“N·阿格尔沃”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果20个，建议您升级VIP下载更多相关专利

[发明专利]机器学习和深度学习模型的基于梯度的自动调整-CN201880062156.9有效
发明人： V·瓦拉达拉珍;S·伊蒂库拉;S·阿格尔沃;N·阿格尔沃 -专利权人：甲骨文国际公司
申请日： 2018-09-28 - 公布日： 2023-09-19 - 主分类号： G06N20/20 文献下载
摘要：在本文中，水平可伸缩技术高效地配置机器学习算法以实现最佳准确度而无需知悉的输入。在实施例中，对于每个特定超参数，并且对于每个历元，计算机处理所述特定超参数。历元基于超参数元组探索一个超参数。从每个元组计算相应的分数。元组包含值的不同组合，每个值被包含在不同超参数的值范围内。元组的属于特定超参数的所有值都是不同的。元组的属于其它超参数的所有值都保持恒定。根据基于分数的第一线和基于分数的第二线的交点来缩小特定超参数的值范围。根据重复缩小的超参数值范围，最佳地配置机器学习算法。调用经配置的算法以获得结果。
机器学习深度模型基于梯度自动调整

[发明专利]自旋锁定参数值的高效调整-CN202180075776.8在审
发明人： O·科克柏柏尔;M·班西;M·乔利斯;S·圣德拉;N·阿格尔沃 -专利权人：甲骨文国际公司
申请日： 2021-08-27 - 公布日： 2023-07-18 - 主分类号： G06F11/34 文献下载
摘要：本文描述了用于调整用于并发性控制的自旋锁实施方式的参数的系统和方法。在实施例中，系统从资源管理系统连续地检索定义资源管理系统的状态的一个或多个状态值。基于一个或多个状态值，系统确定资源管理系统已经达到稳态，并且作为响应，调整用于由所述资源管理系统执行的自旋锁定的多个参数以识别多个参数的最优值。在调整多个参数之后，系统基于一个或多个当前状态值检测资源管理系统中的工作负载改变，并且作为响应，重新调整用于由所述资源管理系统执行的自旋锁定的所述多个参数以识别参数的新的最优值。
自旋锁定参数高效调整

[发明专利]列式分析存储格式的半结构化数据的概率文本索引-CN202180050173.2在审
发明人：温鉴;H·阿哈麦迪;S·金图卡尔;N·阿格尔沃;宛立建;S·哈里哈拉苏布拉曼尼安 -专利权人：甲骨文国际公司
申请日： 2021-04-30 - 公布日： 2023-04-28 - 主分类号： G06F16/22 文献下载
摘要：本文是一种概率加索引技术，用于使用列式输入/输出(I/O)避免来搜索诸如Parquet之类的列式存储格式中的半结构化文本文档，并且需要最小的存储开销。在实施例中，计算机将列与半结构化文档中出现的文本串相关联。检测文本串中出现的文本词。分别为每个文本词生成多个位图中包含用于每一列的相应位的位图。基于位图中的至少一个位图，访问列中的一些列或半结构化文档中的一些半结构化文档。
分析存储格式结构数据概率文本索引

[发明专利]使用对于自主数据库服务的自适应采样启用高效的机器学习模型推理-CN202180046209.X在审
发明人： F·陶希德;O·科克柏柏尔;T·卡那格尔;N·阿格尔沃 -专利权人：甲骨文国际公司
申请日： 2021-04-28 - 公布日： 2023-03-03 - 主分类号： G06F16/21 文献下载
摘要：本文是用于数据库管理系统(DBMS)的诸如实时的自优化的方法。本文中的自适应即时采样技术估计数据库内容统计，机器学习(ML)模型可以使用该数据库内容统计来预测节省诸如执行时间和存储空间之类的计算机资源的配置设置。在实施例中，计算机重复地对数据库内容进行采样，直到满足动态收敛准则。在一系列采样迭代的每次迭代中，对数据库表的行的子集进行采样，并基于被采样的行的子集调整数据库表的内容统计的估计。在检测到动态收敛之后，机器学习(ML)模型立即或最终基于内容统计估计来预测用于DBMS的配置设置的最优值。
使用对于自主数据库服务自适应采样启用高效机器学习模型推理

[发明专利]使用超参数预测器提高自动机器学习模型选择的准确度-CN202080038456.0在审
发明人： H·F·莫汉达姆;S·阿格尔沃;V·瓦拉达拉珍;A·雅科夫列夫;S·伊蒂库拉;N·阿格尔沃 -专利权人：甲骨文国际公司
申请日： 2020-04-02 - 公布日： 2022-02-01 - 主分类号： G06N20/20 文献下载
摘要：在实施例中，对于多个微型机器学习模型(MML模型)中的每个MML模型，训练预测第一数据集的相应超参数设置集的相应超参数预测器集。每个MML模型表示多个参考机器学习模型(RML模型)中的相应RML模型。从第一数据集生成第一多个数据集样本。生成第一多个第一元特征集。使用超调算法为所述每个MML模型生成相应的超参数设置目标集。第一多个第一元特征集和相应的超参数设置目标集用于训练相应的超参数预测器集。每个超参数预测器集用于提高为每个数据集选择RML模型的准确度。
使用参数预测提高自动机器学习模型选择准确度

[发明专利]基于元学习的自动特征子集选择-CN202080028693.9在审
发明人： T·卡那格尔;S·伊蒂库拉;H·F·莫汉达姆;N·阿格尔沃 -专利权人：甲骨文国际公司
申请日： 2020-03-30 - 公布日： 2021-12-14 - 主分类号： G06N20/20 文献下载
摘要：本发明涉及机器学习(ML)模型的降维。本文中的技术是对特征进行单独排名并基于其排名对特征进行组合以实现特征的最优组合，该最优组合可以加速训练和/或推理、防止过度拟合和/或提供对在某种程度上神秘的数据集的洞察。在实施例中，计算机对训练语料库的数据集的特征进行排名。对于每个数据集和每个界标百分比，目标ML模型被配置为仅接收特征中的排名最高的界标百分比的特征，并且测量通过使用数据集训练ML模型实现的界标准确度。基于数据集的界标准确度和元特征值，为每个数据集生成相应的训练元组。基于所有训练元组，对回归器进行训练以预测用于训练目标ML模型的最优特征数量。
基于学习自动特征子集选择

[发明专利]机器学习中用于不平衡缓解和数据集大小缩减的自适应采样-CN202080032282.7在审
发明人：蔡竞霄;S·阿格尔沃;S·伊蒂库拉;V·瓦拉达拉珍;A·雅科夫列夫;N·阿格尔沃 -专利权人：甲骨文国际公司
申请日： 2020-04-09 - 公布日： 2021-12-10 - 主分类号： G06N3/08 文献下载
摘要：根据实施例，一种方法包括从数据集生成第一数据集样本，计算第一数据集样本和机器学习模型的第一验证分数，以及确定第一验证分数和第二验证分数之间验证分数的差异是否满足第一标准。如果验证分数的差异不满足第一标准，那么该方法包括从数据集生成第二数据集样本。如果验证分数的差异确实满足第一标准，那么该方法包括更新收敛值并确定更新后的收敛值是否满足第二标准。如果更新后的收敛值满足第二标准，那么该方法包括返回第一数据集样本。如果更新后的收敛值不满足第二标准，那么该方法包括从数据集生成第二数据集样本。
机器学习用于不平衡缓解数据大小缩减自适应采样

[发明专利]使用深度递归神经网络的上下文感知特征嵌入和序列日志数据的异常检测-CN202110514951.0在审
发明人： H·哈吉米尔萨德;G-T·周;A·布朗斯沃德;N·阿格尔沃;P·钱德拉谢卡;K·R·尼亚 -专利权人：甲骨文国际公司
申请日： 2019-07-23 - 公布日： 2021-07-30 - 主分类号： G06F21/55 文献下载
摘要：本发明涉及使用深度递归神经网络的上下文感知特征嵌入和序列日志数据的异常检测。本文提供了用于基于序列预测将网络流量或操作日志的特征进行上下文嵌入以进行异常检测的技术。在实施例中，计算机具有检测异常网络流的预测性递归神经网络(RNN)。在实施例中，RNN将表示日志消息的稀疏特征向量按上下文转码为密集特征向量，该密集特征向量可以是预测性的或被用于生成预测性向量。在实施例中，图嵌入改善日志踪迹的特征嵌入。在实施例中，计算机从相关日志消息中检测独立的踪迹并对其进行特征编码。这些技术可以通过对网络分组流、日志消息和/或日志踪迹的上下文感知特征嵌入进行异常分析来检测恶意活动。
使用深度递归神经网络上下文感知特征嵌入序列日志数据异常检测

