1.一种信息识别方法，其特征在于，学习阶段包括以下步骤：步骤S11，将包含多个样本类别、多个样本域的训练样本集S划分为模拟训练样本集DS和模拟测试样本集DT；

s s

步骤S12，将所述模拟训练样本集DS的各个类别c的样本数据xc、所述样本数据xc的类s s别标签yc输入编码器网络，所述编码器网络生成所述样本数据xc的各个类别c在潜在空间的第一分布；

t

步骤S13，将所述模拟测试样本集DT的样本数据x 输入先验网络，所述先验网络生成所t述样本数据x在所述潜在空间的第二分布；

步骤S14，计算各个类别c的所述第一分布之和与所述第二分布之间的KL距离，使该KL距离最小。

2.根据权利要求1所述的信息识别方法，其特征在于，还包括：t

步骤S15，将所述模拟测试样本集DT的样本数据x以及所述第一分布的参数输入解码器t网络，所述解码器网络基于所述模拟测试样本集DT的样本数据x以及所述第一分布的参t数，生成所述样本数据x的预测类别标签t t

使所述预测类别标签 与所述样本数据x的已知类别标签y的交叉熵最小。

3.根据权利要求2所述的信息识别方法，其特征在于，测试阶段包括以下步骤：步骤S31，将测试样本集T的测试样本数据x输入所述先验网络，所述先验网络生成所述测试样本数据x在潜在空间的第三分布；

步骤S32，将所述测试样本数据x和所述第三分布的参数输入所述解码器网络，所述解码器网络根据所述第三分布的参数生成所述测试样本数据x的预测类别标签

4.根据权利要求3所述的信息识别方法，其特征在于，s

步骤S12中，不同类别的所述样本数据xc的所述第一分布之间的Wasserstein距离LW最大。

5.根据权利要求1所述的信息识别方法，其特征在于，步骤S11中，在所述训练样本集S的多个样本域中，随机选择一个样本域作为所述模拟测试样本集DT，其余的样本域作为所述模拟训练样本集DS。

6.根据权利要求2所述的信息识别方法，其特征在于，l t

步骤S15中，对所述第一分布进行多次采样，将多个采样值z以及所述样本数据x输入所述解码器网络，得到多个预测类别标签，对该多个预测类别标签取平均，将得到的平均值t作为所述样本数据x的预测类别标签

7.根据权利要求4所述的信息识别方法，其特征在于，计算整体损失函数 如式(1)：

其中， 为交叉熵，DKL为KL距离， 为Wasserstein距离，根据式(2)，利用梯度下降法更新所述编码器网络、所述先验网络、所述解码器网络的参数：

8.根据权利要求3所述的信息识别方法，其特征在于，l

步骤S32中，对所述第三分布进行多次采样，将多个采样值z以及所述样本数据x输入所述解码器网络，得到多个预测类别标签，对该多个预测类别标签取平均，将得到的平均值作为所述样本数据x的预测类别标签

9.根据权利要求1‑8中任一项所述的信息识别方法，其特征在于，所述训练样本集S、测试样本集T的样本数据为图形数据、语音数据、或文字数据。

10.一种信息识别系统，其特征在于，包括：编码网络单元，在学习阶段，其接收从训练样本集S划分出的模拟训练样本集DS的各个s s s s类别c的样本数据xc、以及所述样本数据xc的类别标签yc，生成所述样本数据xc的各个类别c在潜在空间的第一分布，其中，所述训练样本集S包含多个样本类别、多个样本域，所述训练样本集S划分为所述模拟训练样本集DS和模拟测试样本集DT；

t

先验网络单元，在学习阶段，其接收所述模拟测试样本集DT的样本数据x ，并生成所述t样本数据x 在潜在空间的第二分布，其中，各个类别c的所述第一分布之和与所述第二分布之间的所述KL距离最小；

t

解码器网络单元，在学习阶段，其接收所述模拟测试样本集DT的的样本数据x以及所述t第一分布的参数，生成所述样本数据x的预测类别标签 其中，所述预测类别标签 与所t t述样本数据x的已知类别标签y的交叉熵最小。

11.如权利要求10所述的信息识别系统，其特征在于，在测试阶段，

所述先验网络单元接收所述测试样本集T的所述测试样本数据x生成基于所述测试样本数据x的第三分布；

所述解码器网络单元接收所述测试样本数据x和所述第三分布的参数，生成所述测试样本数据x的所述预测类别标签

12.根据权利要求10所述的信息识别系统，其特征在于，s

所述编码网络单元输出的不同类别的所述样本数据xc 的所述第一分布之间的Wasserstein距离LW最大。

13.一种电子设备，其特征在于，包括一个或多个处理器及存储器，所述存储器上存储有一个或多个计算机程序，当所述一个或多个处理器执行所述一个或多个计算机程序时，实现权利要求1‑9中任一项所述的信息识别方法步骤。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序程序被处理器运行时实现权利要求1‑9中任一项所述的信息识别方法。