CN117093840A - 一种评价结果确定方法、装置、设备和存储介质 - Google Patents

一种评价结果确定方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN117093840A
CN117093840A CN202311097100.6A CN202311097100A CN117093840A CN 117093840 A CN117093840 A CN 117093840A CN 202311097100 A CN202311097100 A CN 202311097100A CN 117093840 A CN117093840 A CN 117093840A
Authority
CN
China
Prior art keywords
data
determining
data set
evaluation result
preset number
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
Application number
CN202311097100.6A
Other languages
English (en)
Inventor
王炳坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
De Rucci Healthy Sleep Co Ltd
Original Assignee
De Rucci Healthy Sleep Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by De Rucci Healthy Sleep Co Ltd filed Critical De Rucci Healthy Sleep Co Ltd
Priority to CN202311097100.6A priority Critical patent/CN117093840A/zh
Publication of CN117093840A publication Critical patent/CN117093840A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种评价结果确定方法、装置、设备和存储介质。该方法包括：获取第一预设数量的真实数据和第二预设数量的AI生成数据，其中，所述生成数据为根据所述真实数据生成，所述生成数据为时间序列数据；根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和测试数据集合；根据所述训练数据集合和所述测试数据集合确定AI生成数据对应的评价结果。通过本发明的技术方案，能够实现有效判断AI生成内容的有效性和真实性，从而帮助相关从业者和研究人员进一步改善AI模型的性能，促进生成模型的改进和发展。

Description

一种评价结果确定方法、装置、设备和存储介质
技术领域
本发明实施例涉及人工智能技术领域，尤其涉及一种评价结果确定方法、装置、设备和存储介质。
背景技术
随着ChatGPT文本生成模型、Stable Diffusion图片生成模型等各类生成模型的提出，AI内容生成(AI Generated Content，AIGC)是目前非常热门的一个领域，包括图像、语音、文本以及时间序列等各种不同类型的数据的生成，它对各行各业都带来了巨大的冲击和影响。对于图片、语音、文本等类型的生成数据，人们很容易在与AI生成内容的交互过程中直观的体会到生成的内容的质量以及真实性，对这些类型的数据质量的判断往往是直观有效的。然而，对于其他类型的数据，如时间序列数据，这类数据虽然在我们的生产生活中占据着十分重要的地位，但是不具备相关知识背景的人很难判断出生成的时间序列数据的真实性，这使得模型以及生成数据的质量评价变得困难。并且，对于时间序列生成的任务，目前并没有一个统一接收的生成数据质量评价的指标，因此很难判断生成的时间序列数据的真实性。
发明内容
本发明实施例提供一种评价结果确定方法、装置、设备和存储介质，以实现能够有效判断AI生成内容的有效性和真实性，从而帮助相关从业者和研究人员进一步改善AI模型的性能，促进生成模型的改进和发展。
根据本发明的一方面，提供了一种评价结果确定方法，包括：
获取第一预设数量的真实数据和第二预设数量的AI生成数据，其中，所述生成数据为根据所述真实数据生成，所述生成数据为时间序列数据；
根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和测试数据集合；
