[发明专利]基于优胜劣汰的深度强化学习策略网络存储方法及设备在审

专利信息
申请号: 202010320186.4 申请日: 2020-04-22
公开(公告)号: CN111582495A 公开(公告)日: 2020-08-25
发明(设计)人: 赵江;李明君;蔡志浩;王英勋 申请(专利权)人: 北京航空航天大学
主分类号: G06N20/00 分类号: G06N20/00
代理公司: 北京航智知识产权代理事务所(普通合伙) 11668 代理人: 陈磊;张桢
地址: 100191*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要: 一种基于优胜劣汰的深度强化学习策略网络的存储方法,该方法包括:获取当前训练周期的结果和策略网络;判断所述当前训练周期的结果是否满足策略网络测试要求;在判断所述当前训练周期的结果满足所述策略网络测试要求的情况下,进行策略网络测试;获得该策略网络测试的结果;判断所述策略网络测试的结果是否满足保存要求;在判断所述策略网络测试的结果满足保存要求的情况下,保存所述策略网络以及所述策略网络测试的结果。
搜索关键词: 基于 优胜劣汰 深度 强化 学习 策略 网络 存储 方法 设备
【主权项】:
暂无信息
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

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北京航空航天大学,未经北京航空航天大学许可,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/patent/202010320186.4/,转载请声明来源钻瓜专利网。

同类专利
  • 一种模型训练的方法、装置、存储介质及电子设备-202310871399.X
  • 李佳霓 - 支付宝(杭州)信息技术有限公司
  • 2023-07-14 - 2023-10-27 - G06N20/00
  • 本说明书公开了一种模型训练的方法、装置、存储介质及电子设备,所述方法包括:确定各用户的风控信息,作为各无标注样本。再确定各用户分别对应的原始策略,以及根据待训练的策略推荐模型,确定各用户对各类风控策略的评价得分。之后,根据各用户对应的评价得分,确定对各用户对应的原始策略进行调整后得到的调整策略。再根据各调整策略,对各用户进行测试性风控,以确定各无标注样本对应的标注。根据各无标注样本以及各无标注样本对应的标注,对待训练的策略推荐模型进行训练。使得可以根据获取到的其他类型的样本训练待训练的策略推荐模型,以使训练完成的策略推荐模型可以在应用过程中,给出更加公平和准确的风控策略。
  • 一种基于动态注意力机制的联邦学习模型训练方法-202310884951.9
  • 王楠;刘娟;张大林 - 北京交通大学
  • 2023-07-18 - 2023-10-27 - G06N20/00
  • 本发明提供了一种基于动态注意力机制的联邦学习模型训练方法。该方法包括:在每个通信轮次中,各客户端利用本地数据样本集和中央服务器下发的联合模型参数采用动态参数策略和最佳表现模型策略迭代训练更新本地的机器学习模型,将本轮次训练的模型参数更新信息和模型贡献度信息上传到中央服务器;中央服务器根据接收到的模型贡献度信息进行动态注意力分配,融合参数更新信息进行多模型安全聚合生成新的联合模型,下发新的联合模型参数信息给各个客户端进行同步更新,开启新一轮次的迭代训练。本发明方法能够动态捕捉各参与方本地模型训练的性能提升度,给予性能提升度大的模型更多的关注,从而改善联合模型训练迭代的流程及提升最终模型的性能。
  • 模型训练的方法、装置及电子设备-202310920108.1
  • 张妍;顾鹏;叶平;张诗杭;聂亚南;李斌 - 中国电信股份有限公司
