CN116097286A - 人工智能反馈方法和人工智能反馈系统 - Google Patents
人工智能反馈方法和人工智能反馈系统 Download PDFInfo
- Publication number
- CN116097286A CN116097286A CN202180055977.1A CN202180055977A CN116097286A CN 116097286 A CN116097286 A CN 116097286A CN 202180055977 A CN202180055977 A CN 202180055977A CN 116097286 A CN116097286 A CN 116097286A
- Authority
- CN
- China
- Prior art keywords
- information
- pseudo
- information table
- linear
- value
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种人工智能(AI)反馈方法,包括以下步骤:提供输入1和输入2;从输入1提供与输入2相关的信息的流行频率值或排序值的初始条件;从初始条件生成二维信息表;将流行频率值或排序值添加到2D信息表的对应坐标;将知识与对应坐标匹配;从2D信息表生成2D伪线性变换表;执行多次伪线性变换以形成二维唯一特征表,并且导出特征向量没有改变的坐标的信息作为深度真值;以及通过将深度真值按类别连接而形成的知识上下文组织并存储起来。
Description
技术领域
本发明涉及一种人工智能(AI)反馈方法和人工智能反馈系统。
背景技术
根据累积模式或用于实现累积模式的方法,现有技术的AI的学习方法有很多步骤并且需要很长时间。
现有技术的AI的学习方法是需要从外部单方面输入数据供AI构建和识别知识,从而找到新的平衡点的方法。
由于现有技术的AI的学习方法接收大量信息并依赖于通过信息进行回归分析和分类,存在随着学习步骤的进行需要指数级大量计算和长时间的问题。
发明内容
技术问题
示例性实施例旨在提供一种有效地实现了对学习的直观反馈(intuitivefeedback)的人工智能(AI)反馈方法和AI反馈系统。
技术方案
本发明的示例性实施例提供了一种人工智能(AI)反馈方法,该人工智能(AI)反馈方法中的每个步骤由实现为计算装置的AI反馈系统执行,包括:向脚本提取和执行器提供包括用于学习的基础资料的输入1和包括用于学习的核心内容的输入2;通过脚本提取和执行器从输入1向AI提供与输入2相关的信息的流行频率值或排序值的初始条件;AI基于从初始条件导出的流行频率值或排序值作为两轴,以具有关键词和关键信息的矩阵的形式生成二维(2D)信息表;根据AI与脚本提取和执行器之间的交互,将流行频率值或排序值添加到2D信息表的对应坐标,并且将由AI获取的知识与对应坐标匹配;由AI生成2D伪线性变换表,2D伪线性变换表中的2D信息表的排序值被数字化并且每个坐标从2D信息表中随机打开或关闭,2D伪线性变换表与2D信息表具有相同区域;由AI对2D信息表执行多次伪线性变换来计算2D伪线性变换表,以形成每个坐标都具有特征向量的2D唯一特征表,并且在2D唯一特征表的坐标中导出特征向量没有改变的坐标的信息作为深度真值;以及由AI将2D唯一特征表变换为多代1D线性通道,深度真值被映射到多代1D线性通道,将变换后的1D线性通道存储在存储器中,组织将多代1D线性通道中的每一个的深度真值按类别连接而形成的知识上下文(context),并将组织后的知识上下文存储在存储器中。
输入1可以包括多个图片文件,输入2可以包括轮廓的强度。
输入1可以包括多个文档文件,输入2可以包括设定词。
本发明的另一示例性实施例提供了一种人工智能(AI)反馈系统,包括:脚本提取和执行器,接收包括用于学习的基础资料的输入1和包括用于学习的核心内容的输入2,并且从输入1生成与输入2相关的信息的流行频率值或排序值的初始条件;AI与脚本提取和执行器连接,该AI基于从初始条件导出的流行频率值或排序值作为两轴,以具有关键词和关键信息的矩阵的形式生成二维(2D)信息表,将流行频率值或排序值添加到2D信息表的对应坐标,并且将由AI获取的知识与对应坐标匹配;输出单元,与AI连接并且输出由AI从2D信息表中导出的深度真值;以及存储器,与AI连接并且组织和存储通过按类别将由AI导出的深度真值连接而形成的知识上下文。
