[发明专利]一种基于联邦迁移学习的模型训练方法及计算节点有效

专利信息
申请号: 202110350001.9 申请日: 2021-03-31
公开(公告)号: CN113159283B 公开(公告)日: 2023-03-31
发明(设计)人: 詹德川;施意;李新春;宋绍铭;邵云峰;李秉帅;钱莉 申请(专利权)人: 华为技术有限公司
主分类号: G06N3/096 分类号: G06N3/096;G06N3/045;G06N3/084;G06N20/20
代理公司: 深圳市深佳知识产权代理事务所(普通合伙) 44285 代理人: 王仲凯
地址: 518129 广东*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要: 本申请实施例公开了一种基于联邦迁移学习的模型训练方法及计算节点,可应用于人工智能领域中,该方法包括:在各源域上通过本地有标签数据训练各自的特征提取器的模型参数G和子任务模型(如分类器)的模型参数T,再将所有G发送给目标域,并在各源域上训练各自域鉴别器的模型参数D1,在目标域上训练域鉴别器的模型参数D2,将所有D1和D2在服务器端或目标域端聚合得到聚合参数值D,并将D发送给各个源域,每个源域通过各自的特征提取器和鉴别器进行多次迭代的对抗训练。本申请通过对抗训练过程实现域对齐,并且域之间互相传递的仅是模型参数值,不传递数据或数据特征,保护了数据隐私,在兼顾域对齐和数据隐私的情况下实现了对模型的协同训练。
搜索关键词: 一种 基于 联邦 迁移 学习 模型 训练 方法 计算 节点
【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华为技术有限公司,未经华为技术有限公司许可,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/patent/202110350001.9/,转载请声明来源钻瓜专利网。

同类专利
  • 用于语言信息处理的神经网络训练方法及装置-202310342422.6
  • 刘乐茂;于国欣 - 腾讯科技(深圳)有限公司
  • 2023-03-28 - 2023-10-27 - G06N3/096
  • 本公开的实施例提供了一种用于语言信息处理的神经网络训练方法、装置、计算机程序产品和存储介质。所述方法包括:通过主体信息提取网络模型针对候选训练集中的每个候选样本提取多个候选主体信息;对于每个候选主体信息,在知识库中检索主体信息与该候选主体信息对应的至少一个知识库样本,其中,每个知识库样本具有主体信息以及属性信息;将每个候选主体信息、知识库样本的主体信息和属性信息进行融合,以得到融合向量,并通过属性确定网络模型来确定融合向量所对应的属性分类;并基于融合向量对主体信息提取网络模型,以及属性确定网络模型进行联合训练。通过本公开训练方法能够有效提升用于语言信息处理的神经网络模型的分析准确度。
  • 一种神经网络模型压缩方法和相关装置-202310485940.3
  • 郝立扬 - 腾讯科技(深圳)有限公司
  • 2023-04-28 - 2023-10-27 - G06N3/096
  • 本申请公开了一种神经网络模型压缩方法和相关装置,涉及人工智能、机器学习等领域,在确定参考神经网络模型和待压缩神经网络模型之后,对待压缩神经网络模型交替进行量化处理和知识蒸馏训练可以得到目标神经网络模型。其中,可以根据量化等级序列对待压缩神经网络模型的数据处理节点的参数进行量化,这样通过量化等级序列中的渐进量化等级序列可以对待压缩神经网络模型进行渐进量化处理,利用参考神经网络模型可以在渐进量化过程中对待压缩神经网络模型进行知识蒸馏训练,即通过蒸馏引导待压缩神经网络模型的渐进量化,在实现较高压缩比例的情况下,还可以使使压缩后的神经网络模型具有较小的精度损失,保持了神经网络模型的性能。
  • 一种基于风格迁移技术的草原植被覆盖数据适配方法-202310770469.2
  • 苑博;孙艳涛;云杰;高翔;张晨;宋艳平;张磊 - 内蒙航天动力机械测试所
  • 2023-06-28 - 2023-10-20 - G06N3/096
