CN113822445B - 模型集成预测方法、系统、电子设备及存储介质 - Google Patents
模型集成预测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113822445B CN113822445B CN202111106722.1A CN202111106722A CN113822445B CN 113822445 B CN113822445 B CN 113822445B CN 202111106722 A CN202111106722 A CN 202111106722A CN 113822445 B CN113822445 B CN 113822445B
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- integrated
- data
- attention
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000010354 integration Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000013500 data storage Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种模型集成预测方法、系统、电子设备及存储介质,其方法技术方案包括训练数据保存步骤,将训练阶段所有待集成模型的正确预测数据保存为一数据库;注意力集合计算步骤,获取一预测阶段的预测数据,根据所述预测数据与所述数据库中数据的余弦相似度,基于注意力机制计算得到一注意力分数集合;模型集成预测步骤,通过所述待集成模型对所述预测数据进行预测,根据预测结果和所述注意力分数集合进行集成模型预测。本申请解决了现有集成方法对子模型的提高效果有限、而且可解释性较差的问题。
Description
技术领域
本发明属于模型集成技术领域,尤其涉及一种模型集成预测方法、系统、电子设备及存储介质。
背景技术
在机器学习领域中,同一个问题通常可以利用不同参数、不同结构的多种模型来解决,需要一种方法将不同模型的集成为一个健壮的模型,同时还需要保证集成后的模型要优于基础的子模型。
现有技术中包括:Bagging(bootstrap aggregating),分类问题采用N个模型预测投票的方式,回归问题采用N个模型预测平均的方式;Boosting,刚开始训练时对每一个训练例赋相等的权重,然后用该算法对训练集训练t轮,每次训练后,对训练失败的训练例赋以较大的权重,也就是让学习算法在每次学习以后更注意学错的样本,从而得到多个预测函数;Stacking,首先训练多个不同的模型,然后把之前训练的各个模型的输出为输入来训练一个模型,以得到一个最终的输出。
现有的模型集成技术都是从模型的组合方式出发,没有考虑数据本身的分布问题,普通的投票集成方法会导致数据倾斜的问题。机器学习的最终任务是需要通过模型的训练学习到数据的特征,每一个完成训练的子模型都对应着它学习到的数据分布。已有的模型集成方法只是改变了采样方式、数据传播方式等,集成方法对子模型的提高效果有限,而且可解释性较差。
发明内容
本申请实施例提供了一种模型集成预测方法、系统、电子设备及存储介质,以至少解决现有集成方法对子模型的提高效果有限、而且可解释性较差的问题。
第一方面,本申请实施例提供了一种模型集成预测方法,包括:训练数据保存步骤,将训练阶段所有待集成模型的正确预测数据保存为一数据库;注意力集合计算步骤,获取一预测阶段的预测数据,根据所述预测数据与所述数据库中数据的余弦相似度,基于注意力机制计算得到一注意力分数集合;模型集成预测步骤,通过所述待集成模型对所述预测数据进行预测,根据预测结果和所述注意力分数集合进行集成模型预测。
在其中一些实施例中,所述注意力集合计算步骤进一步包括:分别计算所述预测数据与所述数据库中每个所述待集成模型的每个数据的余弦相似度,进一步计算每个所述待集成模型的平均相似度,并进一步将每个所述待集成模型的平均相似度归一化得到所述注意力分数集合。
在其中一些实施例中,所述注意力集合计算步骤进一步包括:在所述预测数据与每个所述待集成模型的数据的余弦相似度中,从大到小依次选取K个所述余弦相似度数值,计算每个所述待集成模型的平均相似度。
在其中一些实施例中,所述模型集成预测步骤进一步包括:通过所述待集成模型对所述预测数据进行预测,得到每个所述待集成模型的预测结果并形成预测集合,将所述预测集合和所述注意力分数集合做乘积得到结果向量,并根据所述结果向量进行集成模型预测。
第二方面,本申请实施例提供了一种模型集成预测系统,适用于上述一种模型集成预测方法,包括:训练数据保存模块,将训练阶段所有待集成模型的正确预测数据保存为一数据库;注意力集合计算模块,获取一预测阶段的预测数据,根据所述预测数据与所述数据库中数据的余弦相似度,基于注意力机制计算得到一注意力分数集合;模型集成预测模块,通过所述待集成模型对所述预测数据进行预测,根据预测结果和所述注意力分数集合进行集成模型预测。
在其中一些实施例中,所述注意力集合计算模块进一步包括:分别计算所述预测数据与所述数据库中每个所述待集成模型的每个数据的余弦相似度,进一步计算每个所述待集成模型的平均相似度,并进一步将每个所述待集成模型的平均相似度归一化得到所述注意力分数集合。
在其中一些实施例中,所述注意力集合计算模块进一步包括:在所述预测数据与每个所述待集成模型的数据的余弦相似度中,从大到小依次选取K个所述余弦相似度数值,计算每个所述待集成模型的平均相似度。
在其中一些实施例中,所述模型集成预测模块进一步包括:通过所述待集成模型对所述预测数据进行预测,得到每个所述待集成模型的预测结果并形成预测集合,将所述预测集合和所述注意力分数集合做乘积得到结果向量,并根据所述结果向量进行集成模型预测。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的一种模型集成预测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的一种模型集成预测方法。