AI可以生成二维伪线性变换表,其中2D信息表的排序值被数字化并且每个坐标从2D信息表中随机打开或关闭,2D伪线性变换表与2D信息表具有相同区域,对2D信息表执行多次伪线性变换来计算2D伪线性变换表,以形成每个坐标都具有特征向量的2D唯一特征表,并且在2D唯一特征表的坐标中导出特征向量没有改变的坐标的信息作为深度真值,并且将2D唯一特征表变换为多代1D线性通道,深度真值被映射到多代1D线性通道,将变换后的1D线性通道存储在存储器中,组织将多代1D线性通道中的每一个的深度真值按类别连接而形成的知识上下文,并将组织后的知识上下文存储在存储器中。
有益效果
根据示例性实施例,提供了有效地执行对学习的直观反馈的人工智能(AI)反馈方法和AI反馈系统。
附图说明
图1是示出根据示例性实施例的人工智能(AI)反馈方法的流程图。
图2至图7是示出根据示例性实施例的AI反馈方法的图。
图8是示出根据另一示例性实施例的AI反馈系统的图。
图9和图10是示出根据另一示例性实施例的AI反馈系统的图。
图11是示出使用AI反馈方法和AI系统通过图片进行训练的图像。
图12是示出使用AI反馈方法和AI系统通过文档进行训练的图像。
具体实施方式
在下文中,将参照附图详细描述本发明的示例性实施例,以使本领域技术人员能够实践本发明。本发明可以以各种不同的形式实施并且不限于本文所描述的示例。
此外,除非另有相反的明确描述,否则词语“包括”和例如“包含”或“含有”的变型将被理解为暗示包括所陈述的要素但不排除任何其他要素。
在下文中,将参照图1至图7描述根据示例性实施例的人工智能(AI)反馈方法。
图1是示出根据示例性实施例的AI反馈方法的流程图。图2至图7是示出根据示例性实施例的AI反馈方法的图。
首先,参照图1和图2,输入1和输入2被提供给脚本提取和执行器(S100)。
具体地,参照图2的①和②,包括用于AI学习的基础材料的输入1和包括用于学习的核心内容的输入2被提供给脚本提取和执行器。作为示例,输入1可以包括多个图片文件,输入2可以包括轮廓的强度,但不限于此。作为另一示例,输入1可以包括多个文档文件,输入2可以包括设定词,但不限于此。
这是呈现输入1和输入2的步骤,在该步骤中准备了识别智能需要学习或训练的材料。所需的材料包括用于AI学习的基础资料,输入1主要可以是文档文件(文本信息,如pdf和txt文件等)和图片文件(图片信息,如jpg和png文件等),并且输入2主要是AI需要学习的关键主题词或关键内容。例如,如果输入1是文档文件,则输入2可以是关键词,如果输入1是图片文件,则输入2可以是图片的对比度或轮廓。
接下来,脚本提取和执行器从输入1向AI提供针对与输入2相关的信息的流行频率值或排序值的初始条件(S200)。
具体地,参照图2的③,脚本提取和执行器从输入1向AI提供针对与输入2相关的信息的流行频率值或排序值的初始条件。
脚本提取和执行器可以包括用于提取和执行脚本的程序,例如Perl Script、java或语言脚本分析器。脚本提取和执行器基于初始学习材料中输入2的内容,针对与关键主题词或关键内容相关的信息的流行频率值或排序值提供初始条件的识别智能。
接下来,AI基于从初始条件导出的流行频率值或排序值作为两轴,以具有关键词和关键信息的矩阵的形式生成二维(2D)信息表(S300)。
具体地,参照图2的③和④,AI基于从脚本提取和执行器提供的初始条件导出的流行频率值或排序值作为两轴,以具有关键词和关键信息的矩阵的形式生成2D信息表A。
AI利用关于初始流行频率值或排序值的信息准备生成初始2D信息表A。识别智能根据初始流行频率值或排序值利用在文档文件或图片文件中找到的关键词和关键内容来生成2D信息表A,其为2D直角坐标系。2D信息表A具有类似矩阵的结构,并且可以是关键词和关键信息分别为x轴和y轴的2D直角坐标系。
接下来,通过AI与脚本提取和执行器的交互,将流行频率值或排序值添加到2D信息表A的对应坐标,并将由AI获取的知识与对应坐标匹配(S400)。
具体地,参照图2的④,通过AI与脚本提取和执行器的交互,将流行频率值或排序值添加到2D信息表A的对应坐标,将由AI获取的知识与对应坐标匹配。
通过AI与脚本提取和执行器的交互,可以将流行频率、比例或排序值添加到2D信息表的对应坐标,该2D信息表为2D直角坐标系,并且可以将由AI获取的知识与对应坐标进行匹配和管理。
接下来,参照图2和图3,AI生成2D伪线性变换表T,2D伪线性变换表T中的2D信息表A的排序值被数字化且每个坐标随机开启或关闭,并且从2D信息表A生成与2D信息表A具有相同区域的2D伪线性变换表T(S500)。