  • 2023-07-25 - 2023-10-27 - G06N20/00
  • 本申请公开了一种模型训练的方法、装置及电子设备。其中,该方法包括:获取联邦学习模型中参与设备对应的本地数据信息,其中,本地数据信息包括:参与设备的设备算力、参与设备的存储资源信息和参与设备的网络资源信息;确定对本地数据信息进行联邦学习所使用的目标架构,其中,目标架构包括以下之一:中心化联邦架构和对等网络架构;依据目标架构对本地数据信息进行联邦学习训练,得到全局模型。本申请解决了传统的联邦学习对参与方设备的本地训练时间预估较难的技术问题。
  • 基于联邦学习的模型构建方法、装置、设备及介质-202310954224.5
  • 孙善宝;罗清彩;韩涛;李彬;贾荫鹏 - 山东浪潮科学研究院有限公司
  • 2023-07-31 - 2023-10-27 - G06N20/00
  • 本申请公开了一种基于联邦学习的模型构建方法、装置、设备及介质,涉及联邦学习技术领域,应用于云数据中心聚合节点,包括:获取参与方对目标梯度加密得到的加密梯度,将加密梯度存放参数队列;目标梯度是参与方对当前模型训练得到的;以流水线并行模式依次从参数队列选取不高于目标数量个加密梯度进行梯度聚合得到聚合梯度,可信执行环境中解密聚合梯度得到解密梯度,利用解密梯度对当前模型参数更新,流水线并行模式结束后得到若干更新后模型;对所有更新后模型参数聚合得到聚合模型,将聚合模型作为当前模型发送参与方,跳转至获取加密梯度步骤,直至最新模型收敛。以流水线并行模式处理聚合解密和更新过程,节省时间,提高了模型训练效率。
  • 联合模型的训练方法、装置、设备、介质和程序产品-202310757701.9
  • 孙浩;李增祥 - 新奥新智科技有限公司
  • 2023-06-26 - 2023-10-27 - G06N20/00
  • 本申请公开了一种联合模型的训练方法、装置、设备、介质和程序产品。所述方法包括:接收模型配置指令;模型配置指令包括样本数据配置信息、多个模型训练参与对象;根据样本数据配置信息获取各模型训练参与对象的样本数据,根据各模型训练参与对象的样本数据以及多个模型训练参与对象对初始模型进行仿真训练,获得联合模型;基于联合模型的性能参数和/或联合模型的价值参数更新联合模型的模型训练参与对象,基于更新后的模型训练参与对象的样本数据对联合模型进行更新。采用本方法能够仿真不同配置项下的联合模型的更新过程,避免联合模型的试运行造成的成本较高的问题。
  • 控制装置、控制方法以及非临时性计算机可读介质-202310463034.3
  • 吉冈征一郎;高见豪;小渊惠一郎;神宫善行 - 横河电机株式会社
  • 2023-04-26 - 2023-10-27 - G06N20/00
  • 提供一种控制装置,具有:模型输出获取部,其获取与向操作模型输入了表示设备的状态的状态数据相应地输出的操作模型输出,所述操作模型是利用来自模拟所述设备的操作的模拟器的模拟数据以输出与所述设备的状态相应的行动的方式进行了机器学习而得到的;指标获取部,其获取利用来自所述设备的实际数据而计算出的用于监视所述模拟器的动作与所述设备的实际操作的差异的指标;校正部,其基于所述指标而对所述操作模型输出进行校正;以及控制部,其根据所述校正的操作模型输出而输出用于对设置于所述设备的控制对象进行控制的操作量。
  • 一种模型应用次数的估计方法和估计装置-202210393265.7
  • 韩书君;李一禾;许晓东;董辰;王碧舳 - 北京邮电大学
  • 2022-04-15 - 2023-10-27 - G06N20/00