根据所述训练数据集合和所述测试数据集合确定AI生成数据对应的评价结果。
在一些实施例中，根据所述训练数据集合和所述测试数据集合确定AI生成数据对应的评价结果，包括：
将所述训练数据集合中的数据和所述测试数据集合中的数据分别输入目标分类器，分别得到所述训练数据集合对应的第一结果和所述测试数据集合对应的第二结果；
根据所述第一结果和所述第二结果确定合AI生成数据对应的评价结果。
在一些实施例中，根据所述第一结果和所述第二结果确定合AI生成数据对应的评价结果，包括：
根据所述第一结果和所述第二结果确定所述第一结果和所述第二结果之间的目标相似度；
根据所述目标相似度和预设相似度阈值确定AI生成数据对应的评价结果。
在一些实施例中，所述第一预设数量为3N/2，所述第二预设数量为N/2，其中，N为大于或者等于2的正偶数；
根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和测试数据集合，包括：
将数量为N/2的真实数据和数量为N/2的AI生成数据确定为训练数据集合；
将数量为N的真实数据确定为测试数据集合。
在一些实施例中，所述第一预设数量为2K，所述第二预设数量为K，其中，K为大于或者等于1的正整数；
根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和测试数据集合，包括：
将数量为K的真实数据和数量为K的AI生成数据确定为训练数据集合；
将数量为K的真实数据确定为测试数据集合。
在一些实施例中，所述第一预设数量为2W，所述第二预设数量为M，其中，W为大于或者等于0的正整数；
根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和测试数据集合，包括：
将数量为W的真实数据和数量为M的AI生成数据确定为训练数据集合；
将数量为W的真实数据确定为测试数据集合。
在一些实施例中，所述第一预设数量为X，所述第二预设数量为Y，其中，X为大于或者等于0且小于或者等于T的正整数，Y为大于或者等于0且小于或者等于T的正整数，X+Y＝T，T为大于或者等于1的正整数；
根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和测试数据集合，包括：
将数量为X的真实数据和数量为Y的AI生成数据确定为训练数据集合；
将数量为T的真实数据确定为测试数据集合。
根据本发明的另一方面，提供了一种评价结果确定装置，该装置包括：
获取模块，用于获取第一预设数量的真实数据和第二预设数量的AI生成数据，其中，所述生成数据为根据所述真实数据生成，所述生成数据为时间序列数据；
第一确定模块，用于根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和评价结果确定数据集合；
第二确定模块，用于根据所述训练数据集合和所述评价结果确定数据集合确定AI生成数据对应的评价结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的评价结果确定方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的评价结果确定方法。
本发明实施例通过获取第一预设数量的真实数据和第二预设数量的AI生成数据，其中，生成数据为根据真实数据生成，生成数据为时间序列数据，根据第一预设数量的真实数据和第二预设数量的AI生成数据确定训练数据集合和测试数据集合，根据训练数据集合和测试数据集合确定AI生成数据对应的评价结果。通过本发明的技术方案，能够实现有效判断AI生成内容的有效性和真实性，从而帮助相关从业者和研究人员进一步改善AI模型的性能，促进生成模型的改进和发展。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中的一种评价结果确定方法的流程图；
图2是本发明实施例中的一种评价结果确定装置的结构示意图；
图3是实现本发明实施例的评价结果确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例中的一种评价结果确定方法的流程图，本实施例可适用于评价结果确定的情况，该方法可以由本发明实施例中的评价结果确定装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S101、获取第一预设数量的真实数据和第二预设数量的AI生成数据。
其中，生成数据为根据真实数据生成，生成数据为时间序列数据。