本申请可应用于深度学习技术领域。相比于相关技术,本申请通过将注意力机制引入到模拟集成环节中,可以提高集成模型的预测精度。由于已有的训练数据参与了集成避免了只依赖模型结果的集成方法可能导致的数据倾斜问题。而且注意力机制体现了数据之间的相似度增加了方法的可解释性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明的模型集成预测方法流程图;
图2为本发明的模型集成预测系统的框架图;
图3为本发明的电子设备的框架图;
以上图中:
1、训练数据保存模块;2、注意力集合计算模块;3、模型集成预测模块;60、总线;61、处理器;62、存储器;63、通信接口。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
模型集成是融合多个训练好的模型,基于某种方式实现测试数据的多模型融合,这样来使最终的结果能够“取长补短”,融合各个模型的学习能力,提高最终模型的泛化能力。近年来,model ensemble已成刷榜神器。它可以应用在图像分割、分类、检测等领域。
模型集成方法主要应用在几个模型差异性较大,相关性较小上。这样效果比较明显。常用的model ensemble方法有:投票(voting),平均(averaging),堆叠(Stacking),非交叉堆叠(Blending)。
以下,结合附图详细介绍本发明的实施例:
图1为本发明的模型集成预测方法流程图,请参见图1,本发明模型集成预测方法包括如下步骤:
S1:将训练阶段所有待集成模型的正确预测数据保存为一数据库。
在具体实施中,训练阶段所有模型预测正确的数据都保存为数据库Data={data_1…data_i…data_n},其中,data_i代表第i个模型在训练阶段全部的正确数据。
S2:获取一预测阶段的预测数据,根据所述预测数据与所述数据库中数据的余弦相似度,基于注意力机制计算得到一注意力分数集合。
可选的,分别计算所述预测数据与所述数据库中每个所述待集成模型的每个数据的余弦相似度,进一步计算每个所述待集成模型的平均相似度,并进一步将每个所述待集成模型的平均相似度归一化得到所述注意力分数集合。
可选的,在所述预测数据与每个所述待集成模型的数据的余弦相似度中,从大到小依次选取K个所述余弦相似度数值,计算每个所述待集成模型的平均相似度。
在具体实施中,对于预测阶段的某条数据q,计算数据q与数据库Data中所有数据的余弦相似度。
在具体实施中,对于模型i,取数据库data_i中与数据q相似度最大的k个相似度数值,对k个余弦相似度取平均得到score_i,score_i代表预测数据q和data_i的相似程度。
在具体实施中,将所有模型的score集合在一起做归一化得到最终的注意力分数集合Score={score_1…score_n}。
S3:通过所述待集成模型对所述预测数据进行预测,根据预测结果和所述注意力分数集合进行集成模型预测。
可选的,通过所述待集成模型对所述预测数据进行预测,得到每个所述待集成模型的预测结果并形成预测集合,将所述预测集合和所述注意力分数集合做乘积得到结果向量,并根据所述结果向量进行集成模型预测。
在具体实施中,最后将所有模型对数据q的预测结果Y={y_1…y_n}与注意力分数集合Score={score_1…score_n}做乘积得到最终的结果向量L,通过集成的结果向量L得到最终的预测结果。其中,y_i是模型的结果向量不是最终的标注标签或者预测数值。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例提供了一种模型集成预测系统,适用于上述的一种模型集成预测方法。如以下所使用的,术语“单元”、“模块”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件、或者软件和硬件的组合的实现也是可能并被构想的。
图2为根据本发明的模型集成预测系统的框架图,请参见图2,包括:
训练数据保存模块1:将训练阶段所有待集成模型的正确预测数据保存为一数据库。
在具体实施中,训练阶段所有模型预测正确的数据都保存为数据库Data={data_1…data_i…data_n},其中,data_i代表第i个模型在训练阶段全部的正确数据。
注意力集合计算模块2:获取一预测阶段的预测数据,根据所述预测数据与所述数据库中数据的余弦相似度,基于注意力机制计算得到一注意力分数集合。
可选的,分别计算所述预测数据与所述数据库中每个所述待集成模型的每个数据的余弦相似度,进一步计算每个所述待集成模型的平均相似度,并进一步将每个所述待集成模型的平均相似度归一化得到所述注意力分数集合。
可选的,在所述预测数据与每个所述待集成模型的数据的余弦相似度中,从大到小依次选取K个所述余弦相似度数值,计算每个所述待集成模型的平均相似度。
在具体实施中,对于预测阶段的某条数据q,计算数据q与数据库Data中所有数据的余弦相似度。
在具体实施中,对于模型i,取数据库data_i中与数据q相似度最大的k个相似度数值,对k个余弦相似度取平均得到score_i,score_i代表预测数据q和data_i的相似程度。
在具体实施中,将所有模型的score集合在一起做归一化得到最终的注意力分数集合Score={score_1…score_n}。
模型集成预测模块3:通过所述待集成模型对所述预测数据进行预测,根据预测结果和所述注意力分数集合进行集成模型预测。
可选的,通过所述待集成模型对所述预测数据进行预测,得到每个所述待集成模型的预测结果并形成预测集合,将所述预测集合和所述注意力分数集合做乘积得到结果向量,并根据所述结果向量进行集成模型预测。
在具体实施中,最后将所有模型对数据q的预测结果Y={y_1…y_n}与注意力分数集合Score={score_1…score_n}做乘积得到最终的结果向量L,通过集成的结果向量L得到最终的预测结果。其中,y_i是模型的结果向量不是最终的标注标签或者预测数值。