具体地,参照图2的⑤和图3,AI生成2D伪线性变换表T,2D伪线性变换表T中的2D信息表A的排序值被数字化且每个坐标随机开启或关闭,并且从2D信息表A生成与2D信息表A具有相同区域的2D伪线性变换表T。
AI生成具有与2D信息表A相同尺寸的2D伪线性变换表T。AI通过将2D信息表A中的信息的排序值按原样投影到与2D伪线性变换表T中的每个坐标相对应的点并数字化该2D信息表A中的信息的排序值来生成2D伪线性变换表T,并保持每个坐标的数字化值原样不变,但在2D伪线性变换表T中,每个坐标都没有特定模式并且不可预测且随机地开启和关闭。AI生成的2D伪线性变换表T是执行伪线性变换的运算表。
参照图3,示出了AI如何通过计算生成在反馈过程和导出过程中用于计算的2D伪线性变换表的各个阶段以及如何配置形状。每个阶段的2D伪线性变换表被配置为保持排序值不变,其中1或0是不可预知且随机地生成并且针对每个坐标随机设置,从而生成2D伪线性变换表。例如,可以通过针对每个相同的坐标将图3的左表和右表相乘来生成2D伪线性变换表的随机ON和OFF状态。
接下来,参照图4和图5,AI对2D信息表A执行多次伪线性变换来计算2D伪线性变换表T,以形成每个坐标都具有特征向量的2D唯一特征表,并且在2D唯一特征表的坐标中导出特征向量没有改变的坐标的信息作为深度真值(S600)。
具体地,参照图4中的⑥、⑦和⑧和图5,AI对2D信息表A执行多次伪线性变换来计算2D伪线性变换表T,以形成每个坐标都有特征向量的2D唯一特征表,并且导出2D唯一特征表的坐标中特征向量没有改变的坐标的信息作为深度真值。
当对2D信息表A进行n次2D伪线性变换表T的运算时,出现类似矩阵运算的效果。在对2D信息表A多次计算2D伪线性变换表T的过程中,将2D信息表A变换为具有特征向量的2D唯一特征表,此时,将没有改变但存留下来的信息导出作为没有实质性改变的深度真值。
当针对2D信息表A的每一轮进行n次2D伪线性变换表T的运算时,进行n次伪线性变换。不同于常规的矩阵运算,在此生成的2D伪线性变换表T是通过对在相同位置的各个因子进行相乘而生成的,并且每个坐标随机地开启和关闭。
同时,即使2D伪线性变换表和具有相同区域的随机给出ON和OFF的直角表被计算为任意旋转90度、180度、270度或360度,也可以通过计算导出真值。
具体地,参照图4的⑥,可以看出进行了n次伪线性变换。参照图4的⑦,伪线性变换后的2D唯一特征表的值包括特征向量和特征值,使得它们不再变化或最接近真实。这样就可以只找到一个必要的信息坐标系,使得只有可能被视为真实的信息而存留在初始2D信息表坐标值中,此时与存留的坐标值匹配的信息作为深度真值。参照图4的⑧,推导深度真值的过程类似于获得矩阵中的特征值和特征向量,但与矩阵运算不同,通过将具有相同区域的2D伪线性变换表与唯一排序值相乘来进行伪线性变换,其中每个坐标值都是与2D信息表的同一个坐标系以一对一的方式逐步给出随机ON和OFF。
参照图5,图4的⑥、⑦和⑧所示的整个过程被组织为初始2D信息表的坐标系的T表和包含对应坐标值的2D坐标表进行同维度的伪线性变换的连续运算过程,并且可以被可视为用于特征表运算的S表运算的连续组合以找出特征值或深度真值。它概念性地示出了在这个2D坐标表的每个坐标值处匹配的AI的知识和学习内容是如何在具有重要意义的坐标系中存留并导出为深度真值的。作为n次伪线性变换的结果,根据每个坐标值的随机ON/OFF状态,可以为对应坐标给出或不给出唯一的排序值。具体地,针对每一轮都会切换各个坐标,并且坐标值为ON或OFF。在这种情况下,对于每个坐标值,只保留ON状态下的坐标值,并且将OFF状态下的所有坐标值都视为0,使得OFF状态下的坐标值对于对应顺序计算中匹配知识的2D信息表的对应坐标没有影响,从而将坐标的知识识别为不重要,并且仅将ON状态下的坐标识别为与排序值的权重一样多的重要信息。在这种情况下,由于每轮的ON/OFF状态在n次伪线性变换期间随机变化,其类似于不可预测的流行度投票。因此,如果其存留到最后并且具有较高的比例和排序值,则通过反映该状态计算来选择唯一特征表和唯一特征值。这类似于通过获得矩阵的特征值和特征向量来确定排序,但是由于运算本身是通过在相同位置对用于运算的变换表和知识信息表进行运算而生成的表,因此其经历了与矩阵运算不同的过程。即,找出唯一特征表的过程是唯一的。
如上所述,通过根据示例性实施例的AI反馈方法,AI从输入1和输入2学习最终深度真值。
