“样本输入”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果1597828个，建议您升级VIP下载更多相关专利

[发明专利]一种用户投诉预测方法和装置-CN202011324618.5在审
发明人：杜翠凤;陈少权;蒋仕宝 -专利权人：广州杰赛科技股份有限公司;广州杰赛通信规划设计院有限公司
申请日： 2020-11-23 - 公布日： 2021-02-05 - 主分类号： G06Q10/04 文献下载
摘要：本发明提供一种用户投诉预测方法和装置，方法包括：对用户投诉的样本和无标签样本进行重新标记，将用户投诉的样本标记为正样本，将无标签样本标记为负样本；将样本数据切分为训练数据和测试数据；采用集成学习算法对训练数据进行训练，得到用于预测样本为正样本概率的强分类器；将测试数据输入到强分类器，得到测试集合中每个样本属于正样本的概率；将测试集合中正样本概率大于第一阈值的样本作为第二正样本，将正样本概率小于第二阈值的样本作为第二负样本；将第二正样本和第二负样本输入到神经网络模型进行训练，得到用户投诉预测模型；将用户的实时话筒数据输入到用户投诉预测模型，预测用户投诉的概率。
一种用户投诉预测方法装置

[发明专利]图像分类模型的训练、图像分类方法、装置、设备及介质-CN202011035268.0在审
发明人：申世伟 -专利权人：北京达佳互联信息技术有限公司
申请日： 2020-09-27 - 公布日： 2021-01-05 - 主分类号： G06F16/55 文献下载
摘要：本公开关于一种图像分类模型的训练、图像分类方法、装置、设备及介质，其中图像分类模型的训练方法包括：获取样本集；将当前输入样本集输入至当前图像分类模型进行训练，得到与当前图像分类模型对应的当前图像分类模型集；采用当前图像分类模型集对当前输入样本集进行分类识别；根据分类结果对当前输入样本集进行筛选，将分类结果不满足识别要求的样本，作为下一个图像分类模型的输入样本集，直至分类结果满足识别要求为止；将训练完成的各图像分类模型集作为目标图像分类模型本公开可以解决单个图像分类模型只注重对简单样本的特征学习而忽略对困难样本的特征学习的问题，提升了对困难样本的鉴别能力，提高了图像分类模型的准确率。
图像分类模型训练方法装置设备介质

[发明专利]一种基于BERT的多模型融合提取事件主体的方法-CN202010105995.3在审
发明人：李振;刘恒;赵兴莹;秦培歌;李勇辉 -专利权人：民生科技有限责任公司
申请日： 2020-02-20 - 公布日： 2020-06-09 - 主分类号： G06K9/62 文献下载
摘要：该方法包括：对爬取数据进行预处理，得到训练样本和预测样本；对训练样本和预测样本进行嵌入操作，得到BERT预训练网络的训练样本输入序列和预测样本输入序列；采用多个基于BERT预训练网络的不同复杂度的单模型，利用训练样本输入序列对所述单模型进行训练，并优化网络参数；将预测样本输入序列输入到经训练后的多个单模型，输出多个模型结果；对所述多个模型结果进行融合，得到预测样本的最终预测结果。
一种基于 bert 模型融合提取事件主体方法

[发明专利]一种基于SVM的栈式结构层次分类模型的构建方法-CN202010221127.1在审
发明人：卢剑伟 -专利权人：常州工业职业技术学院
申请日： 2020-03-26 - 公布日： 2020-07-24 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种基于SVM的栈式结构层次分类模型的构建方法，通过随机修改样本的真实标签类型，构造对抗样本进行对抗样本学习，在SVM的基础上，将经对抗样本学习的SVM模型输出误差对输入样本特征的一阶梯度信息嵌入到输入样本特征中以更新输入样本，结合栈式结构原理，将经对抗样本学习的SVM模型作为子分类器构建层次分类模型。本发明所述方法所构建的基于SVM的栈式结构层次分类模型，利用对抗样本学习计算每一层子分类器的输出误差对输入的一阶梯度信息，并利用一阶梯度信息逐层更新下每一个子分类器的输入，以此逐层提高分类模型的分类性能且具备较好的泛化性
一种基于 svm 结构层次分类模型构建方法

[发明专利]表格标题分类模型的训练方法及表格标题的分类方法-CN202310699463.0在审
发明人：袁建;郭磊;贾家琛;郑子辰;李小翔;邸智 -专利权人：华能招标有限公司;中国华能集团清洁能源技术研究院有限公司
申请日： 2023-06-13 - 公布日： 2023-08-15 - 主分类号： G06F18/214 文献下载
摘要：其中，该表格标题分类模型的训练方法包括：获取表格标题样本和表格标题样本对应的样本分类标签；基于表格标题样本和样本分类标签生成局部输入矩阵和全局输入矩阵；将局部输入矩阵输入局部分类单元，获取第一特征向量；将全局输入矩阵输入全局分类单元，获取第二特征向量；将第一特征向量和第二特征项向量输入MLP进行特征映射，获取预测分类结果，并根据预测分类结果和样本分类标签对表格标题分类模型进行训练。
表格标题分类模型训练方法