  • 本公开提供了一种模型应用次数的估计方法和估计装置,涉及通信技术领域。具体实现方案为:接收业务请求,根据业务请求确定哈希函数集的函数个数;节点接收模型流,计算模型流中的模型对应于每个哈希函数的哈希值;对所有模型对应的相同哈希函数的相同哈希值进行个数统计,以得到统计数量;将模型的每个哈希函数的哈希值对应的所有统计数量中的最小统计数量作为模型的估计应用次数。本公开通过运算得到的哈希值对模型进行分类,并将哈希函数的方法应用到网络模型整体流量的估计测量过程中,从而通过哈希函数的压缩作用,提高了计算精确度和运算效率,并且可以减少了存储资源占用量。
  • 联合模型的训练方法、训练装置、存储介质及电子设备-202310721913.1
  • 杨程屹 - 新奥新智科技有限公司
  • 2023-06-16 - 2023-10-27 - G06N20/00
  • 本公开是关于一种联合模型的训练方法、联合模型的训练装置、存储介质及电子设备。该联合模型的训练方法包括获取第T轮训练时各参与方上传的本地模型及本地模型对应的性能度量指标的度量值;将各参与方上传的本地模型以加权求平均的方式进行模型聚合得到第一联合模型,将各参与方上传的本地模型以各参与方上传的度量值为权重进行加权模型聚合得到第二联合模型;根据第一联合模型对应的性能度量指标的估计值及第二联合模型对应的性能度量指标的估计值,判断各参与方中是否有参与方虚报度量值;若各参与方中有参与方虚报度量值则将虚报度量值的参与方剔除,将第二联合模型作为第T+1轮训练时的初始模型进行模型训练,如此可提高联合模型训练质量。
  • 基于联邦学习的模型训练方法及装置-202310810851.1
  • 林岳 - 腾讯科技(深圳)有限公司
  • 2023-07-04 - 2023-10-27 - G06N20/00
  • 公开了一种基于联邦学习的模型训练方法,包括迭代执行下述步骤,直至达到预设训练结束条件:从中心设备接收全局参数;基于全局参数,更新目标模型的本地模型参数;基于更新后的目标模型,确定目标损失函数在本地样本数据集上的无噪梯度;向无噪梯度添加基于梯度敏感度的目标噪声,以得到加噪梯度;基于加噪梯度,向中心设备发送本地参数,以供中心设备基于该本地参数和由参与目标模型训练的至少一个其他训练主体在当前迭代轮次得到的本地参数更新全局参数。根据本申请实施例的基于联邦学习的模型训练方法可以有效提升联邦学习中的数据安全,避免隐私数据泄露。
  • 排版评估模型的训练方法、装置、设备、存储介质及产品-202211683197.4
  • 余亭浩;陈少华;王赟豪;刘浩 - 腾讯科技(深圳)有限公司
  • 2022-12-27 - 2023-10-27 - G06N20/00
  • 本申请公开了一种排版评估模型的训练方法、装置、设备、存储介质及产品,涉及计算机技术领域。该方法包括:获取样本数据对,样本数据对中包括符合图文内容相似度要求和排版差异性要求的第一样本排版图文和第二样本排版图文,且分别对应有第一反馈标签和第二反馈标签;通过候选排版评估模型对第一样本排版图文和第二样本排版图文进行排版评估分析,得到对应的第一反馈预测和第二反馈预测;基于第一反馈标签和第二反馈标签之间的差异关系,对第一反馈预测和第二反馈预测进行损失确定,得到预测损失值;基于预测损失值对候选排版评估模型进行训练,得到排版评估模型,用于对图文排版内容进行阅读反馈预测,提高了排版评估预测的准确性。
  • 模型决策方法、装置、设备和存储介质-202211507532.5
  • 吴秉哲 - 腾讯科技(深圳)有限公司
  • 2022-11-28 - 2023-10-27 - G06N20/00
  • 本公开的实施例提供了一种模型决策方法、装置、设备和计算机可读存储介质。本公开的实施例所提供的方法通过根据特定训练策略训练在训练集的不同子群上具有更好表现的多个待集成模型,并根据可学习的模型集成参数来对这些待集成模型对于测试样本的决策结果进行针对该测试样本的自适应集成,以生成与该测试样本相对应的最终联合决策结果。通过本公开的实施例的方法能够针对不同测试样本自动地调整模型集成参数,以实现针对不同测试样本的最优决策结果集成,从而在不同子群上具有更优且更公平的性能。