  • 本发明一种基于风格迁移技术的草原植被覆盖数据适配方法。选择任意一个特征提取层作为适配的特征,并利用风格关联矩阵计算每个上游数据样本的风格特征;构建上下游数据风格迁移网络,通过自适应实例归一化计算上游数据特征各通道的均值与方差,将其作为仿射参数作用于归一化后的下游数据特征上,通过生成对抗训练让下游任务数据的跨域变换样本模拟上游数据的风格,通过定义一些约束来保证风格迁移后的数据语义内容一致;利用已学习的N个图像风格转化模型逐一对下游任务数据集进行风格转化,得到适配后的下游任务数据集。本发明解决上游数据集样本规模庞大,可能包含多种风格的问题,从而得到更好的数据适配结果。
  • 一种基于辅助实例集成的分类网络知识蒸馏方法-202310742713.4
  • 田翔;叶欣;蒋荣欣;陈耀武 - 浙江大学
  • 2023-06-21 - 2023-10-20 - G06N3/096
  • 本发明公开了一种基于辅助实例集成的分类网络知识蒸馏方法,包括以下步骤:利用深度学习框架搭建部署实例;利用多阶段分支法构建多阶段实例群;基于多阶段实例群构建多对一的网络蒸馏损失函数;对多阶段实例群进行模型训练和优化,在训练结束后,固定并保存为多阶段实例群网络模型及网络模型参数;对优化后的多阶段实例群网络模型进行部署,优化裁剪网络模型参数,得到图像分类模型,图像分类模型的输出即为图像类别预测结果。本发明方法能够有效提高蒸馏后部署实例的性能,减少训练部署的时间及硬件需求,适用于多种时空受限或对精度要求更高的分类任务应用场景。
  • 一种模型的训练方法、训练数据的获取方法及相关设备-202310700033.6
  • 白哲源;刘鑫铎;胡海林;郭天宇;王云鹤 - 华为技术有限公司
  • 2023-06-13 - 2023-10-17 - G06N3/096
  • 本申请实施例公开一种模型的训练方法、训练数据的获取方法及相关设备,方法可用于人工智能领域的文本处理领域中,方法包括:将包括第三文本和第一提示的第一文本输入机器学习模型,得到机器学习模型输出的第二文本,第三文本归属于第一数据集;将第二文本输入教师模型,得到教师模型输出的第一预测结果;基于第一预测结果执行第一训练操作以对第一提示进行更新;利用教师模型对学生模型进行知识蒸馏时使用的训练数据基于训练后的第一提示得到;通过前述方案,借助教师模型的能力引导机器学习模型生成的文本逼近隐私数据,则对学生模型进行知识蒸馏时采用的训练数据与隐私数据相似,以提高训练后的学生模型在执行自然语言处理任务时的准确率。
  • 一种迁移学习权重的构建方法和装置及设备-202311141733.2
  • 殷俊;吴福明;傅凯;张朋;张学涵;程德强;郑春煌;汪志强;鲁逸峰;蔡丹平 - 浙江大华技术股份有限公司
  • 2023-09-05 - 2023-10-13 - G06N3/096
  • 本申请公开了一种迁移学习权重的构建方法和装置及设备,该方法包括:获取训练样本集,样本包括图片、对图片上目标区域抠图得到的局部图、及所述图片与局部图的关系标签;将图片输入到第一特征提取网络,将对应的局部图输入到第二特征提取网络;基于提取的第一图片特征与第二图片特征的特征相似度及预期相似度,计算损失函数值;损失函数值达到要求,将当前第一特征提取网络的权重和第二特征网络的权重分别进行迁移;否则对第一特征提取网络和第二特征提取网络进行权重调整,触发下一次训练。本申请可以避免不同目标之间分布差异过大导致迁移学习效果不佳的问题,相比一次只能生成一个模型预训练权重的方法效率更高。
  • 一种面向车道线检测的知识蒸馏方法-202310756149.1
  • 朱凤华;张欢;郑奎;沙尧尧;李崇 - 中科领航智能科技(苏州)有限公司
  • 2023-06-26 - 2023-10-10 - G06N3/096
  • 本发明公开了一种面向车道线检测的知识蒸馏方法,其包括学生卷积神经网络和教师卷积神经网络,其包括步骤S10和/或步骤S20;其中,步骤S10是基于中间过程特征图的特征关系相关性的知识蒸馏,步骤S20是基于训练结果特征图的融合多尺度对抗网络的知识蒸馏。本发明提出了一种面向车道线检测模型的融合特征关系相关性以及多尺度对抗网络的知识蒸馏方法,用于解决语义分割小模型泛化能力弱、语义信息不连续的问题。
