[发明专利]用于基于数据的模型的质量保证系统和方法

说明书

本发明涉及一种系统，其一方面具有由鉴别神经网络形成并实现二元类别模型或多类别模型的分类器。另一方面，该系统具有由生成神经网络形成的基于模型的样本生成器。分类器和基于模型的样本生成器都对于一个相应类别用相同的训练数据集被训练，因此体现用于该类别的相应模型。本发明还涉及一种确定用于具有鉴别神经网络的分类器的输入数据集的质量标准的方法。分类器用训练数据集来训练并体现用于一个类别的分类模型。根据该方法，首先提供具有生成神经网络的基于模型的样本生成器，并用与借以训练该分类器的相同的训练数据集来训练。然后借助经训练的基于模型的样本生成器和基于随机值的输入数据集来生成代表分类器所体现的分类模型的人工数据集。由经训练的生成器生成的人工数据集或从中导出的至少一个参数被用于检查输入数据集是否适于分类或回归。

本发明涉及用于基于数据的模型的质量保证的系统和方法。

本发明尤其涉及用于由鉴别神经网络形成的分类器或回归器的质量保证的系统和方法，其中，所述分类器用于指明由各自输入数据集表示的对象、状态或事件属于或不属于一个类别或多个类别之一。而当回归器处理人图像时，回归器输出一个数值例如人的年龄说明。

例如已知二元分类器单元，其对于一个由各自数据集表示的对象、事件或状态指明该对象、状态或事件属于或不属于该二元分类器单元对此被训练的一个类别。

输入数据集通常是向量或矩阵。如果例如一个对象由一个向量表示，则该向量包含描述该对象的某些属性的值，即例如重量属性的值、高度属性的值和性别属性的值。相应的向量针对身高1.90m、体重100kg的男性可以例如看起来是如下这样：(2,190,100)。例如在该向量中，2代表性别(1＝女性，2＝男性)，190代表身高190cm，100代表体重、即100kg。

通常如此构建神经网络，对于每个值都存在一个输入节点，即在上述示例中有三个输入节点，其中的一个输入节点指定用于性别，第二个输入节点指定用于高度，第三个输入节点指定用于重量。但后者并不适用于所谓的LSTM神经网络(LSTM：长短期记忆网络)。

一个输入数据集中包含的值被分配给输入层的(输入)节点。输入节点将其输出值作为输入值传递给人工神经网络的下一层的通常多个(或所有)节点。最后，人工神经网络的一个输出层中的(输出)节点提供归属度值，其指明由输入数据集表示的对象、事件或状态以何种概率归属于(或是否属于)某一类。通常，在输入层和输出层之间规定多个中间层(隐藏层)，它们与输入层和输出层一起定义神经网络的拓扑。二元分类器可以在输出层具有两个节点，即一个作为输出值提供针对A类的归属度值，另一个作为输出值提供用于非A类的归属度值。一个多类别分类器可以在输出层具有多个节点，即各有一个节点针对多类别分类器对此被训练的其中一个类别提供一个归属度值，另一个节点指明由输入数据集表示的对象或由输入数据集表示的状态不会被归属于对此已训练多类别分类器的任何类别的概率。多类别分类器可如此由多个二元子分类模型组成，即多类别分类器由几个并行的二元子分类模型(形成二元子路径)组成，每个均有自己的中间层(隐藏层)，其中所述多个并行的二元分类模型具有一个共同的输入层和一个共同的输出层。

因此在典型的人工神经网络中，在具有输入节点的一个输入层后跟着具有节点的多个其它层(隐藏层)。在此，后一层的每个节点通常都逻辑连接到前一层的所有节点并且可通过这种方式接收前一层的节点的各自输出值。如此收到的值通常在各自节点被加权相加，以便接着从加权和中例如通过Sigmoid函数或其它激活函数形成各自节点的输出值，其接着被输出到下一层的所有节点。这些层和节点表明神经网络的拓扑。各自节点借此将与前一层的节点通常不同的输入值加权并将其处理成输出值的函数完成人工神经网络的参数化并定义一个模型(例如分类模型)。在用训练数据集训练人工神经网络期间进行借此加权这些节点的输入值的权重的参数化。

如原则上已知的，一些权重出现在用于各自人工神经网络的训练阶段过程中。在这样的训练阶段中，为人工神经网络提供作为输入数据集的训练数据集，通常还提供属于各自训练数据集的类别(称为标签或目标)。在训练阶段期间，定期确定在神经网络输出层处的节点的输出值与期望值的偏差。