  • 无线网络中安全的联邦学习聚合方法、系统、设备及介质-202310829896.3
  • 孙红光;张冲;王学波;张宏鸣;李书琴;徐超;景旭;吕志明;刘敬敏 - 西北农林科技大学
  • 2023-07-07 - 2023-10-27 - G06N20/00
  • 本发明属于无线通信技术领域,公开了一种无线网络中安全的联邦学习聚合方法、系统、设备及介质,基于非对称密钥加密体制进行用户身份认证,通过EigenTrust算法对用户进行可靠性分数建模,服务器构建与其关联节点的可靠性分数表;在一个训练轮次完成后,用户首先加密身份信息并对本地模型添加差分隐私并发送给服务器,服务器验证用户身份后接收模型信息,计算用户可靠性分数,该可靠性分数同时会成为下一轮可靠性分数计算时的参照;服务器根据用户可靠性分数值将用户模型参数按照一定比例进行聚合,得到全局模型。本发明合理有效地防止用户恶意破坏联邦学习过程,保护用户隐私,提高联邦学习系统全局模型的正确率,保证了无线联邦学习的安全性。
  • 数据处理方法、装置、设备及存储介质-202310740476.8
  • 石志林 - 腾讯科技(深圳)有限公司
  • 2023-06-20 - 2023-10-27 - G06N20/00
  • 本申请实施例公开了一种数据处理方法、装置、设备及存储介质,属于计算机技术领域。该方法包括:在模型训练过程中,对模型训练数据进行快照,得到第一日志文件,所述第一日志文件中包括模型训练过程中生成的第一中间状态数据以及第一结果数据;在模型训练结束后,基于所述第一日志文件以及日志回放语句,对模型训练过程进行回放,得到第二日志文件,所述第二日志文件中包括模型训练回放过程中产生的第二中间状态数据以及第二结果数据;对所述第一日志文件以及所述第二日志文件进行对比分析,得到模型训练分析结果,所述模型训练分析结果表征模型训练过程与回放过程之间的数据变化情况;采用本申请实施例提供的方案,提高了模型训练和开发的效率。
  • 用于模型训练的方法及计算设备-202310758591.8
  • 盛祥荣;程月瑶;桂孝强;赵云峰;韩曙光;朱晗;姜宇宁;许俭;郑波;余国先 - 浙江天猫技术有限公司
  • 2023-06-25 - 2023-10-27 - G06N20/00
  • 本申请提供一种用于模型训练的方法及计算设备。一种用于模型训练的方法包括:准备数据样本,所述数据样本包含非优势信息和优势信息;设计教师模型和学生模型,其中所述学生模型用于对非优势信息进行建模,所述教师模型用于对非优势信息和优势信息进行建模;利用所述数据样本训练所述教师模型;通过准度兼容的序列蒸馏损失函数,将教师模型的预估能力蒸馏到所述学生模型中。根据本申请的技术方案使学生模型极大地学习到教师模型的排序能力,同时不会破坏模型的预估准度。
  • 一种训练图处理方法、装置、设备及存储介质-202310923828.3
  • 万学磊;王正俊;田野 - 上海燧原科技有限公司
  • 2023-07-26 - 2023-10-27 - G06N20/00
  • 本发明公开了一种训练图处理方法、装置、设备及存储介质。包括:获取训练图,根据预置的节点清单确定第一记录数据;根据训练图建立优化器的权重联动关系,根据权重联动关系确定第二记录数据;当检测到发送数据时,根据发送数据、第一记录数据和第二记录数据生成训练图处理结果。通过节点清单确定不需要插入转换算子的权重或权重梯度以生成第一记录数据,通过训练图建立优化器的权重联动关系,进而生成第二记录数据,当检测到发送数据时可以通过判断权重张量实现对第一记录数据和第二记录数据的修改,最终生成训练图处理结果,避免芯片在与第三方框架对接时因为格式不匹配而出现的格式转换算子数量过多,模型训练效率低的问题,提升了训练性能。
  • 使用机器学习推荐匹配-202280018971.1
  • 蒂莫西·迪克·史蒂文斯 - 蒂莫西·迪克·史蒂文斯
