[发明专利]经由多预测模型架构进行异常检测的系统和方法

说明书

在一些实施例中，可以经由多模型架构来利于异常检测。在一些实施例中，第一模型可以被配置成生成与概念相对应的数据项的隐藏表示。第二模型可以被配置成根据隐藏表示生成数据项的重构。第一模型可以被配置成针对数据项评估重构并且基于重构的评估更新第一模型的配置。在第一模型的更新之后，第一模型可以根据第一数据项生成第一数据项的隐藏表示。第二模型可以根据隐藏表示生成第一数据项的重构。可以基于第一数据项与重构之间的差异来检测第一数据项中的异常。

相关申请

本申请要求以下优先权：(i)2018年7月9日提交的标题为《经由多预测模型架构进行异常检测的系统和方法(System and Method for Anomaly Detection via a Multi-Prediction-Model Architecture)》的美国专利申请第16/029,747号，(ii)2018年6月18日提交的标题为《经由多预测模型架构进行异常检测的系统和方法(System and Method forAnomaly Detection via a Multi-Prediction-Model Architecture)》的美国专利申请第16/011,136号，以及(iii)2017年11月17日提交的标题为《用于异常检测的系统和方法(System and Method for Detection of Anomaly)》的美国临时申请第62/587,738号，将该三者中的每一个整体以引用方式并入本文中。

技术领域

本发明涉及概念或异常的识别或检测，包括例如经由一个或多个神经网络或其它预测模型的异常检测。

背景技术

近年来，由于计算机硬件的性能、训练集的大小、对人工智能的理论理解的进步以及其它进步，人工智能和机器学习领域经历了复兴。这种复兴在其它技术领域取得了许多进步，包括识别或其它预测系统。现有的机器学习系统可以对数据进行分类，诸如x射线图像、磁共振图像、体积扫描(例如，CT扫描)或用于诊断目的的其它数据。这类机器学习系统通常依赖于通过标签呈现已知异常。例如，视网膜病理学的分类取决于向学习系统呈现与已知病理学相对应的数百万个图像，并帮助学习系统将每个图像分类为与已知病理学中的一个相对应。然而，当呈现与未知病理学相对应的图像时，即使在图像与任何已知病理学都不匹配的情况下，学习系统也会将该图像分类为与已知病理学中的一个相对应。存在这些和其它缺点。

发明内容

本发明各方面涉及用于经由神经网络或其它预测模型来利于对概念或异常的识别或检测的方法、装置和/或系统。

在一些实施例中，可以训练一个预测模型以将训练数据集(例如，相对于给定概念的“正常”数据集)的数据项映射到随机分布的潜在矢量空间中，并且可以训练另一预测模型以生成类似于训练数据集的数据项的输出数据(例如，根据矢量空间的潜在矢量的输入)。在一些实施例中，可以将两个预测模型布置在预测模型架构中，其中(i)将数据项作为输入提供给将数据项转换为潜在矢量的预测模型，(ii)将潜在矢量作为输入提供给预测模型，该预测模型基于潜在矢量生成数据项的重构，使得该重构类似于原始数据项。应注意，预测模型的前述架构布置并不是典型的自动编码器，它会生成具有输入数据项每个细节的重构。作为示例，前述架构被配置成在训练过程期间根据与输入数据紧密匹配的“正常”集产生数据项。