在本实施例中，真实数据例如可以是心电图数据、或者声音数据等真实采集到的数据，AI生成数据例如可以是根据真实数据生成的时间序列数据，具体的根据真实数据生成AI生成数据的过程及方法本实施例不进行限定，例如可以是将真实数据输入生成器中生成。
其中，第一预设数量和第二预设数量可以是由用户根据实际情况预先设置的数量。
具体的，采集第一预设数量的真实数据，获取第二预设数量的根据真实数据生成的AI生成数据。
S102、根据第一预设数量的真实数据和第二预设数量的AI生成数据确定训练数据集合和测试数据集合。
需要说明的是，训练数据集合可以是用于对目标分类器进行训练的数据集合，测试数据集合可以是用于对训练过后的目标分类器进行性能测试的数据集合。
具体的，将获取到的第一预设数量的真实数据和第二预设数量的AI生成数据进行组合，确定出训练数据集合，用于对目标分类器进行训练，确定出测试数据集合，用于对训练过后的目标分类器进行性能测试，测试训练过后的目标分类器的性能，以此来评价添加AI生成数据对真实分类任务的帮助以及AI生成数据的真实性。
S103、根据训练数据集合和测试数据集合确定AI生成数据对应的评价结果。
在本实施例中，评价结果可以是评价AI生成数据的真实性和有效性的结果。
具体的，根据训练数据集合和测试数据集合进行多组实验，验证AI生成数据的质量，即验证AI生成数据的真实性和有效性，进而确定AI生成数据对应的评价结果。
本发明实施例通过获取第一预设数量的真实数据和第二预设数量的AI生成数据，其中，生成数据为根据真实数据生成，生成数据为时间序列数据，根据第一预设数量的真实数据和第二预设数量的AI生成数据确定训练数据集合和测试数据集合，根据训练数据集合和测试数据集合确定AI生成数据对应的评价结果。通过本发明的技术方案，能够实现有效判断AI生成内容的有效性和真实性，从而帮助相关从业者和研究人员进一步改善AI模型的性能，促进生成模型的改进和发展。
可选的，根据训练数据集合和测试数据集合确定AI生成数据对应的评价结果，包括：
将训练数据集合中的数据和测试数据集合中的数据分别输入目标分类器，分别得到训练数据集合对应的第一结果和测试数据集合对应的第二结果。
在本实施例中，目标分类器可以是用于对训练数据集合中的数据和测试数据集合中的数据进行分类的分类器。示例性的，目标分类器例如可以是二分类器，也可以是四分类器，本实施例对此不进行限定，优选的，本实施例选用二分类器为例进行说明。
其中，第一结果可以是将训练数据集合中的数据输入目标分类器后，得到的分类结果，示例性的，第一结果例如可以是目标分类器将训练数据集合中的真实数据和AI生成数据分别进行分类的结果；第二结果可以是将测试数据集合中的数据输入目标分类器后，得到的分类结果，示例性的，第一结果例如可以是目标分类器将测试数据集合中的真实数据进行分类的结果。
具体的，将训练数据集合中的数据和测试数据集合中的数据分别输入目标分类器，分别得到训练数据集合对应的第一分类结果和测试数据集合对应的第二分类结果。
根据第一结果和第二结果确定合AI生成数据对应的评价结果。
具体的，比较第一结果和第二结果之间的相似性，以此来验证AI生成数据的质量，即验证AI生成数据的真实性和有效性，进而确定AI生成数据对应的评价结果。
可选的，根据第一结果和第二结果确定合AI生成数据对应的评价结果，包括：
根据第一结果和第二结果确定第一结果和第二结果之间的目标相似度。
其中，目标相似度可以是第一结果和第二结果之间的相似度。
具体的，将训练数据集合中的数据和测试数据集合中的数据分别输入目标分类器，分别得到训练数据集合对应的第一结果和测试数据集合对应的第二结果后，将第一结果和第二结果进行对比，得到第一结果和第二结果之间的目标相似度。
根据目标相似度和预设相似度阈值确定AI生成数据对应的评价结果。
其中，预设相似度阈值可以是由用户根据实际情况预先设置的阈值，本实施例对预设相似度阈值的具体数值不进行限定。
具体的，将第一结果和第二结果之间的目标相似度和预设相似度阈值进行比较，进而确定AI生成数据对应的评价结果。示例性的，若目标相似度大于或者等于预设相似度阈值，则可以说明AI生成数据质量好，比较真实有效；若目标相似度小于预设相似度阈值，则可以说明AI生成数据质量不好，真实有效性差。
可选的，第一预设数量为3N/2，第二预设数量为N/2，其中，N为大于或者等于2的正偶数。
根据第一预设数量的真实数据和第二预设数量的AI生成数据确定训练数据集合和测试数据集合，包括：
将数量为N/2的真实数据和数量为N/2的AI生成数据确定为训练数据集合。
将数量为N的真实数据确定为测试数据集合。