  • 2022-03-03 - 2023-10-27 - G06N20/00
  • 提供用于推荐人与人之间的匹配的系统和方法。使用人工智能技术来执行数据处理。从关于已经关于关系的质量进行评估的现有关系的经验数据训练监督式机器学习引擎。当提供了两个候选人的属性的输入数据时,候选关系的质量被计算为监督式机器学习引擎的输出。通过将所计算的候选关系的质量与阈值进行比较来预测两个候选人之间的成功关系的可能性。可以通过神经网络来做出该学习任务中的预测。向用户通知可能成为成功关系的候选匹配。
  • 一种基于联盟链的可信联邦学习方法及系统-202311216926.X
  • 张信明;尹校军;刘青林 - 中国科学技术大学
  • 2023-09-20 - 2023-10-27 - G06N20/00
  • 本发明公开了一种基于联盟链的可信联邦学习方法及系统,包括:S1:利用中央管理链对多个参与训练的参与方的算力进行检测后分配到多个算力不同的私链中以构建私链;S2:每条私链通过选举算法产生一个或多个参与方作为参与中央管理链共识的领导节点;S3:各参与方基于本地数据进行模型训练得到本地模型参数,将所有当前参与方的本地模型参数上传到当前私链中,私链将融合后的本地模型参数上传到中央管理链;S4:中央管理链对上传的融合后的本地模型参数执行模型更新合约后得到全局模型参数,将全局模型参数回传到私链中作为下一轮参与方训练的本地数据,传输回给各参与方,直至模型训练结束;该学习方法及系统提升了整个系统的安全性。
  • 用户数据识别模型更新方法、用户数据识别方法及装置-202210328635.9
  • 刘希玉 - 中国移动通信集团辽宁有限公司;中国移动通信集团有限公司
  • 2022-03-31 - 2023-10-27 - G06N20/00
  • 本申请公开了一种用户数据识别模型更新方法、用户数据识别方法及装置。用户数据识别模型更新方法,包括:获取第一训练数据和待更新的第一识别模型,第一识别模型包括标签识别输出层;根据第一训练数据对第一识别模型进行训练,得到第二识别模型和第二识别模型识别能力的评估值;当评估值大于或等于预设阈值时,根据预设权重调整规则,对第一识别模型进行迭代训练,直到评估值小于预设阈值,将第二识别模型的包括标签识别输出层的第一迁移权重作为目标迁移权重,评估值小于预设阈值对应的第二识别模型作为目标识别模型。根据本申请实施例,能够提高更新后的识别模型的对用户数据识别的准确率。
  • 模型获取方法及系统、第一NWDAF网元-202210379252.4
  • 于梦晗;李鹏宇;贾靖 - 中国电信股份有限公司
  • 2022-04-12 - 2023-10-27 - G06N20/00
  • 本公开涉及模型获取方法及系统、具有模型训练逻辑功能的第一NWDAF网元。由第一NWDAF网元执行的模型获取方法包括:接收来自具有分析逻辑功能的第二NWDAF网元的模型请求,模型请求包括当前任务分析标识和当前分析任务的任务需求且用于获取执行当前分析任务的机器学习模型;在不存在模型分析标识与当前任务分析标识相同且满足任务需求的机器学习模型的情况下,获取模型分析标识与当前任务分析标识之间的关联度大于关联度阈值的至少一个候选机器学习模型及其模型相关信息,模型相关信息包括模型地址;基于至少一个候选机器学习模型,确定目标机器学习模型;发送当前任务分析标识及其对应的目标机器学习模型的模型地址到第二NWDAF网元。
  • 无人集群智能模型训练方法、装置和电子设备-202211087378.0
  • 姚海鹏;许佳琪;吴巍;张尼;买天乐;袁菀迈;刘全占;忻向军;张茹 - 北京邮电大学
  • 2022-09-07 - 2023-10-27 - G06N20/00