另外,结合图1描述的一种模型集成预测方法可以由电子设备来实现。图3为本发明的电子设备的框架图。
电子设备可以包括处理器61以及存储有计算机程序指令的存储器62。
具体地,上述处理器61可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器62可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器62可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器62可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器62可在数据处理装置的内部或外部。在特定实施例中,存储器62是非易失性(Non-Volatile)存储器。在特定实施例中,存储器62包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器62可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器61所执行的可能的计算机程序指令。
处理器61通过读取并执行存储器62中存储的计算机程序指令,以实现上述实施例中的任意一种模型集成预测方法。
在其中一些实施例中,电子设备还可包括通信接口63和总线60。其中,如图3所示,处理器61、存储器62、通信接口63通过总线60连接并完成相互间的通信。
通信端口63可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线60包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。总线60包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线60可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线60可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该电子设备可以执行本申请实施例中的一种模型集成预测方法。
另外,结合上述实施例中的一种模型集成预测方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种模型集成预测方法。
而前述的存储介质包括:U盘、移动硬盘、只读存储器(ReadOnly Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种模型集成预测方法,应用于图像分割、图像分类、图像检测领域,其特征在于,包括:
训练数据保存步骤,将训练阶段所有待集成模型的正确预测数据保存为一数据库;
注意力集合计算步骤,获取一预测阶段的预测数据,根据所述预测数据与所述数据库中数据的余弦相似度,基于注意力机制计算得到一注意力分数集合;
模型集成预测步骤,通过所述待集成模型对所述预测数据进行预测,根据预测结果和所述注意力分数集合进行集成模型预测。
2.根据权利要求1所述的模型集成预测方法,其特征在于,所述注意力集合计算步骤进一步包括:
分别计算所述预测数据与所述数据库中每个所述待集成模型的每个数据的余弦相似度,进一步计算每个所述待集成模型的平均相似度,并进一步将每个所述待集成模型的平均相似度归一化得到所述注意力分数集合。
3.根据权利要求2所述的模型集成预测方法,其特征在于,所述注意力集合计算步骤进一步包括:
在所述预测数据与每个所述待集成模型的数据的余弦相似度中,从大到小依次选取K个所述余弦相似度数值,计算每个所述待集成模型的平均相似度。
4.根据权利要求3所述的模型集成预测方法,其特征在于,所述模型集成预测步骤进一步包括:
通过所述待集成模型对所述预测数据进行预测,得到每个所述待集成模型的预测结果并形成预测集合,将所述预测集合和所述注意力分数集合做乘积得到结果向量,并根据所述结果向量进行集成模型预测。
5.一种模型集成预测系统,应用于图像分割、图像分类、图像检测领域,其特征在于,包括:
训练数据保存模块,将训练阶段所有待集成模型的正确预测数据保存为一数据库;
注意力集合计算模块,获取一预测阶段的预测数据,根据所述预测数据与所述数据库中数据的余弦相似度,基于注意力机制计算得到一注意力分数集合;
模型集成预测模块,通过所述待集成模型对所述预测数据进行预测,根据预测结果和所述注意力分数集合进行集成模型预测。
6.根据权利要求5所述的模型集成预测系统,其特征在于,所述注意力集合计算模块进一步包括:
分别计算所述预测数据与所述数据库中每个所述待集成模型的每个数据的余弦相似度,进一步计算每个所述待集成模型的平均相似度,并进一步将每个所述待集成模型的平均相似度归一化得到所述注意力分数集合。
7.根据权利要求6所述的模型集成预测系统,其特征在于,所述注意力集合计算模块进一步包括:
在所述预测数据与每个所述待集成模型的数据的余弦相似度中,从大到小依次选取K个所述余弦相似度数值,计算每个所述待集成模型的平均相似度。
8.根据权利要求7所述的模型集成预测系统,其特征在于,所述模型集成预测模块进一步包括:
通过所述待集成模型对所述预测数据进行预测,得到每个所述待集成模型的预测结果并形成预测集合,将所述预测集合和所述注意力分数集合做乘积得到结果向量,并根据所述结果向量进行集成模型预测。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的模型集成预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任一项所述的模型集成预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111106722.1A CN113822445B (zh) | 2021-09-22 | 2021-09-22 | 模型集成预测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111106722.1A CN113822445B (zh) | 2021-09-22 | 2021-09-22 | 模型集成预测方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822445A CN113822445A (zh) | 2021-12-21 |