[发明专利]使用深度递归神经网络的上下文感知特征嵌入和序列日志数据的异常检测-CN202110516260.4在审
发明人： H·哈吉米尔萨德;G-T·周;A·布朗斯沃德;N·阿格尔沃;P·钱德拉谢卡;K·R·尼亚 -专利权人：甲骨文国际公司
申请日： 2019-07-23 - 公布日： 2021-07-30 - 主分类号： G06F21/55 文献下载
摘要：本发明涉及使用深度递归神经网络的上下文感知特征嵌入和序列日志数据的异常检测。本文提供了用于基于序列预测将网络流量或操作日志的特征进行上下文嵌入以进行异常检测的技术。在实施例中，计算机具有检测异常网络流的预测性递归神经网络(RNN)。在实施例中，RNN将表示日志消息的稀疏特征向量按上下文转码为密集特征向量，该密集特征向量可以是预测性的或被用于生成预测性向量。在实施例中，图嵌入改善日志踪迹的特征嵌入。在实施例中，计算机从相关日志消息中检测独立的踪迹并对其进行特征编码。这些技术可以通过对网络分组流、日志消息和/或日志踪迹的上下文感知特征嵌入进行异常分析来检测恶意活动。
使用深度递归神经网络上下文感知特征嵌入序列日志数据异常检测

[发明专利]微型机器学习-CN201980081260.7在审
发明人： S·阿格尔沃;V·瓦拉达拉珍;S·伊蒂库拉;N·阿格尔沃 -专利权人：甲骨文国际公司
申请日： 2019-10-17 - 公布日： 2021-07-23 - 主分类号： G06N5/00 文献下载
摘要：描述了用于生成和应用机器学习算法的微型机器学习变体以在调整和选择机器学习算法时节省计算资源的技术。在实施例中，用于参考变体的超参数值中的至少一个超参数值被修改为新的超参数值，从而从机器学习算法的参考变体生成机器学习算法的新变体。基于机器学习算法的新变体的成本度量并将新变体和参考变体的性能得分进行比较，系统确定修改后的参考机器算法是否是计算上成本低于机器学习算法的参考变体但紧密跟随参考变体的准确度的微型机器学习算法。
微型机器学习

[发明专利]用于数据的高效重新分区的通信-CN201680003347.9有效
发明人： S·伊蒂库拉;A·巴斯安特;V·阿格尔沃;S·沃尔夫;N·阿格尔沃 -专利权人：甲骨文国际公司
申请日： 2016-05-12 - 公布日： 2021-06-25 - 主分类号： G06F16/29 文献下载
摘要：提供了一种用于使用经调度的网络通信来高效地将数据重新分区的方法。给定定义要在多个服务器节点之间发送的数据块的重新分区数据，对应的网络调度表被确定以便以协调的方式发送数据块。网络调度表被划分为时隙，其中多个服务器节点中的每个服务器节点在每个时隙中可以发送最多一个数据块以及接收最多一个数据块。通过使用优先化最大发送者和最大接收者的贪婪选择算法，即使存在严重偏斜，也可以确定近似最佳的调度表。贪婪选择算法可以用O(T*N^2)时间复杂度实现，从而实现扩展到具有许多服务器节点的大型多节点集群。网络调度表是需要对关于不同键的运算符进行重新分区的数据库执行计划特别感兴趣的。
用于数据高效重新分区通信