  • 本发明提供了一种无人集群智能模型训练方法、装置和电子设备,涉及通信的技术领域,该方法将无人集群的训练划分为簇内集中式联邦学习和簇间分布式联邦学习两个阶段,簇内集中式学习时,簇头作为模型所有者来和簇内节点进行参数传递,并进行模型聚合,从而缓解了传统的集中式联邦学习方式存在的通信拥塞和计算瓶颈的技术问题;并且,簇间分布式学习时,由于只有邻居簇头间进行参数传输和模型聚合,所以与传统分布式联邦学习相比,本发明还能有效地减少通信能耗。
  • 一种用于训练缺失条件下的文本处理方法及处理系统-202310908660.9
  • 夏东 - 湖南视觉伟业智能科技有限公司
  • 2023-07-24 - 2023-10-27 - G06N20/00
  • 本发明涉及数据处理技术领域,公开了一种用于训练缺失条件下的文本处理方法及系统,包括:基于目标小样本文本建立负样本数据集,并基于负样本增强算法对负样本数据集进行增强得到增强负样本数据集;基于目标小样本文本构建训练模型,并将训练模型的输出层替换成双指针网络得到目标处理模型;将增强负样本数据集输入目标处理模型中得到损失函数,并对损失函数进行优化得到目标函数;通过目标函数对目标小样本文本进行解码处理;本发明解决了现有的训练数据缺失条件下文本处理精度较低的问题。
  • 一种去中心化的联邦聚类学习方法、装置、设备及介质-202211274810.7
  • 孙银银;李仲平 - 上海零数众合信息科技有限公司
  • 2022-10-18 - 2023-10-27 - G06N20/00
  • 本发明公开了一种去中心化的联邦聚类学习方法、装置、设备及介质。该方法包括:由任务发起方执行,基于预设聚类算法和预设加密算法,与至少两个数据方进行交互,确定最优初始聚类中心和至少两个初始簇;在对最优初始聚类中心和初始簇迭代更新的过程中,确定联合数据集中的各样本到各个簇的距离,并基于预设加密算法,获取联合数据集中的各样本相对于本次聚类中心的总距离,根据总距离,与至少两个数据方交互,确定三方的总距离;根据总距离,确定是否满足预设的迭代终止条件,若是,则确定最后一次迭代更新后的聚类中心为最终聚类中心。可以在保证任务发起方和数据方隐私安全的前提下,实现高效的联合聚类学习。
  • 模型训练方法、装置及系统-201910599381.2
  • 陈超超;李梁;王力;周俊 - 创新先进技术有限公司
  • 2019-07-04 - 2023-10-27 - G06N20/00
  • 本公开提供用于训练线性/逻辑回归模型的方法和装置,在该方法中,对特征样本集进行垂直‑水平切分转换,以得到各个训练参与方的转换特征样本子集。基于各个训练参与方的当前转换子模型和转换特征样本子集获得当前预测值。在第一训练参与方处,确定预测差值和第一模型更新量,对第一模型更新量进行分解并将第一部分模型更新量发送给第二训练参与方。在第二训练参与方处,基于预测差值和对应的转换特征样本子集得到第二模型更新量并进行分解,将第二部分模型更新量发送给第一训练参与方。在各个训练参与方处,基于各自的部分模型更新量来更新各自的转换子模型。在满足循环结束条件时,基于各个训练参与方的转换子模型确定各自的子模型。
  • 一种无人机辅助联邦学习的方法-202310924514.5
  • 鲍楠;陈嘉旭;孙希霞;师晓晔;潘甦 - 南京邮电大学
  • 2023-07-25 - 2023-10-24 - G06N20/00
  • 本发明提供一种无人机辅助联邦学习的方法,将车辆机动性、激励决策、迁移问题综合考虑。针对参与者不愿意无条件贡献他们的资源进行本地模型训练的问题,设计一种公平的激励机制和信任模型,以鼓励参与者上传可靠的模型更新,加入联邦学习任务。本发明针对车辆的移动性,提出了利用无人机服务迁移和无人机移动的双向机制来保证联邦学习任务的完整进行。同时考虑到用户车辆的参与意愿,本发明设计了基于博弈论的用户车辆激励方法,用户车辆和无人机能够制定相应决策,最大化各自的效用。
  • 一种基于机器学习的物联网数据挖掘方法及系统-202311151324.0