此外,通过根据示例性实施例的AI反馈方法从2D信息表变换的2D唯一特征表生成第一代信息表层。利用AI通过AI反馈方法从其他信息中学习并找出深度真值的过程,可以生成第2代、第3代、第4代、第n代2D信息表层中的每一个。为了使用生成的的2D信息表图层更方便地对各个第n代进行比较和分析,AI可以将(n×n)型2D坐标系变换为具有(n×n)个通道的线性形式进行比较和分析,并且可以使用其对2D坐标系进行线性映射。
接下来,参照图6和图7,AI将2D唯一特征表变换为多代1D线性通道(第1代知识层到第n代知识层)并存储在存储器中,深度真值被映射到多代1D线性通道,组织通过将多代1D线性通道(第1代知识层到第n代知识层)中的每一个的深度真值按类别(知识类别1到知识类别n)连接而形成的知识上下文,并将其存储在存储器中(S700)。
具体地,参照图6,AI使用存储器将2D唯一特征表的所有2D坐标变换为具有线性通道值的多代1D线性通道(第1代知识层到第n代知识层)以映射并且填充深度真值到相应的通道,并且将多代1D线性通道中的每一个的深度真值连接以形成信息和知识上下文。
例如,如果包含由AI从每一代获取的深度真值的2D唯一特征表为(n×n)型2D坐标系,则每个坐标可以映射到(n×n)个线性通道,并且每一代被赋予深度真值的标记有红色条的对应通道可以连接到被赋予与下一代相关的深度真值的知识层的值。通过以这种方式关联数个知识层,可以推断并形成知识上下文。
另外,参照图7,AI通过在存储器中按类别(知识类别1到知识类别n)组织和存储构成信息和知识上下文的主要信息来构建系统化知识。
例如,AI可以通过使用存储器将由深度真值或通过数代的连接的深度知识上下文构建的知识划分为知识类别来组织知识。
根据示例性实施例的AI反馈方法,通过输入数据和核心关键词构建基于输入1和输入2初始的坐标系,并且通过根据频率、优先级等为每个坐标值赋予相对排序值并将由AI发现的知识与2D坐标表中构建的坐标系和坐标值进行匹配和积累,从一开始就有效地积累知识。因此,在根据示例性实施例的AI反馈方法中,通过导出作为最终目的的深度真值得出最终结论的方法比现有技术的方法更有效,并且通过在概念上实施该方法,信息被处理和分析以帮助AI更有效地得出最终结论并且也可以用作基于AI知识架构的核心技术,从而可以提高效率。
也就是说,提供了一种有效地进行用于学习的直觉反馈的AI反馈方法。
在下文中,将参照图8至图10描述根据另一示例性实施例的AI反馈系统。根据另一示例性实施例的AI反馈系统可以执行根据上述示例性实施例的AI反馈方法,但不限于此。
图8是示出根据另一示例性实施例的AI反馈系统的图。
参照图8,根据另一示例性实施例的AI反馈系统包括脚本提取和执行器100、AI200、输出单元300和存储器400。
脚本提取和执行器100接收包括用于学习的基础材料的输入1和包括用于学习的核心内容的输入2,并且从输入1生成与输入2相关的信息的流行频率值或排序值的初始条件。
与脚本提取和执行器100连接的AI 200基于从初始条件导出的流行频率值或排序值作为两轴,以具有关键词和关键信息的矩阵的形式生成2D信息表,将流行频率值或排序值添加到2D信息表的对应坐标,并且将由AI获取的知识与对应坐标匹配。
AI 200生成2D伪线性变换表,在该2D伪线性变换表中,2D信息表的排序值被数字化并且从2D信息表中随机打开或关闭各个坐标,与2D信息表具有相同区域的2D伪线性变换表对2D信息表执行多次计算2D伪线性变换表的伪线性变换,以形成每个坐标都有特征向量的2D唯一特征表,并将2D唯一特征表的坐标中特征向量没有改变的坐标的信息导出作为深度真值,并且将2D唯一特征表变换为多代1D线性通道(深度真值映射到多代1D线性通道),并将变换后的1D线性通道存储在存储器400中,并组织通过按类别连接多代1D线性通道中的每一个的深度真值而形成的知识上下文,并将组织后的知识上下文存储在存储器400中。
输出单元300与AI 200连接,并且AI 200输出从2D信息表导出的深度真值。
储存库400与AI 200连接,并且按类别组织并且存储通过连接由AI 200导出的深度真值而形成的知识上下文。
图9和图10是示出根据另一示例性实施例的AI反馈系统的图。