[发明专利]使用深度递归神经网络的上下文感知特征嵌入和序列日志数据的异常检测-CN201980067519.2在审
发明人： H·哈吉米尔萨德;G-T·周;A·布朗斯沃德;N·阿格尔沃;P·钱德拉谢卡;K·R·尼亚 -专利权人：甲骨文国际公司
申请日： 2019-07-23 - 公布日： 2021-05-25 - 主分类号： G06N3/04 文献下载
摘要：本文提供了用于基于序列预测将网络流量或操作日志的特征进行上下文嵌入以进行异常检测的技术。在实施例中，计算机具有检测异常网络流的预测性递归神经网络(RNN)。在实施例中，RNN将表示日志消息的稀疏特征向量按上下文转码为密集特征向量，该密集特征向量可以是预测性的或被用于生成预测性向量。在实施例中，图嵌入改善日志踪迹的特征嵌入。在实施例中，计算机从相关日志消息中检测独立的踪迹并对其进行特征编码。这些技术可以通过对网络分组流、日志消息和/或日志踪迹的上下文感知特征嵌入进行异常分析来检测恶意活动。
使用深度递归神经网络上下文感知特征嵌入序列日志数据异常检测

[发明专利]使用特征排名和可扩展的自动搜索进行自动特征子集选择-CN201980067625.0在审
发明人： T·卡那格尔;S·伊蒂库拉;N·阿格尔沃 -专利权人：甲骨文国际公司
申请日： 2019-10-01 - 公布日： 2021-05-25 - 主分类号： G06N20/20 文献下载
摘要：本发明涉及用于机器学习(ML)模型的降维。本文中的技术是对特征进行单独排名并基于其排名组合特征以实现特征的最佳组合，该组合可以加速训练和/或推理、防止过度拟合和/或提供对在某种程度上神秘的数据集的洞察。在实施例中，对于训练数据集的每个特征，计算机基于相关性评分函数和在训练数据集中出现的特征的值的统计信息计算相关性得分。为每个特征计算基于特征的相关性得分的排名。基于特征的排名，生成特征的不同子集的序列。对于不同特征子集的序列中的每个不同子集，基于训练针对不同子集配置的机器学习(ML)模型来生成适合度得分。
使用特征排名扩展自动搜索进行子集选择

[发明专利]利用神经网络的盘驱动器故障预测-CN201980063420.5在审
发明人： O·科克柏柏尔;F·施密特;A·拉加万;N·阿格尔沃;S·伊蒂库拉;G-T·周;N·昆瑙 -专利权人：甲骨文国际公司
申请日： 2019-09-16 - 公布日： 2021-05-04 - 主分类号： G06F11/00 文献下载
摘要：盘驱动器故障是使用机器学习模型预测的。该框架涉及接收盘驱动器传感器属性作为训练数据，预处理训练数据以选择增强特征序列的集合，以及使用增强特征序列来训练机器学习模型以从盘驱动器传感器监视数据来预测盘驱动器故障。在训练阶段之前，使用预定义的超参数的集合来调谐RNN LSTM模型。在训练和评估阶段期间以及随后在预测阶段期间执行的预处理涉及对参数的集合使用预定义的值，以从原始传感器读数生成增强序列的集合。生成增强特征序列以维持期望的健康/发生故障的盘比率，并且仅使用导致上一个有效时间样本的样本来满足预先指定的抬头期警告要求。
利用神经网络驱动器故障预测

[发明专利]用于自动机器学习模型选择的特定于算法的神经网络体系架构-CN201880062950.3在审
发明人： S·阿格尔沃;S·伊蒂库拉;V·瓦拉达拉珍;N·阿格尔沃 -专利权人：甲骨文国际公司
申请日： 2018-09-28 - 公布日： 2020-05-15 - 主分类号： G06N20/20 文献下载
摘要：提供了基于经训练的特定于算法的回归器的性能预测来选择机器学习算法的技术。在实施例中，计算机通过对于每个元特征从推理数据集中导出相应的元特征值来从推理数据集中导出各元特征值。对于每个可训练的算法和分别与该算法相关联的每个回归元模型，通过基于以下至少一项来调用该元模型来计算相应的分数：元特征值的相应子集，和/或该算法的超参数的相应子集的超参数值。基于相应的分数来选择(一个或多个)算法。基于推理数据集，可以调用所选择的(一个或多个)算法来获得结果。在实施例中，经训练的回归器是不同地配置的人工神经网络。在实施例中，经训练的回归器被包含在特定于算法的集合体中。还提供了对回归器和/或集合体进行最佳训练的技术。
用于自动机器学习模型选择定于算法神经网络体系架构

1
2
下一页»
尾页
共 20 条