  • 徐缓;王国志;周骋 - 苏州讯途益智能科技有限公司
  • 2023-09-07 - 2023-10-24 - G06N20/00
  • 本发明涉及数据挖掘技术领域,尤其涉及一种基于机器学习的物联网数据挖掘方法及系统。对分布式物联网数据采集节点进行实时物联网数据采集及预处理,生成标准物联网数据;对标准物联网数据进行关键物联网数据提取,生成关键物联网数据;对关键物联网数据进行物联网特征数据提取及特征数据关联,生成关联物联网特征数据;利用决策树算法与关联物联网特征数据进行物联网数据的挖掘学习模型建立及优化,生成优化物联网数据挖掘模型;将优化物联网数据挖掘模型配置在分布式物联网数据采集节点进行数据节点的自动化数据挖掘分析,生成自动化数据挖掘学习模型。本发明使得物联网数据对数据挖掘更加精简及自动化。
  • 用于机器学习的图像变换-202310810057.7
  • 卡雷尔·丹尼尔·基勒布鲁;拉维·纳拉亚纳斯瓦米;禹同爀 - 谷歌有限责任公司
  • 2019-01-30 - 2023-10-24 - G06N20/00
  • 本申请公开了一种用于机器学习的图像变换的方法、系统和装置,包括用于确定图像变换的像素坐标和用于存储变换后的图像数据的存储器地址的装置。在一些实现方式中,一种系统包括:处理单元,该处理单元被配置成使用机器学习模型和图像的像素值来对图像执行机器学习计算;存储介质,该存储介质被配置成存储像素值;以及存储器地址计算单元,该存储器地址计算单元包括一个或多个硬件处理器。处理器被配置成接收图像的图像数据并且确定图像的尺寸与机器学习模型的尺寸不匹配。作为响应,处理器确定图像的变换版本的像素坐标,并且对于像素坐标中的每一个,确定在存储介质中用于存储将用于生成机器学习模型的输入的像素值的存储器地址。
  • 联邦模型训练效果预测方法、装置、电子设备及存储介质-202310921110.0
  • 马丽萌;欧阳晔;王首峰 - 亚信科技(中国)有限公司
  • 2023-07-25 - 2023-10-24 - G06N20/00
  • 本申请实施例提供了一种联邦模型训练效果预测方法、装置、电子设备及存储介质,涉及计算机技术领域。该方法包括:接收应用服务器发送的网络质量参数预测请求;根据各第一终端的标识信息和各第一终端的模型训练信息获取各第一终端的各网络质量参数预测结果;将各第一终端的各网络质量参数预测结果发送至应用服务器,以使应用服务器根据各第一终端的模型传输时延确定第二终端,并根据各第二终端的各网络质量参数预测结果获取联邦模型训练效果预测结果。在联邦模型训练开始前,借助网络数据进行分析,在联邦模型训练开始前预测出模型的训练效果,使本领域人员可以根据预测的训练效果对模型的训练设置进行调整,能有效提高联邦模型的训练效率和质量。
  • 一种基于抑郁症的小样本机器学习方法-202310989839.1
  • 陈超;宋彪;韩泽文 - 内蒙古卫数数据科技有限公司
  • 2023-08-07 - 2023-10-24 - G06N20/00
  • 本发明公开了一种基于抑郁症的小样本机器学习方法,包括以下步骤:数据集采集,小样本初始化模型构建:利用步骤采集的抑郁症数据集进行抑郁症小样本初始化模型的构建;增量数据选择;小样本优化模型构建,利用目标数据集进行新的小样本优化模型构建;集成子模型构建:利用抑郁症典型躯体症状数据集进行多个集成子模型的构建;集成模型构建:利用小样本优化模型和多个集成子模型,进行最优准确率赋权集成,形成最终的小样本机器学习模型。本发明采用上述一种基于抑郁症的小样本机器学习方法,解决现有技术中抑郁症小样本机器学习性能较差的问题,用于对抑郁症小样本数据增强并利用于机器学习技术,提升机器学习模型的泛化能力。
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top