[发明专利]一种积分梯度模型预测方法、系统、电子设备及存储介质在审
| 申请号： | 202110937966.8 | 申请日： | 2021-08-16 |
| 公开（公告）号： | CN113743584A | 公开（公告）日： | 2021-12-03 |
| 发明（设计）人： | 白强伟;黄艳香 | 申请（专利权）人： | 上海明略人工智能（集团）有限公司 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 青岛清泰联信知识产权代理有限公司 37256 | 代理人： | 栾瑜 |
| 地址： | 200030 上海市徐汇区*** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 积分 梯度 模型 预测 方法 系统 电子设备 存储 介质 | ||
1.一种积分梯度模型预测方法，其特征在于，包括：
原始模型训练步骤，定义一训练集，构造一神经网络模型，并将所述神经网络模型在所述训练集上进行训练；
多任务训练集构造步骤，初始化一空的多任务数据集，从所述训练集中不放回的挑选一样本，根据所述样本对所述多任务数据集进行构造；
多任务模型构造步骤，在完成训练的所述神经网络模型中添加归因结构得到一多任务模型，将所述多任务模型在所述多任务数据集上进行训练；
多任务模型预测步骤，使用完成训练的所述多任务模型在一应用场景中进行预测。
2.根据权利要求1所述的积分梯度模型预测方法，其特征在于，所述多任务训练集构造步骤进一步包括：使用所述神经网络模型预测所述样本的标签，并基于所述样本生成一归因基线样本，计算归因，并将所述降本、所述标签和所述归因作为新样本添加至所述多任务数据集中。
3.根据权利要求2所述的积分梯度模型预测方法，其特征在于，使用积分梯度法计算所述归因。
4.根据权利要求1所述的积分梯度模型预测方法，其特征在于，所述多任务模型预测步骤进一步包括：在进行模型预测时，同时输出预测结果和归因结果。
5.一种积分梯度模型预测系统，其特征在于，包括：
原始模型训练模块，定义一训练集，构造一神经网络模型，并将所述神经网络模型在所述训练集上进行训练；
多任务训练集构造模块，初始化一空的多任务数据集，从所述训练集中不放回的挑选一样本，根据所述样本对所述多任务数据集进行构造；
多任务模型构造模块，在完成训练的所述神经网络模型中添加归因结构得到一多任务模型，将所述多任务模型在所述多任务数据集上进行训练；
多任务模型预测模块，使用完成训练的所述多任务模型在一应用场景中进行预测。
6.根据权利要求5所述的积分梯度模型预测系统，其特征在于，所述多任务训练集构造模块进一步包括：使用所述神经网络模型预测所述样本的标签，并基于所述样本生成一归因基线样本，计算归因，并将所述降本、所述标签和所述归因作为新样本添加至所述多任务数据集中。
7.根据权利要求6所述的积分梯度模型预测系统，其特征在于，使用积分梯度法计算所述归因。
8.根据权利要求5所述的积分梯度模型预测系统，其特征在于，所述多任务模型预测模块进一步包括：在进行模型预测时，同时输出预测结果和归因结果。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的积分梯度模型预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一项所述的积分梯度模型预测方法。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于上海明略人工智能（集团）有限公司，未经上海明略人工智能（集团）有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202110937966.8/1.html，转载请声明来源钻瓜专利网。
- 上一篇：管道抓取机器人及其抓取方法
- 下一篇：一种高纯度石英砂的制备方法