在实现过程中，可以保证训练数据集合中的数据和测试数据集合中的数据数据总量相同，将数量为N的真实数据作为测试数据集合，分别采用数量为N/2的真实数据和N/2的AI生成数据的组合作为训练数据集合，以此来探究AI生成数据是否可以完全地取代真实数据。
可选的，第一预设数量为2K，第二预设数量为K，其中，K为大于或者等于1的正整数。
根据第一预设数量的真实数据和第二预设数量的AI生成数据确定训练数据集合和测试数据集合，包括：
将数量为K的真实数据和数量为K的AI生成数据确定为训练数据集合。
将数量为K的真实数据确定为测试数据集合。
在实现过程中，可以保证训练数据集合中的真实数据和测试数据集合中的真实数据的总量相同，将数量为K的真实数据作为测试数据集合，将数量为K的真实数据和数量为K的AI生成数据的组合作为训练数据集合，以此来探究在真实数据的基础上添加一定量的AI生成数据是否对真实任务有帮助。
可选的，第一预设数量为2W，第二预设数量为M，其中，W为大于或者等于0的正整数。
根据第一预设数量的真实数据和第二预设数量的AI生成数据确定训练数据集合和测试数据集合，包括：
将数量为W的真实数据和数量为M的AI生成数据确定为训练数据集合。
将数量为W的真实数据确定为测试数据集合。
在实现过程中，可以固定训练数据集合中的真实数据的量不变，从0开始不断添加AI生成数据，以此来验证添加多少数量的AI生成数据对真实分类任务有帮助。值得一提的是，针对不同的数据集合以及不同的真实任务，添加的对任务有帮助的AI生成数据的量是不同的，这个需要具体问题具体分析。
可选的，第一预设数量为X，第二预设数量为Y，其中，X为大于或者等于0且小于或者等于T的正整数，Y为大于或者等于0且小于或者等于T的正整数，X+Y＝T，T为大于或者等于1的正整数。
根据第一预设数量的真实数据和第二预设数量的AI生成数据确定训练数据集合和测试数据集合，包括：
将数量为X的真实数据和数量为Y的AI生成数据确定为训练数据集合。
将数量为T的真实数据确定为测试数据集合。
在实现过程中，可以保证训练数据集合中数据总量相同，改变真实数据和AI生成数据的比例，以此来验证AI生成数据的质量以及与真实数据之间的差距。
本发明实施例的技术方案，采用了一个二分类任务来验证AI生成数据的真实性和有效性，该方法通过将AI生成数据应用到真实任务场景中，来评价生成数据的质量，具体来说，在该任务中，采用了固定数量的真实数据作为测试集，用来衡量分类器的性能，采用了不同数量和不同比例的真实数据和AI生成数据来进行多组实验，验证AI生成数据的质量。本发明实施例的技术方案，通过设置合理的、不同的真实任务场景，在这些场景中改变真实数据和AI生成数据的数量以及比例，多方面地探究了AI生成数据的真实性和有效性，是一种针对不同数据类型的通用的衡量AI生成内容的质量的方法，能够帮助AI生成模型的横向对比和改进提高。值得注意的是，本发明实施例的技术方案可以针对语音、文本、图片、时间序列等多种类型的数据以及各种不同的模型，是一种通用的解决方案，通过这样的方法设计，可以成功解决AI生成内容(尤其是某些很难直观判断质量和真实性的数据类型)的有效性的判断。
实施例二
图2是本发明实施例中的一种评价结果确定装置的结构示意图。本实施例可适用于评价结果确定的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供评价结果确定的功能的设备中，如图2所示，所述评价结果确定装置具体包括：获取模块201、第一确定模块202和第二确定模块203。
其中，获取模块201，用于获取第一预设数量的真实数据和第二预设数量的AI生成数据，其中，所述生成数据为根据所述真实数据生成，所述生成数据为时间序列数据；
第一确定模块202，用于根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和评价结果确定数据集合；
第二确定模块203，用于根据所述训练数据集合和所述评价结果确定数据集合确定AI生成数据对应的评价结果。
可选的，所述第二确定模块203包括：
输入单元，用于将所述训练数据集合中的数据和所述测试数据集合中的数据分别输入目标分类器，分别得到所述训练数据集合对应的第一结果和所述测试数据集合对应的第二结果；
第一确定单元，用于根据所述第一结果和所述第二结果确定合AI生成数据对应的评价结果。
可选的，所述第一确定单元具体用于：
根据所述第一结果和所述第二结果确定所述第一结果和所述第二结果之间的目标相似度；
根据所述目标相似度和预设相似度阈值确定AI生成数据对应的评价结果。
可选的，所述第一预设数量为3N/2，所述第二预设数量为N/2，其中，N为大于或者等于2的正偶数；
所述第一确定模块202包括：
