[发明专利]一种工作机稳态性能提升的方法、装置、设备及介质

说明书

本发明涉及机器学习领域，提出一种工作机稳态性能提升的方法、装置、设备及介质。方法包括：建立工作机对应的训练集合和核函数，基于所述核函数在所述训练集合上计算工作机的高斯后验概率分布，以得到工作机的局部预测模型；将所述局部预测模型发送给服务器，基于聚合算法对所述局部预测模型进行聚合，得到全局预测模型；在工作机上对所述局部预测模型和所述全局预测模型进行融合计算，以得到逼近目标函数的预测模型。本发明公开的方法可以保证每一个工作机在利用局部预测和全局预测进行融合后的稳态性能提升；从稳态性能提升的角度，可以直接利用均方误差进行比较并且量化性能的提升；并且可以利用实验进行性能提升的论证。

技术领域

本发明涉及机器学习领域，尤其涉及一种工作机稳态性能提升的方法、装置、设备及介质。

背景技术

物联网产生大量的分布数据，一种典型的训练方式是将这些数据存储在服务器上，通过服务器训练模型，然而，这种方式的通信效率以及计算效率的问题明显，比如，一辆汽车几个小时产生的数百Gb的数据在传输和计算过程中，都是极大的负担。分布式机器学习对于计算量太大、训练数据太多以及模型规模太大的情况可以有效的解决，现有技术主要局限在离线学习，而在实际应用中工作机会获得数据流，因此在线学习是解决这一问题的有效方式。现有技术中，在预测工作机学习性能提升的方法中，将全局预测误差和工作机局部预测误差的置信区间的宽窄进行比较，缺乏量化误差的指标，因此需要一种可以量化误差的工作机的稳态性能提升的方法。

发明内容

有鉴于此，本发明提出了一种工作机稳态性能提升的方法、装置、设备及介质，其中，本发明提出的一种工作机稳态性能提升的方法首先通过高斯过程回归(Gaussianprocess regression，GPR)处理流数据，实现对测试输出进行预测，然后将局部预测的期望和方差发送给服务器，服务器对收到的所有工作机的期望和方差进行聚合，计算得到全局预测的期望和方差并将得到的全局预测模型发送回各个工作机。本发明提出的一种工作机稳态性能提升的方法使得工作机在经过全局预测和局部预测融合后，得到的预测模型在工作机稳态下具有更好的预测性能。

基于以上目的，本发明的实施例的一个方面提供了一种工作机稳态性能提升的方法，所述方法包括以下步骤：建立工作机对应的训练集合和核函数，基于所述核函数在所述训练集合上计算工作机的高斯后验概率分布，以得到工作机的局部预测模型；将所述局部预测模型发送给服务器，基于聚合算法对所述局部预测模型进行聚合，得到全局预测模型；在工作机上对所述局部预测模型和所述全局预测模型进行融合计算，以得到逼近目标函数的预测模型。

在一些实施例中，所述方法还包括：建立验证数据集并将所述验证数据集均分给工作机，通过所述逼近目标函数的预测模型计算工作机对应的逼近目标函数的预测模型的预测均方误差；比较所述逼近目标函数的预测模型的预测均方误差与所述局部预测模型的均方误差，响应于所述逼近目标函数的预测模型的预测均方误差小于所述局部预测模型的均方误差，所述逼近目标函数的预测模型有效。

在一些实施例中，所述建立工作机对应的训练集合和核函数，基于所述核函数在所述训练集合上计算工作机的高斯后验概率分布，以得到工作机的局部预测模型包括：建立训练数据对应的投影数据集合，并获取所述投影数据集合中的投影数据的邻域，基于所述投影数据的邻域构建工作机对应的训练集合；根据选择的核函数在所述训练集合上计算工作机的高斯后验概率分布，得到工作机的局部预测的期望和方差。

在一些实施例中，所述将所述局部预测模型发送给服务器，基于聚合算法对所述局部预测模型进行聚合，得到全局预测模型包括：将所述局部预测的期望和方差发送给服务器，并通过所述服务器的聚合算法将所述局部预测的期望和方差计算为全局预测的期望和方差。

在一些实施例中，所述在工作机上对所述局部预测模型和所述全局预测模型进行融合计算，以得到逼近目标函数的预测模型包括：将所述全局预测的期望和方差发送给工作机，设置通过工作机对所述全局预测的期望和方差与所述局部预测的期望和方差进行融合计算，得到逼近目标函数的预测模型。