[发明专利]深度学习模型训练方法、装置、计算机设备及存储介质-CN201910023779.1在审
发明人：金戈;徐亮 -专利权人：平安科技（深圳）有限公司
申请日： 2019-01-10 - 公布日： 2019-06-14 - 主分类号： G06N3/08 文献下载
摘要：其中，该方法属于人工智能技术，该方法包括：将输入样本集合输入到待训练深度学习模型的输入层，并将输入层的输出结果作为待调整样本集合；对待调整样本集合进行非线性激活处理以得到激活样本集合；对激活样本集合进行批标准化处理以得到标准样本集合；将待训练深度学习模型的下一层作为目标层，并将标准样本集合输入到所述目标层中；将目标层的输出结果作为新的待调整样本集合，并继续对待调整样本集合进行非线性激活处理以得到激活样本集合，从而批标准化处理直接作用于深度学习模型的下一层结构
样本集合目标层标准化处理计算机设备标准样本存储介质激活处理模型训练输出结果集合层结构输入层激活学习人工智能技术输入样本训练效果

[发明专利]应用于监督学习系统训练的数据增强方法和数据增强装置-CN202010202504.7在审
发明人：那彦波;刘瀚文 -专利权人：京东方科技集团股份有限公司
申请日： 2020-03-20 - 公布日： 2020-06-16 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种应用于监督学习系统训练的数据增强方法、一种训练监督学习系统的方法、数据增强装置、神经网络、机器可读介质和计算机设备，所述数据增强方法包括：从训练监督学习系统的原始数据集中选择至少两组不同的输入样本和输出样本；生成大于0且小于1的随机数；根据至少两组不同的输入样本和随机数生成扩充输入数据样本，根据至少两组不同的输出样本和随机数生成扩充输出数据样本，扩充输入数据样本与扩充输出数据样本相对应。本发明提供的实施例通过随机数和原始数据集中的至少两组输入输出样本扩充数据集，从而解决现有技术中因用于训练监督学习系统的数据集的样本数量较少而无法获取有效的神经网络模型的问题，具有广泛的应用前景。
应用于监督学习系统训练数据增强方法装置

[发明专利]样本特征重要性的确定方法及装置，电子设备-CN201810130132.4在审
发明人：徐俊;李尚强;翟艺涛 -专利权人：北京三快在线科技有限公司
申请日： 2018-02-08 - 公布日： 2018-08-17 - 主分类号： G06K9/62 文献下载
摘要：本申请涉及一种样本特征重要性的确定方法，属于计算机技术领域，解决现有技术中无法对单个样本的特征进行重要性评估的问题。所述方法包括：根据树模型各叶子节点覆盖的样本数量和各所述叶子节点对应的样本预测分数，递归计算所述树模型每条决策路径上所述叶子节点的父节点以上各层中每个节点对应的样本预测分数；通过所述树模型对输入样本进行预测，确定所述输入样本的决策路径；根据所述决策路径上各节点对应的所述样本预测分数和所述样本特征，确定所述输入样本的每个样本特征的重要性。本申请公开的样本特征重要性的确定方法可以实现对单个样本的每个样本特征的重要性评估。
样本特征样本输入样本叶子节点树模型重要性评估预测计算机技术领域决策递归计算电子设备父节点申请覆盖

[发明专利]数据处理设备和数据处理方法-CN200780101501.7有效
发明人： P·T·坎布尔;G·特雷齐斯 -专利权人：慧与发展有限责任合伙企业
申请日： 2007-10-25 - 公布日： 2017-04-26 - 主分类号： G06F11/14 文献下载
摘要：一种数据处理设备，包括块储存器，其具有多个块区段，每个块区段能够操作以存储样本数据块，该设备能够操作以将输入数据集处理成一个或多个输入数据块；识别所述块区段之一中对应于第一输入数据块的样本数据块；识别不对应于所述块储存器中的样本数据块的第二输入数据块；以及将第二输入数据块存储为接近所识别的对应于所述第一输入数据块的样本数据块的样本数据块。
数据处理设备方法

[发明专利]推荐系统训练方法、装置、计算机设备及存储介质-CN201910023778.7在审
发明人：金戈;徐亮 -专利权人：平安科技（深圳）有限公司
申请日： 2019-01-10 - 公布日： 2019-06-07 - 主分类号： G06K9/62 文献下载
摘要：其中，该方法属于人工智能技术，该方法包括：对检索词样本以及答案词样本进行分词处理以得到检索词样本分词集合以及答案词样本分词集合；对检索词样本分词集合以及答案词样本分词集合进行词向量训练以得到检索词样本词向量集合以及答案词样本词向量集合；将检索词样本词向量集合中的检索词样本词向量输入到知识图谱中以得到输入词向量集合；通过输入词向量集合以及答案词样本词向量集合对推荐系统进行训练；若接收到用户输入的检索信息，根据训练后的推荐系统向用户提供推荐结果
样本推荐系统集合词向量检索词分词答案计算机设备存储介质向量集合输入词图谱人工智能技术分词处理检索信息数据特征用户提供共享