第二确定单元，用于将数量为N/2的真实数据和数量为N/2的AI生成数据确定为训练数据集合；
第三确定单元，用于将数量为N的真实数据确定为测试数据集合。
可选的，所述第一预设数量为2K，所述第二预设数量为K，其中，K为大于或者等于1的正整数；
所述第一确定模块202包括：
第四确定单元，用于将数量为K的真实数据和数量为K的AI生成数据确定为训练数据集合；
第五确定单元，用于将数量为K的真实数据确定为测试数据集合。
可选的，所述第一预设数量为2W，所述第二预设数量为M，其中，W为大于或者等于0的正整数；
所述第一确定模块202包括：
第六确定单元，用于将数量为W的真实数据和数量为M的AI生成数据确定为训练数据集合；
第七确定单元，用于将数量为W的真实数据确定为测试数据集合。
可选的，所述第一预设数量为X，所述第二预设数量为Y，其中，X为大于或者等于0且小于或者等于T的正整数，Y为大于或者等于0且小于或者等于T的正整数，X+Y＝T，T为大于或者等于1的正整数；
所述第一确定模块202包括：
第八确定单元，用于将数量为X的真实数据和数量为Y的AI生成数据确定为训练数据集合；
第九确定单元，用于将数量为T的真实数据确定为测试数据集合。
上述产品可执行本发明任意实施例所提供的评价结果确定方法，具备执行评价结果确定方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备30的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示，电子设备30包括至少一个处理器31，以及与至少一个处理器31通信连接的存储器，如只读存储器(ROM)32、随机访问存储器(RAM)33等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器31可以根据存储在只读存储器(ROM)32中的计算机程序或者从存储单元38加载到随机访问存储器(RAM)33中的计算机程序，来执行各种适当的动作和处理。在RAM 33中，还可存储电子设备30操作所需的各种程序和数据。处理器31、ROM 32以及RAM 33通过总线34彼此相连。输入/输出(I/O)接口35也连接至总线34。
电子设备30中的多个部件连接至I/O接口35，包括：输入单元36，例如键盘、鼠标等；输出单元37，例如各种类型的显示器、扬声器等；存储单元38，例如磁盘、光盘等；以及通信单元39，例如网卡、调制解调器、无线通信收发机等。通信单元39允许电子设备30通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器31可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器31的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器31执行上文所描述的各个方法和处理，例如评价结果确定方法：
获取第一预设数量的真实数据和第二预设数量的AI生成数据，其中，所述生成数据为根据所述真实数据生成，所述生成数据为时间序列数据；
根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和测试数据集合；
根据所述训练数据集合和所述测试数据集合确定AI生成数据对应的评价结果。
在一些实施例中，评价结果确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元38。在一些实施例中，计算机程序的部分或者全部可以经由ROM 32和/或通信单元39而被载入和/或安装到电子设备30上。当计算机程序加载到RAM 33并由处理器31执行时，可以执行上文描述的评价结果确定方法的一个或多个步骤。备选地，在其他实施例中，处理器31可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行评价结果确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种评价结果确定方法，其特征在于，包括：
获取第一预设数量的真实数据和第二预设数量的AI生成数据，其中，所述生成数据为根据所述真实数据生成，所述生成数据为时间序列数据；
根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和评价结果确定数据集合；
根据所述训练数据集合和所述评价结果确定数据集合确定AI生成数据对应的评价结果。