  • 一种基于中间特征知识融合的知识蒸馏方法和装置-202310499470.6
  • 王玉柱;张艾嘉;裘云蕾;段曼妮 - 之江实验室
  • 2023-05-06 - 2023-09-15 - G06N3/096
  • 一种基于中间特征知识融合的知识蒸馏方法和装置,将图像数据喂入教师模型和学生模型,并提取教师模型和学生模型的各阶段中间特征;构建阶段级残差连接,将学生模型某一阶段中间特征与上一阶段特征实现特征知识融合;将教师模型与融合后的学生模型分别经过全局平均池化,构建出语义类别特征向量,对该特征向量计算交叉熵损失,以最大化特征相似性;将学生模型预测输出与类别标签的分类损失与特征向量相似性损失加权求和,训练学生模型。还包括一种基于中间特征知识融合的知识蒸馏系统。本发明相较于现有技术,本发明充分融合教师模型的中间特征知识,知识蒸馏性能更优。
  • 用于模型蒸馏的方法、装置、电子设备及可读存储介质-202010538343.9
  • 希滕;张刚;温圣召;洪智滨 - 北京百度网讯科技有限公司
  • 2020-06-12 - 2023-09-12 - G06N3/096
  • 本申请实施例公开了一种用于模型蒸馏的方法、装置、电子设备及计算机可读存储介质,涉及人工智能、深度学习和图像处理技术领域。该方法的一具体实施方式包括:首先,基于预设的搜索空间设计规则构建得到搜索空间;然后,根据搜索空间初始化多特征融合方式生成器;接着,利用多特征融合方式生成器得到多个教师模型的融合特征;最后,基于融合特征对原始学生模型的原始特征进行模型蒸馏处理,得到目标学生模型。该实施方式在将教师模型的知识传递至学生模型时,引入了自动搜索技术中搜索空间的概念,得以利用设计好的搜索空间自动确定出最佳的融合特征生成方式和蒸馏策略,得以让教师模型的知识更加准确的传递至学生模型。
  • 一种利用小样本数据提升迁移学习文本分类准确率的方法-202310461366.8
  • 顾维玺;朱国伟;周河晓;黄自成;李直儒;肖泽晓;李甲;蒋泊辰 - 中国工业互联网研究院
  • 2023-04-26 - 2023-09-08 - G06N3/096
  • 本发明公开一种利用小样本数据提升迁移学习文本分类准确率的方法,包括:步骤S1,使用工业互联网数据作为原始训练数据;步骤S2,使用基于LaserTagger数据增强方法对原始训练数据增强,生成更多训练数据;步骤S3,利用增强后数据进行BERT模型训练,具体利用BERT进行文本分类,BERT基于Masked Language Model即MLM作为新的预训练目标语言模型。本发明可在小样本语料利用模型提升工业互联网领域的文本分类识别效果,通过语义和模型的方式,对工业互联网领域增加文本数据量并提高模型的鲁棒性,后利用迁移学习方法识别,降低文本标注数据成本,提高工业互联网领域文本分类效果、模型识别准确率。
  • 用于模型蒸馏的方法、装置、电子设备及可读存储介质-202010538346.2
  • 希滕;张刚;温圣召;洪智滨 - 北京百度网讯科技有限公司
  • 2020-06-12 - 2023-09-08 - G06N3/096
  • 本申请实施例公开了一种用于模型蒸馏的方法、装置、电子设备及计算机可读存储介质,涉及人工智能、深度学习和图像处理技术领域。该方法的一具体实施方式包括:获取至少两个教师模型,并获取每个教师模型的实际特征分布;对每个实际特征分布分别取拉普拉斯算子得到海森矩阵的逆矩阵;按照牛顿迭代的二次表达式分别对每个逆矩阵进行运算,得到与每个实际特征分布分别对应的权值;对每个实际特征分布使用相应的权值进行加权,得到综合特征分布;利用综合特征分布对原始学生模型执行模型蒸馏操作,得到目标学生模型。该实施方式在将教师模型知识传递至学生模型时,充分结合了每个教师模型的实际特征分布,让教师模型的知识更加准确的传递至学生模型。
  • 基于迁移学习的图像处理方法、装置、设备和存储介质-202010852192.4
  • 孙明;窦浩轩 - 北京市商汤科技开发有限公司