CN113822445B true CN113822445B (zh) | 2024-02-06 |
Family
ID=78915061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111106722.1A Active CN113822445B (zh) | 2021-09-22 | 2021-09-22 | 模型集成预测方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822445B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094502A (zh) * | 2021-03-22 | 2021-07-09 | 北京工业大学 | 一种多粒度外卖用户评论情感分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10909446B2 (en) * | 2019-05-09 | 2021-02-02 | ClimateAI, Inc. | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models |
-
2021
- 2021-09-22 CN CN202111106722.1A patent/CN113822445B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094502A (zh) * | 2021-03-22 | 2021-07-09 | 北京工业大学 | 一种多粒度外卖用户评论情感分析方法 |
Non-Patent Citations (2)
Title |
---|
Attention Cueing as a Means to Enhance Learning from an Animation;BJORN B. de KONING;《APPLIED COGNITIVE PSYCHOLOGY》;731-746 * |
基于时空依赖性和注意力机制的交通速度预测;陈钰;《计算机系统应用》;1-7 * |
Also Published As
Publication number | Publication date |
---|---|
CN113822445A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275175B (zh) | 神经网络训练方法、装置、图像分类方法、设备和介质 | |
CN112381098A (zh) | 基于目标分割领域自学习的半监督学习方法和系统 | |
CN109598414B (zh) | 风险评估模型训练、风险评估方法、装置及电子设备 | |
CN111681256B (zh) | 图像边缘检测方法、装置、计算机设备和可读存储介质 | |
CN111738098A (zh) | 一种车辆识别方法、装置、设备及存储介质 | |
CN112509600A (zh) | 模型的训练方法、装置、语音转换方法、设备及存储介质 | |
CN115080749A (zh) | 一种基于自监督训练的弱监督文本分类方法、系统和装置 | |
CN113569705B (zh) | 场景分割点判断方法、系统、存储介质及电子设备 | |
CN111258905A (zh) | 缺陷定位方法、装置和电子设备及计算机可读存储介质 | |
CN113743277A (zh) | 一种短视频分类方法及系统、设备和存储介质 | |
CN113657510A (zh) | 一种有标注价值的数据样本的确定方法及装置 | |
CN113822445B (zh) | 模型集成预测方法、系统、电子设备及存储介质 | |
EP3745319A1 (en) | Optimization apparatus and optimization method | |
CN116362251A (zh) | 一种命名实体识别模型的训练方法、装置、设备和介质 | |
CN113569703B (zh) | 真实分割点判断方法、系统、存储介质及电子设备 | |
CN113569704B (zh) | 分割点判断方法、系统、存储介质及电子设备 | |
CN112257726B (zh) | 目标检测训练方法、系统、电子设备及计算机可读存储介质 | |
CN114091458A (zh) | 基于模型融合的实体识别方法和系统 | |
CN113255334A (zh) | 一种计算字向量方法、系统、电子设备及存储介质 | |
CN114116456A (zh) | 测试用例生成方法、系统及计算机可读存储介质 | |
CN114491042A (zh) | 一种分类方法、计算机设备和计算机可读存储介质 | |
CN114118411A (zh) | 图像识别网络的训练方法、图像识别方法及装置 | |
CN113742525A (zh) | 自监督视频哈希学习方法、系统、电子设备及存储介质 | |
CN112527996A (zh) | 一种样本筛选方法、系统、电子设备及存储介质 | |
CN113569706B (zh) | 视频场景分割点判断方法、系统、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |