述待预测对象涉及第一任务和/或第二任务。
4、根据本公开的另一方面，提供了一种信息处理方法，包括：利用基于针对第二任务的第二训练样本集而获得的样本生成网络，生成针对第一任务的第一模拟样本集；以及在第一预定条件下，利用所述第二训练样本集对针对所述第一任务预先训练的第一模型进行再训练，以获得用于对待预测对象进行预测的再训练的第一模型。所述第一预定条件包括：所述预先训练的第一模型对所述第一模拟样本集的预测结果与所述再训练的第一模型对所述第一模拟样本集的预测结果之间的差异在预定范围内。所述第一任务不同于所述第二任务。所述待预测对象涉及第一任务和/或第二任务。
5、根据本公开的其它方面，还提供了用于实现上述根据本公开的方法的计算机程序代码和计算机程序产品，以及其上记录有该用于实现上述根据本公开的方法的计算机程序代码的计算机可读存储介质。
6、在下面的说明书部分中给出本公开实施例的其它方面，其中，详细说明用于充分地公开本公开实施例的优选实施例，而不对其施加限定。
1.一种信息处理装置，包括：
2.根据权利要求1所述的信息处理装置，还包括样本生成网络获取单元，被配置成：
3.根据权利要求1所述的信息处理装置，还包括样本生成网络获取单元，被配置成：基于所述第二训练样本集对包括一个或更多个编码层的初始生成网络进行训练，以达第三预定条件，从而获得包括一个或更多个编码层的经训练的生成网络作为所述样本生成网络，
4.根据权利要求3所述的信息处理装置，其中，所述经训练的生成网络还包括一个或更多个解码层，所述一个或更多个编码层中的最后一个编码层的输出用作所述一个或更多个解码层的第一个解码层的输入，并且所述一个或更多个解码层的最后一个解码层的输出用作经训练的生成网络的输出。
5.根据权利要求2至4中任一项所述的信息处理装置，其中，通过如下方式来获得所述预先训练的第一模型对所述第二模拟样本集的预测结果：对所述第二模拟样本集中的各个模拟样本添加噪声，并且获得所述预先训练的第一模型对添加有噪声的各个模拟样本的预测结果作为所述预先训练的第一模型对所述第二模拟样本集的预测结果。
6.根据权利要求2至4中任一项所述的信息处理装置，其中，通过如下方式来获得所述预先训练的第一模型对所述第二模拟样本集的预测结果：对利用所述预先训练的第一模型所包括的特征提取层提取的、所述第二模拟样本集中的各个模拟样本的特征添加噪声，并且获得基于添加有噪声的特征的预测结果作为所述预先训练的第一模型对所述第二模拟样本集的预测结果。
7.根据权利要求1至4中任一项所述的信息处理装置，其中，通过所述预先训练的第一模型所包括的损失层的输出向量来表征所述预先训练的第一模型对所述第一模拟样本集的预测结果与所述再训练的第一模型对所述第一模拟样本集的预测结果之间的差异。
8.根据权利要求1至4中任一项所述的信息处理装置，其中，所述预先训练的第一模型是神经网络模型。
9.一种信息处理方法，包括：
10.一种存储有程序的计算机可读存储介质，所述程序在由计算机执行时使得所述计算机执行根据权利要求9所述的信息处理方法。