参照图8和图9,显示了输入1和输入2,输入1是关于与要被作为AI的识别程序学习的初始输入对应的文档或图片的信息,输入2对应于首先要处理的优先关键词。对应于AI的识别程序与脚本提取和执行器交互,脚本提取和执行器提供与输入数据交互或检查输入数据的方法。脚本提取和执行器是一种系统语言,例如Perl脚本,其用于检索强大文档(powerful document)或输入文件的信息,并且被识别程序用来提取识别程序所需的数据并计算频率值。Perl脚本可以进行例如词提取、相邻词提取以及语句相似度的基本搜索和统计的功能。AI通过这种内置脚本语法的特殊窗口来收集分析数据并进行反馈,并且存储使特定信息可知的2D信息表或与2D坐标表的坐标匹配的学习结果。2D坐标表可以基于作为输入1和输入2所代表的信息坐标轴的坐标。此时,信息坐标轴可以根据计算的方便而变换为垂直线的形式。停止命令将AI应该学习多少次设定为初始条件。如果不给出特殊的初始条件,则作为识别程序的AI经过n次伪线性变换以获得矩阵的特征值和特征向量,就像获得特征向量表或特征表的值几乎不变的点,并学习直到其找到不需要反馈和计算的深度真值。如果没有停止命令的特殊输入,它就这样一直工作,而当给出停止命令时,用停止命令终止AI的学习和计算,并且将作为学习结果的深度真值输出到输出单元。在这种情况下,AI可以通过组织通过将深度真值连接成类别而形成的知识上下文并将它们存储在存储器中来构建系统化知识。
参照图10,其概念性地示出了相应的脚本提取、脚本执行、作为AI的识别程序是如何交互的。可以确认,作为AI的识别程序是一种通过操纵脚本语言来搜索和分析必要信息和词的结构。以这种方式,识别程序s使用脚本提取和执行器连续地将输入1和输入2反馈给自己,并创建2D信息表和2D表坐标系以使知识的权重以流行频率值或排序值的形式进行坐标分布,并在相同大小的坐标系中单独存储关于该坐标的特定文本信息以连续地存储与该坐标匹配的信息。上述所有信息都可以由AI存储在存储器中。
在下文中,参照图11将通过图片训练描述为使用AI反馈方法和AI系统进行学习的示例。
图11是示出使用AI反馈方法和AI系统通过图片进行训练的图像。
参照图11,通过图片训练可以是找出jpg文件的特征以导出深度真值以及找出全面的共性来生成图片的过程。
具体地,训练具有一定像素大小的jpg文件。
对于图片文件的特征,主要给轮廓赋予高流行频率值(一个类似变量的权重的概念),并给出其他不是特征的前提条件。
由于图片文件可以被视为一种文档,识别程序识别出图片文件中的每个像素的值,自行计算流行频率值,并且为对应的像素设定累积值。
一定时间之后,给出基于累积分布值的特征值,并且根据特征值的排序对排序值进行再排序。在这里,排序值起到类似于权重的作用。
各个像素可以在某个平面上进行匹配,即,与矩阵形表的各个坐标进行匹配,该矩阵形表具有该图片的信息值分布,通过这些值来制作具有相同维度的矩阵形表,在保持由识别程序创建的矩阵形表的每个像素的信息值的排序值原样不变的同时,创建随机表使得在每个表中的每个坐标显示或不显示排序值,并且表的作用就像矩阵的线性变换以找到深度真值。
当在脚本执行器中用各个随机表进行伪线性变换时,在每个变换后的表中生成表示深度真值的特征向量,其表现为类似于矩阵的特征值和特征向量。
当生成特征向量值时,可以根据该特征向量的特征值的大小进行排序,这起到在图片中强调代表该图片的特征的像素的作用,并且完成找出一种深度真值的过程。
完成的结果作为通过在所有学习的图片中找出一种共性来完成的标准图片。
在下文中,参照图12将通过文档训练描述为使用AI反馈方法和AI系统进行学习的另一示例。
图12是示出使用AI反馈方法和AI系统通过文档进行训练的图像。
12、通过文档训练可能是通过txt文档找出关联,创造深层真相的过程。
具体地,选择具有一定大小的文档以进行训练,在此情况下为txt文件。
在学习过程中,在input1中输入txt文件,在input2中输入关键词或感兴趣的事物。
利用输入2中建议的词或感兴趣的词,找出关键词和包含关键词的语句的流行频率分布并且根据频率给出特征值。
关键词与一个矩阵形表进行匹配以生成一层要学习的知识,并且频率分布对应哪些坐标与坐标值匹配。
在示例性实施例中,列出了大约7个关键词,并且考虑由3个字组合而形成类似于7×7矩阵的表,以生成以相关词为轴的坐标值(在坐标系中用数字表示)。
根据流行频率给每个坐标赋予排序值,在给每个坐标赋予排序值后,识别程序识别每个坐标的值,自行计算流行频率值,并且在坐标处设定累积值。
一定时间之后,给出基于累积分布值的特征值,并且根据特征值的排序对排序值进行再排序。在这里,排序值起到类似于权重的作用。