[发明专利]一种面向Pareto多目标遗传算法对抗样本自动生成方法-CN202210430618.6在审
发明人：王长广;张晓涵;王方伟;李青茹 -专利权人：河北师范大学
申请日： 2022-04-22 - 公布日： 2022-08-30 - 主分类号： G06N3/12 文献下载
摘要：本发明涉及一种面向Pareto多目标遗传算法对抗样本自动生成方法，采用以下步骤：构建动作策略库；设计适应度目标函数；选择分类器模型；以恶意可执行PE文件作为样本输入，生成随机动作序列根据动作策略库中进行动作映射，修改输入样本，修改后的样本经过选择的分类器模型检测，保留检测为良性的样本即对抗样本，对保留的对抗样本的对应的动作序列构造种群初始化集合进化得到Pareto最优对抗样本；本发明提供的方法属于黑盒攻击，旨在能够自动生成原始恶意功能存在、与输入样本相似度高且添加动作个数最少的对抗样本；针对一个恶意可执行PE文件输入最终可自动高效获得多个Pareto最优对抗样本，无须人工干预筛选，具有更高的攻击效率。
一种面向 pareto 多目标遗传算法对抗样本自动生成方法

[发明专利]训练模型的方法、装置、电子设备及可读存储介质-CN202110342815.8在审
发明人：张锦;谢乾龙;王兴星;朱尹华;王栋 -专利权人：北京三快在线科技有限公司
申请日： 2021-03-30 - 公布日： 2022-10-04 - 主分类号： G06N3/08 文献下载
摘要：本公开的实施例提供了一种训练模型的方法、装置、电子设备及可读存储介质，所述方法包括：获取样本数据，所述样本数据包括低频用户样本和高频用户样本；对每个样本数据标注样本标签，所述样本标签包括点击标签和分层标签；将所述样本数据的输入特征输入初始的点击率预估模型，通过所述点击率预估模型将低频用户样本的输入特征映射到高频用户样本的输入特征空间，并输出每个样本数据的预估点击率和预估分层类型；根据所述点击标签与所述预估点击率之间的差异
训练模型方法装置电子设备可读存储介质

[发明专利]一种针对大尺寸图像分类的对抗样本混合防御方法-CN202210502834.7在审
发明人：高超奇;刘礼铭;于莹;张宸;张长胜;张斌 -专利权人：东北大学
申请日： 2022-05-10 - 公布日： 2022-08-05 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种针对大尺寸图像分类的对抗样本混合防御方法，涉及信息安全技术领域。该方法首先训练原始分类模型，并训练对攻击方法有抵抗性的分类模型，得到强化分类模型；再对输入样本图像进行自适应去噪检测，通过特征压缩检测判断输入样本图像是否为对抗样本；并对检测出的对抗样本进行图像预处理；最后根据样本分类结果将输入样本输入导入分类模型或强化分类模型进行分类。该方法能抵抗从大尺寸图片数据集上生成的对抗样本，能同时兼顾到对抗样本和干净样本，在具有防御性能的强化模型对干净样本分类的过程中，能够保证一定的准确性，相比于单一的防御策略具有更优越的泛化性能。
一种针对尺寸图像分类对抗样本混合防御方法

[发明专利]基于业务监控系统的样本选择方法、装置和系统-CN201510969925.1有效
发明人：陈爱明;裴泽良;马靖波 -专利权人：腾讯科技(深圳)有限公司
申请日： 2015-12-21 - 公布日： 2019-12-17 - 主分类号： G06K9/62 文献下载
摘要：本发明实施例公开了一种基于业务监控系统的样本选择方法、装置和系统；本实施例采用获取预置数量的历史采样数据，从中选择样本作为输入样本集，然后，通过最小化输入样本集中样本的波动率累积差分值，从输入样本集中挑选出候选样本集，再通过计算候选样本集的每种样本组合的相关系数累积和与极差，并在累积和得到最大化的情况下，最小化该极差，从而达到选出最优样本的目的；该方案不仅实现较为简单，消耗内存较少，而且可以减少空间的占用，以及提高处理效率
基于业务监控系统样本选择方法装置

[发明专利]疾病分类方法及疾病分类装置-CN202110244728.9在审
发明人：陈骏宏;蔡宗宪;李俊贤;王维庭;李颖灏;郑浩民 -专利权人：宏碁股份有限公司;宏碁智医股份有限公司;王维庭
申请日： 2021-03-05 - 公布日： 2022-03-15 - 主分类号： G16H50/50 文献下载
摘要：疾病分类方法包括：将样本输入第一阶段模型并获得一阶判断结果；将模型判断为阳性的第一样本输入第二阶段高特异度模型以获得判断为阳性的第二样本及判断为阴性的第三样本并确认第二样本；将第一阶段模型判断为阴性的第四样本输入第二阶段高灵敏度模型以获得判断为阳性的第五样本及判断为阴性的第六样本并排除第六样本；获得第二样本及第六样本的二阶判断结果；将未被确认或排除的第三样本及第五样本输入第三阶段模型，并获得第三样本及第五样本的三阶判断结果。
疾病分类方法装置