  • 2020-08-21 - 2023-09-08 - G06N3/096
  • 本申请公开了一种目标模型的获取方法及装置、电子设备和存储介质,其中,目标模型的获取方法包括:利用第一训练样本预训练原始模型,以调整原始模型的网络参数;其中,原始模型包括用于特征提取的第一子网络;利用第二子网络和经预训练的第一子网络的至少部分结构,得到目标模型;其中,第二子网络用于基于第一子网络提取的特征执行目标任务;利用与目标任务对应的第二训练样本训练目标模型,以调整目标模型的网络参数。上述方案,能够提高目标模型的性能。
  • 知识蒸馏的对抗式蒸馏温度调整方法、装置、设备及介质-202310764949.8
  • 谯轶轩 - 平安科技(深圳)有限公司
  • 2023-06-26 - 2023-09-05 - G06N3/096
  • 本发明涉及人工智能、机器学习、智慧医疗、金融科技技术领域,公开了一种知识蒸馏的对抗式蒸馏温度调整方法、装置、设备及介质。本方法通过梯度下降算法迭代学生模型中的全体参数使得目标损失函数的值最小,确定最小损失值;通过梯度上升算法迭代温度参数使得目标损失函数的值最大,确定最大损失值;交替执行上述迭代过程,使得所述最大损失值与所述最小损失值之间差值的绝对值小于预设阈值。确定出当前蒸馏温度。由此提高了学生模型学习的效率,同时符合由易到难的学习过程,缓解了固定温度超参数带来的模型性能瓶颈问题。
  • 一种提升基于对抗的无监督域适应效果的迁移学习方法-202310415819.3
  • 林玉娥;刘二虎;梁兴柱;方贤进 - 安徽理工大学
  • 2023-04-18 - 2023-09-05 - G06N3/096
  • 本发明公开了一种提升基于对抗的无监督域适应效果的迁移学习方法,该方法基于CNN与Transformer的混合网络结构,以利用卷积运算和自关注机制来增强表示学习,从而充分对齐域适应中域漂移的关键问题。基于域适应对抗范式,设计方法为:步骤1:先对源域和目标域数据进行预处理;步骤2:构造训练集和测试集;步骤3:搭建CNN与Transformer耦合的双分支并行混合模型作为主干网络(包含特征特区器G和分类器F)及域判别器D;步骤4:将步骤2得到的来自源域与目标域的图像按批次输入网络两个分支进行对抗训练直至训练完成;步骤5:将测试集上的图片经过训练好的模型,得到模型预测结果并报告分类精度。本发明无监督域适应方法提出了双分支对齐模块来分别对齐源域与目标域不同语义下的特征分布,提高了迁移学习领域中源域与目标域存在域漂移的问题下的域适应效果。
  • 一种基于迁移学习的神经网络权重初始化方法-201911321102.2
  • 范益波;刘超 - 复旦大学
  • 2019-12-20 - 2023-09-05 - G06N3/096
  • 本发明属于神经网络模型技术领域,具体为一种基于迁移学习的神经网络权重初始化方法。本发明方法中,对于指定目标任务,设计复杂度较高的神经网络模型即老师模型,并对老师模型进行训练,训练完成后,利用产生的特征图指导学生模型的权重初始化;通过计算特征图之间的差异,或者将特征图映射到再生核希尔伯特空间中,计算其在再生核希尔伯特空间中的差异,采用核函数的方法简化计算;使简单的学生模型达到更好的权重初始化的效果,在权重初始化完成后,再对学生模型进行一般的训练,使得学生模型达到更好的全局收敛点,使其性能更加优异。本发明在不增加学生模型复杂度的前提下可有效提升学生模型的性能。
  • 一种旋转机械故障诊断用迁移学习方法-202310968011.8
  • 张彩霞;谢思映;赵永胜;刘志峰;吴超 - 北京工业大学
  • 2023-08-03 - 2023-09-01 - G06N3/096
  • 本发明公开了一种旋转机械故障诊断用迁移学习方法,旨在为故障诊断领域提供一个新的思路。该方法基于深度学习模型在故障诊断领域的智能且高效的识别性能,旨在解决实际车间工厂中工况、设备变换频繁,同源数据对故障诊断算法训练困难,并且在某些情况下,采集到的数据难以标记导致标签不足等问题。本方法具体包括数据处理、模型训练以及模型迁移三个方面,尤其在模型迁移方面提出了一种能够动态调节迁移层(冻结相应的网络层)以及初始化层的途径来自适应不同分布的目标域和源域的数据。本发明可以利用从源域数据学习到的具有可迁移性的知识,以目标域少量的有标签的数据为指导进行训练,完成目标域的故障诊断任务。
  • 感知模型训练方法、装置、计算机设备和存储介质-202310950761.2
  • 洪伟;李帅君;朱子凌 - 福思(杭州)智能科技有限公司
  • 2023-07-31 - 2023-09-01 - G06N3/096
  • 本申请涉及一种感知模型训练方法、装置、计算机设备和存储介质。所述方法包括:获取基于终端模型确定的未标注数据;将所述未标注数据输入多个云端模型,生成第一伪标注数据,并基于所述第一伪标注数据对多个所述云端模型进行自训练;将所述未标注数据输入终端模型,生成第二伪标注数据;根据所述第一伪标注数据以及第二伪标注数据通过蒸馏训练更新所述终端模型,得到终端更新模型。采用本方法能够提高感知模型的训练效率。
  • 基于扩散模型的图像生成模型压缩和加速方法及系统-202310823847.9
  • 曹巍瀚;张一帆 - 中科南京人工智能创新研究院
  • 2023-07-06 - 2023-09-01 - G06N3/096
  • 本发明公开了一种基于扩散模型的图像生成模型压缩和加速方法及系统,所述方法包括如下步骤:构建并训练图像生成模型,训练完成后部署于服务器中;接收用户输入的数据并预处理,将预处理后的数据传送至训练后的图像生成模型;采用训练后的图像生成模型生成图像并输出显示;所述图像生成模型采用TS模型进行知识蒸馏训练,TS模型为教师学生模型,即教师(teacher)~学生(student)模型。通过知识蒸馏的方法减少了学生模型的采样步数,从而提高了图像生成模型的图像生成的速度和质量。
  • 基于迁移学习的医学视觉问答方法、装置及电子设备-202310626124.X
  • 唐小初;朱翌;舒畅;陈又新 - 平安科技(深圳)有限公司
  • 2023-05-30 - 2023-08-25 - G06N3/096
  • 本发明涉及智能决策领域,揭露一种基于迁移学习的医学视觉问答方法、装置及电子设备,包括:获取用户医学问题,用户医学问题包括问题图像和问题文本,提取问题文本的文本特征,将用问题图像进行图像分块处理;对分块图像进行随机掩膜操作,并标记掩膜分块图像的掩膜位置信息,对可见分块图像进行特征提取;对掩膜分块图像进行图像重建,得到掩膜重建图像,将掩膜重建图像和可见特征图像进行融合;对目标图像特征和文本特征进行归一化处理,计算归一图像特征和归一文本特征之间的余弦相似度,在余弦相似度不小于预设阈值,融合归一图像特征和归一文本特征,从预构建的医学问题库查询用户医学问题的问题答案。本发明可以提高用户问题的答案准确率。
  • 模型训练方法、模型应用方法、模型训练装置及训练设备-202310446653.1
  • 潘柏宇;庞建新 - 深圳市优必选科技股份有限公司
  • 2023-04-23 - 2023-08-18 - G06N3/096
  • 本申请公开了一种模型训练方法、模型应用方法、模型训练装置、训练设备及计算机可读存储介质。其中,该模型训练方法包括:通过预设数据集对第一视差估计模型进行训练,得到已训练的第一视差估计模型;基于所述已训练的第一视差估计模型进行至少两次知识蒸馏,得到已训练的第二视差估计模型,其中,所述第二视差估计模型的体量小于所述第一视差估计模型的体量,所述知识蒸馏包括基于特征的蒸馏及基于标签的蒸馏。通过本申请方案,可以获得能够在低算力设备上正常使用的高精度视差估计模型。
  • 一种基于迁移学习的功率放大器谐波预测方法-202310552210.0
  • 刘沛然;刘大伟;蔡少雄;李尧尧;苏东林 - 北京航空航天大学
  • 2023-05-16 - 2023-08-15 - G06N3/096
  • 本发明公开了一种基于迁移学习的功率放大器谐波预测方法,包括以下步骤:S1.获取单音正弦信号经功率放大器后包含的谐波分量;S2.获取多个单音正弦信号对应的谐波分量;S3.构建弱非线性区域样本集和强非线性区域样本集;S4.构建功率放大器弱非线性区域谐波预测模型和强非线性区谐波预测模型;S5.对弱非线性区域的谐波预测模型和强非线性区的谐波预测模型进行训练;S6.对于功率放大器的输入信号,选择训练好的模型进行预测;S7.对于新功率放大器,通过迁移学习获取对应的谐波预测模型进行谐波预测。本发明针对功率放大器线性区域和非线性区域分别进行建模、训练和预测,能够提高谐波预测的准确性,并且针对新的功率放大器进行迁移学习后即可完成预测。
  • 备选软标签生成-202180082291.1
  • 长野彻;福田隆;仓田岳人 - 国际商业机器公司
  • 2021-11-24 - 2023-08-15 - G06N3/096
  • 可以提供一种识别用于训练学生模型的备选软标签的方法。教学模型可以为经标记的训练数据生成软标签。训练数据可以是用于语音或口头自然语言的声学文件。可以在标签级别搜索先前由教师模型生成的软标签池,以识别与所生成的软标签相似的软标签。相似的软标签在单词音素和/或状态级别可具有相似的长度或序列。所识别的相似软标签可以与所生成的软标签结合使用以训练学生模型。
  • 数据迁移方法、装置、电子设备和存储介质-202010274239.3
  • 希滕;张刚;温圣召;余席宇 - 北京百度网讯科技有限公司
  • 2020-04-09 - 2023-08-08 - G06N3/096
  • 本申请公开了一种数据迁移方法、装置、电子设备以及存储介质,涉及数据迁移领域。具体实现方案为:数据迁移方法包括:获取预定义训练样本的参考特征分布;采用迁移样本生成模型生成候选训练样本,获取候选训练样本的候选特征分布;计算候选特征分布和参考特征分布之间的相似度,利用相似度更新迁移样本生成模型;在满足预设条件的情况下,利用更新后的迁移样本生成模型生成最终训练样本,将最终训练样本作为迁移数据。本申请实施例提高了搜索迁移数据的速度和效率,提高了迁移效果。
  • 一种基于持续学习的小样本事件检测方法和系统-202310506290.6
  • 张伟文;许绵深 - 广东工业大学
  • 2023-05-06 - 2023-08-04 - G06N3/096
  • 本发明提供一种基于持续学习的小样本事件检测方法和系统,方法包括:获取事件检测初始数据集并进行预处理,根据预处理后的事件检测初始数据集建立包括若干个阶段的小样本事件检测增量任务集合,建立基于持续学习的小样本事件检测框架,在面对相继到来的新任务的持续学习时,首先学习新类型的原型表示并保存为新类型知识,然后通过经验回放机制、知识蒸馏和旧类型与新类型之间的知识转移来获得新类型的事件检测结果,本发明的方法能够解决传统模型的遗忘问题,同时丰富新类型和旧类型之间的联系,提高事件检测的效率和精度。
  • 用于声音事件分类的迁移学习-202180077449.6
  • F·萨基;Y·郭;E·维斯 - 高通股份有限公司
  • 2021-11-19 - 2023-08-04 - G06N3/096
  • 一种方法包括:基于被训练以检测第一组声音类别的第一神经网络来初始化第二神经网络,以及将该第一神经网络的输出和该第二神经网络的输出链接到一个或多个耦合网络。该方法还包括:在训练该第二神经网络和该一个或多个耦合网络之后,基于由该第二神经网络指派的声音类别的准确性和由该第一神经网络指派的声音类别的准确性来确定是否要丢弃该第一神经网络。
  • 一种数据迁移方法及装置-201911228274.5
  • 刘涛;蔺思宇;马君;李素洁;杨晨旺;王伟;周景源 - 湃方科技(北京)有限责任公司
  • 2019-12-04 - 2023-08-04 - G06N3/096
  • 本发明实施例提供一种数据迁移方法及装置,该方法包括:获取原域数据;将原域数据输入训练好的数据迁移模型,得到目标域迁移数据;其中,所述训练好的数据迁移模型是根据带原域标签的原域数据和带目标域标签的目标域数据训练得到的。通过针对一维工业机械数据,构建了训练好的数据迁移模型,对该数据迁移模型的损失函数同时考虑了时域、频域及时频域特征上的近似性,三者联合下降的最优解保证了一维信号的真正相似,从而最终实现了工业设备领域的数据迁移。
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