各个像素可以在某个平面上进行匹配,即,与矩阵形表的各个坐标匹配,该矩阵形表具有每个坐标的信息值分布,通过这些值来制作具有相同维度的矩阵形表,通过这些值来制作具有相同维度的矩阵形表,在保持针对由识别程序创建的矩阵形表的信息值的每个像素的排序值不变的同时,创建随机表使得在每个表中针对每个坐标显示或不显示排序值,表的作用就像矩阵的线性变换以找到深度真值。
一段时间之后,表中各个坐标的排序值保持不变,但生成了随机表示某个值的特征向量,其表现为类似于矩阵的特征值和特征向量。
当生成特征向量值时,可以根据特征向量值的大小进行排序,这强调在txt或文档中带有关键词的有意义的语句,并且完成通过组合或融合找出一种深度真值的过程。
完成的结果具有从学习的文档中得出一种全面结论的结果。
已经详细描述了本发明的示例性实施例,但是本发明的范围不限于此,并且本领域技术人员利用权利要求中定义的本发明的基本概念进行的各种变型和修改也属于本发明的范围。
[附图标记的说明]
脚本提取和执行器:100;AI:200;输出单元:300;存储器:400。
Claims (5)
1.一种人工智能反馈方法,即,AI反馈方法,所述AI反馈方法中的每个步骤由实现为计算装置的AI反馈系统执行,所述AI反馈方法包括:
向脚本提取和执行器提供包括用于学习的基础资料的输入1和包括用于学习的核心内容的输入2;
通过所述脚本提取和执行器从所述输入1向AI提供与所述输入2相关的信息的流行频率值或排序值的初始条件;
由所述AI基于从所述初始条件导出的所述流行频率值或所述排序值作为两轴,以具有关键词和关键信息的矩阵的形式生成二维信息表,即,2D信息表;
根据所述AI与所述脚本提取和执行器之间的交互,将所述流行频率值或所述排序值添加到所述2D信息表的对应坐标,并且将由所述AI获取的知识与所述对应坐标匹配;
由所述AI生成2D伪线性变换表,所述2D伪线性变换表中的所述2D信息表的所述排序值被数字化并且每个坐标从所述2D信息表中随机打开或关闭,所述2D伪线性变换表与所述2D信息表具有相同区域;
由所述AI对所述2D信息表执行多次伪线性变换来计算所述2D伪线性变换表,以形成每个坐标都具有特征向量的2D唯一特征表,并且在所述2D唯一特征表的所述坐标中导出特征向量没有改变的坐标的信息作为深度真值;以及
由所述AI将所述2D唯一特征表变换为多代1D线性通道,所述深度真值被映射到所述多代1D线性通道,将变换后的所述1D线性通道存储在存储器中,组织将所述多代1D线性通道中的每一个的所述深度真值按类别连接而形成的知识上下文,并将组织后的所述知识上下文存储在所述存储器中。
2.根据权利要求1所述的AI反馈方法,其中,
所述输入1包括多个图片文件,并且
所述输入2包括轮廓的强度。
3.根据权利要求1所述的AI反馈方法,其中,
所述输入1包括多个文档文件,并且
所述输入2包括设定词。
4.一种人工智能反馈系统,即,AI反馈系统,包括:
脚本提取和执行器,接收包括用于学习的基础资料的输入1和包括用于学习的核心内容的输入2,并且从所述输入1生成与所述输入2相关的信息的流行频率值或排序值的初始条件;
AI,与所述脚本提取和执行器连接,所述AI基于从所述初始条件导出的所述流行频率值或所述排序值作为两轴,以具有关键词和关键信息的矩阵的形式生成二维信息表,即,2D信息表,将所述流行频率值或所述排序值添加到所述2D信息表的对应坐标,并且将由所述AI获取的知识与所述对应坐标匹配;
输出单元,与所述AI连接并且输出由所述AI从所述2D信息表中导出的深度真值;以及
存储器,与所述AI连接并且组织和存储通过按类别将由所述AI导出的所述深度真值连接而形成的知识上下文。
5.根据权利要求4所述的人工智能反馈系统,其中,
所述AI生成2D伪线性变换表,所述2D伪线性变换表中的所述2D信息表的所述排序值被数字化并且每个坐标从所述2D信息表中随机打开或关闭,所述2D伪线性变换表与所述2D信息表具有相同区域,
对所述2D信息表执行多次伪线性变换来计算所述2D伪线性变换表,以形成每个坐标都具有特征向量的2D唯一特征表,并且在所述2D唯一特征表的所述坐标中导出特征向量没有改变的坐标的信息作为深度真值,并且
将所述2D唯一特征表变换为多代1D线性通道,所述深度真值被映射到所述多代1D线性通道,将变换后的所述1D线性通道存储在存储器中,组织将所述多代1D线性通道中的每一个的所述深度真值按类别连接而形成的知识上下文,并将组织后的所述知识上下文存储在所述存储器中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2020-0101337 | 2020-08-12 | ||
