[发明专利]用于重新训练分类器的样本选择

说明书

一种管理所存储的用于分类的训练集的存储器使用的方法包括计算第一相似性度量和第二相似性度量中的一者或二者。该第一相似性度量与新的训练样本以及与该新的训练样本相同分类的现有训练样本相关联。该第二相似性度量与该新的训练样本以及与该新的训练样本不同分类的现有训练样本相关联。该方法还包括基于该第一相似性度量和/或该第二相似性度量选择性地将该新的训练样本存储在存储器中。

相关申请的交叉引用

本申请要求于2015年3月17日提交的美国临时专利申请No.62/134,493以及于2015年5月20日提交的题为“FEATURE SELECTION FOR RETRAINING CLASSIFIERS(用于重新训练分类器的特征选择)”的美国临时专利申请No.62/164,484的权益，其公开内容通过援引全部明确纳入于此。

背景

领域

本公开的某些方面一般涉及机器学习，尤其涉及用于重新训练分类器的特征选择的系统和方法。

背景技术

可包括一群互连的人工神经元(例如，神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。

卷积神经网络是一种前馈人工神经网络。卷积神经网络可包括神经元集合，其中每一个神经元具有感受野并且共同地拼出一输入空间。卷积神经网络(CNN)具有众多应用。具体地，CNN已被广泛使用于模式识别和分类领域。

深度学习架构(诸如，深度置信度网络和深度卷积网络)是分层神经网络架构，其中第一层神经元的输出变成第二层神经元的输入，第二层神经元的输出变成第三层神经元的输入，以此类推。深度神经网络可被训练以识别特征阶层并因此它们被越来越多地用于对象识别应用。类似于卷积神经网络，这些深度学习架构中的计算可被分布在处理节点群体上，该处理节点群体可被配置成一条或多条计算链。这些多层式架构可每次被训练一层并可使用反向传播来微调。

其他模型也可用于对象识别。例如，支持向量机(SVM)是可被应用于分类的学习工具。支持向量机包括对数据进行归类的分离超平面(例如，决策边界)。该超平面由监督式学习定义。合宜的超平面增加训练数据的裕量。换言之，该超平面应该具有到训练示例的最大的最小距离。

尽管这些解决方案在数个分类标杆上取得了优异的结果，但它们的计算复杂度可能高到令人却步。另外，这些模型的训练可能是有挑战性的。

概述

根据本公开的一方面，描述了一种管理所存储的用于分类的训练集的存储器使用的方法。该方法包括计算第一相似性度量或第二相似性度量中的至少一者。该第一相似性度量与新的训练样本以及与该新的训练样本相同分类的现有训练样本相关联。该第二相似性度量与该新的训练样本以及与该新的训练样本不同分类的现有训练样本相关联。该方法还包括基于该第一相似性度量和/或该第二相似性度量选择性地将该新的训练样本存储在存储器中。该新的训练样本的选择性存储降低了对于经更新的所存储训练集的存储器要求。

根据本公开的另一方面，一种装备管理所存储的用于分类的训练集的存储器使用。该装备具有用于计算第一相似性度量或第二相似性度量中的至少一者的装置。该第一相似性度量与新的训练样本以及与该新的训练样本相同分类的现有训练样本相关联。该第二相似性度量与该新的训练样本以及与该新的训练样本不同分类的现有训练样本相关联。该装备还包括用于基于该第一相似性度量、该第二相似性度量或其组合选择性地将该新的训练样本存储在存储器中的装置。该新的训练样本的选择性存储降低了对于经更新的所存储训练集的存储器要求。