[发明专利]用于预测机器学习系统的适合于训练数据记录的配置的方法、设备和计算机程序

权利要求书

1.一种用于预测机器学习系统和/或学习方法的适合于第一训练数据记录的配置（11）的方法（20），所述方法包括在计算机上被实施的如下步骤：

使多个机器学习系统利用所述第一训练数据记录进行学习，其中所述机器学习系统和/或所使用的学习方法不一样地被配置；

创建第二训练数据记录D，所述第二训练数据记录包括经过学习的机器学习系统有关所述第一训练数据记录所确定的工作能力（13）以及分别被分配的配置；

根据所述第二训练数据记录D来使图同构网络（英文Graph Isomorphism Network，GIN，12）进行学习，使得图同构网络（12）根据所述配置（11）来确定所属的工作能力（13）；

借助于图同构网络（12）来预测所提供的多个配置的工作能力（13）；并且

选择如下那些所预测的配置，对于所述配置来说预测到了最好的工作能力（13）。

2.根据权利要求1所述的方法，其中所述配置分别包括至少一个参数，所述至少一个参数表征所述机器学习系统的结构，其中所述结构借助于DARTS单元来被定义。

3.根据权利要求2所述的方法，其中表征所述机器学习系统的结构和不同的DARTS单元、尤其是标准单元和简化单元的参数被分组成所述第二训练数据记录的不相交图，其中所述配置的表征全部堆叠的单元的可预先给定的数目c和/或训练时期的可预先给定的数目e的其它参数针对所述机器学习系统的每个DARTS单元被组合（英文concatenate）。

4.根据权利要求3所述的方法，其中分别提供所述配置的其它参数的不同实现形式的值的可预先给定的集合，其中所述机器学习系统首先开始于包括所述其它参数的配置地在值的可预先给定的集合中的分别最小值的情况下进行学习，其中其它配置接着根据可预先给定的计算预算（英文computational budget）从值的可预先给定的集合中被选择并且利用所述配置根据所述计算预算来使所述机器学习系统进行学习。

5.根据权利要求4所述的方法，其中借助于连续减半法（英文SuccesiveHalving），根据可预先给定的计算预算来确定其它配置，直至达到所述其它参数的值的可预先给定的集合中的最大值为止。

6.根据权利要求4或5所述的方法，其中在进行学习时，附加地，针对所述值的可预先给定的集合中的所选择的最小值随机使用多个不同的其它配置。

7.根据上述权利要求中任一项所述的方法，其中根据所选择的配置之一来使其它机器学习系统初始化，其中使所述其它机器学习系统进行学习而且其中使用经过学习的其它机器学习系统来确定针对执行器的控制参量。

8.根据上述权利要求中任一项所述的方法，其中替代图同构网络，使用差分图池网络（DiffPool）或者XGBoost或者LGBoost。

9.一种计算机程序，所述计算机程序包括如下指令，在通过计算机来实施所述计算机程序时，所述指令促使所述计算机来实施根据上述权利要求中任一项所述的方法。

10.一种机器可读存储元件，在其上存放有根据权利要求9所述的计算机程序。

11.一种设备，所述设备被设立为实施根据权利要求1至8中任一项所述的方法。