KR1020200101337A KR102335115B1 (ko) | 2020-08-12 | 2020-08-12 | 인공 지능 피드백 방법 및 인공 지능 피드백 시스템 |
PCT/KR2021/010175 WO2022035116A1 (ko) | 2020-08-12 | 2021-08-03 | 인공 지능 피드백 방법 및 인공 지능 피드백 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116097286A true CN116097286A (zh) | 2023-05-09 |
Family
ID=78866963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180055977.1A Pending CN116097286A (zh) | 2020-08-12 | 2021-08-03 | 人工智能反馈方法和人工智能反馈系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230306278A1 (zh) |
EP (1) | EP4198843A1 (zh) |
KR (1) | KR102335115B1 (zh) |
CN (1) | CN116097286A (zh) |
WO (1) | WO2022035116A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102510493B1 (ko) * | 2021-07-19 | 2023-03-14 | 한국수력원자력 주식회사 | 인공 지능 피드백 시스템 및 방법 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0887508A (ja) * | 1994-09-14 | 1996-04-02 | Olympus Optical Co Ltd | 情報検索装置 |
JP2013206408A (ja) * | 2012-03-29 | 2013-10-07 | Sumitomo Heavy Ind Ltd | フィードバック制御器設計装置、フィードバック制御装置、及びフィードバック制御器設計方法 |
JP2013254396A (ja) * | 2012-06-07 | 2013-12-19 | Sumitomo Heavy Ind Ltd | フィードバック制御器設計装置、及びフィードバック制御器設計方法 |
US9972092B2 (en) * | 2016-03-31 | 2018-05-15 | Adobe Systems Incorporated | Utilizing deep learning for boundary-aware image segmentation |
KR101938212B1 (ko) * | 2018-05-29 | 2019-01-15 | 전남대학교산학협력단 | 의미와 문맥을 고려한 주제기반 문서 자동 분류 시스템 |
-
2020
- 2020-08-12 KR KR1020200101337A patent/KR102335115B1/ko active IP Right Grant
-
2021
- 2021-08-03 US US18/019,119 patent/US20230306278A1/en active Pending
- 2021-08-03 CN CN202180055977.1A patent/CN116097286A/zh active Pending
- 2021-08-03 WO PCT/KR2021/010175 patent/WO2022035116A1/ko unknown
- 2021-08-03 EP EP21856122.3A patent/EP4198843A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
KR102335115B1 (ko) | 2021-12-02 |
EP4198843A1 (en) | 2023-06-21 |
US20230306278A1 (en) | 2023-09-28 |
