[发明专利]与基于度量学习的数据分类相关的设备及其方法

说明书

本发明提供了具有基于机器学习的信息理解能力的人工智能技术，包括提供改进的分类性能的度量学习、考虑语义关系的对象分类、基于度量学习和分类的场景意义理解等。根据本发明一个实施例的电子装置包括其中存储至少一个指令的存储器，以及用于执行所存储的指令的处理器。这里，处理器从第一类的训练数据中提取特征数据，通过将所提取的特征数据映射到嵌入空间来获得特征点，并且使人工神经网络在减小所获得的特征点和锚点之间的距离的方向上学习。

技术领域

本申请涉及通过利用诸如深度学习等机器学习算法来模拟人脑的认知和决定功能的人工智能(AI)系统及其应用。本申请涉及与基于度量学习的数据分类相关的设备及其方法，更具体地，涉及执行具有改进的性能的度量学习和基于度量学习考虑语义的数据分类的电子设备及其方法。

背景技术

不同于传统的基于规则的智能系统，人工智能(AI)系统是实现人类层级的智能的计算机系统，是机器学习和自己作出决定并变得智能的系统。AI系统使用得越多，识别率就改进得越好，系统就越能精确理解用户的喜好，因此传统的基于规则的智能系统逐渐被基于深度学习的AI系统所取代。

AI技术由诸如深度学习等机器学习和使用机器学习的基础技术组成。

机器学习是一种算法技术，它能够自己分类/学习输入数据的特征。基础技术是通过使用诸如深度学习的机器学习算法来模拟人脑的认知和决定功能的技术，并且由诸如语言理解、视觉理解、推理/预测、知识表达、运动控制等技术领域组成。

AI技术适用于如下各个领域。语言理解是用于识别和应用/处理人类语言/字符的技术，并且包括自然语言处理、机器翻译、对话系统、问答、语音识别/合成等。视觉理解是将对象识别和处理为人类视觉的技术，并且包括对象识别、对象跟踪、图像检索、人识别、场景理解、空间理解、图像改进等。推理/预测是确定信息、逻辑推理和预测信息的技术，并且包括基于知识/概率的推理、优化预测、基于偏好的规划、推荐等。知识表达是将人类经验信息自动处理成知识数据的技术，并且包括知识构建(数据生成/分类)、知识管理(数据利用)等。运动控制是控制车辆的自主驾驶和机器人的运动的技术，并且包括运动控制(导航、碰撞、驾驶)、操作控制(动作控制)等。

度量学习属于机器学习的一个类别，是一种软件技术，它学习要应用于输入数据集的特征向量被投影或映射到的特征空间的度量的最合适的形式。度量被称为距离函数，因此度量学习也被称为距离度量学习。

可以为训练数据集中的每个数据对定义相似性/相异性以用于度量学习。度量学习是学习这样一种距离函数，该函数将相似数据的点之间的距离确定为更近的距离，并将相异数据的点之间的距离确定为更远的距离。距离函数可以极大地影响基于输入数据的特征点之间的距离对输入数据进行分类的算法(例如K最近邻(KNN)算法等)的性能。因此，为了提高分类性能，通过度量学习找到最优距离函数是很重要的。

上述度量学习涉及不同数据的精确分类。同时，为了理解数据，不仅需要正确地对不同的数据进行分类，还需要理解数据的含义(以下称为语义)。换句话说，只有当要分析的数据的精确分类和数据的语义都被识别时，数据才能被理解。

当从数据中提取的特征数据在特征空间上被聚类时，重要的是每个聚类都反映语义关系并且被设置在特征空间上，以便使用机器学习来掌握数据的含义。否则，可能只能确定数据是否属于同一个聚类，并且可能无法理解语义，并且无法通过全面识别多个数据来进一步理解情形和语义。对于该操作，第一聚类和第二聚类在特征空间中的相对位置可以根据属于第一聚类的数据的语义和属于第二聚类的数据的语义之间的相似性而变化。

为了提供需要对输入数据的语义理解(例如图像的场景理解、通过语音识别的情绪分析等)的人工智能应用服务，需要提供上述改进的度量学习方法和提供反映语义的聚类方法。

发明内容

技术问题

本申请的技术问题是提供一种执行具有改进的性能的度量学习的电子设备及其方法。