WO2022035116A1 (ko) | 2022-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401375B (zh) | 文本识别模型训练方法、文本识别方法、装置及设备 | |
Santa Cruz et al. | Visual permutation learning | |
Jiu et al. | Deep kernel map networks for image annotation | |
CN113886626B (zh) | 基于多重注意力机制的动态记忆网络模型的视觉问答方法 | |
CN111985243A (zh) | 情感模型的训练方法、情感分析方法、装置及存储介质 | |
CN116097286A (zh) | 人工智能反馈方法和人工智能反馈系统 | |
WO2022063076A1 (zh) | 对抗样本的识别方法及装置 | |
Xing et al. | Few-shot single-view 3d reconstruction with memory prior contrastive network | |
US20230316130A1 (en) | Artificial intelligence feedback method and artificial intelligence feedback system | |
Chattopadhyay et al. | Automatic selection of binarization method for robust OCR | |
CN111950592B (zh) | 一种基于监督最小二乘多类核典型相关分析的多模态情感特征融合方法 | |
US6334129B1 (en) | Data processing apparatus and method | |
CN114995729A (zh) | 一种语音绘图方法、装置及计算机设备 | |
JP5020513B2 (ja) | パターン認識装置、パターン認識方法、パターン認識プログラム、および記録媒体 | |
EP4375891A1 (en) | Artificial intelligence feedback system and method | |
Ferano et al. | Stacking ensemble learning for optical music recognition | |
EP3855363A1 (en) | Computer implemented method and device for classifying data | |
US20240054361A1 (en) | Processing-condition search device, non-transitory computer-readable medium, and processing-condition search method | |
WO2022168208A1 (ja) | 情報処理装置、変換パターンの決定方法、名寄せ方法、学習方法、変換パターン決定プログラム、名寄せプログラム、および学習プログラム | |
WO2024034196A1 (ja) | 学習済モデル選択方法、学習済モデル選択装置および学習済モデル選択プログラム | |
JP2018147262A (ja) | 画像特徴量及びそれを用いる三次元形状検索システム | |
JP2009037640A (ja) | パターン認識装置および特徴抽出パラメータの生成方法 | |
Umarhayat et al. | Automation of College Work using Artificial Intelligence | |
Ani et al. | Doodle2Clothing: a clothing design recognition and searching model from a doodle drawing | |
Cuevas | Covariance Matrix Adaptation Evolution Strategy for Convolutional Neural Network in Text Classification |
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 |