2.根据权利要求1所述的方法，其特征在于，根据所述训练数据集合和所述评价结果确定数据集合确定AI生成数据对应的评价结果，包括：
将所述训练数据集合中的数据和所述评价结果确定数据集合中的数据分别输入目标分类器，分别得到所述训练数据集合对应的第一结果和所述评价结果确定数据集合对应的第二结果；
根据所述第一结果和所述第二结果确定合AI生成数据对应的评价结果。
3.根据权利要求2所述的方法，其特征在于，根据所述第一结果和所述第二结果确定合AI生成数据对应的评价结果，包括：
根据所述第一结果和所述第二结果确定所述第一结果和所述第二结果之间的目标相似度；
根据所述目标相似度和预设相似度阈值确定AI生成数据对应的评价结果。
4.根据权利要求1所述的方法，其特征在于，所述第一预设数量为3N/2，所述第二预设数量为N/2，其中，N为大于或者等于2的正偶数；
根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和评价结果确定数据集合，包括：
将数量为N/2的真实数据和数量为N/2的AI生成数据确定为训练数据集合；
将数量为N的真实数据确定为评价结果确定数据集合。
5.根据权利要求1所述的方法，其特征在于，所述第一预设数量为2K，所述第二预设数量为K，其中，K为大于或者等于1的正整数；
根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和评价结果确定数据集合，包括：
将数量为K的真实数据和数量为K的AI生成数据确定为训练数据集合；
将数量为K的真实数据确定为评价结果确定数据集合。
6.根据权利要求1所述的方法，其特征在于，所述第一预设数量为2W，所述第二预设数量为M，其中，W为大于或者等于0的正整数；
根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和评价结果确定数据集合，包括：
将数量为W的真实数据和数量为M的AI生成数据确定为训练数据集合；
将数量为W的真实数据确定为评价结果确定数据集合。
7.根据权利要求1所述的方法，其特征在于，所述第一预设数量为X，所述第二预设数量为Y，其中，X为大于或者等于0且小于或者等于T的正整数，Y为大于或者等于0且小于或者等于T的正整数，X+Y＝T，T为大于或者等于1的正整数；
根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和评价结果确定数据集合，包括：
将数量为X的真实数据和数量为Y的AI生成数据确定为训练数据集合；
将数量为T的真实数据确定为评价结果确定数据集合。
8.一种评价结果确定装置，其特征在于，包括：
获取模块，用于获取第一预设数量的真实数据和第二预设数量的AI生成数据，其中，所述生成数据为根据所述真实数据生成，所述生成数据为时间序列数据；
第一确定模块，用于根据所述第一预设数量的真实数据和所述第二预设数量的AI生成数据确定训练数据集合和评价结果确定数据集合；
第二确定模块，用于根据所述训练数据集合和所述评价结果确定数据集合确定AI生成数据对应的评价结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的评价结果确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的评价结果确定方法。
CN202311097100.6A 2023-08-28 2023-08-28 一种评价结果确定方法、装置、设备和存储介质 Pending CN117093840A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311097100.6A CN117093840A (zh) 2023-08-28 2023-08-28 一种评价结果确定方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311097100.6A CN117093840A (zh) 2023-08-28 2023-08-28 一种评价结果确定方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN117093840A true CN117093840A (zh) 2023-11-21

Family

ID=88771534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311097100.6A Pending CN117093840A (zh) 2023-08-28 2023-08-28 一种评价结果确定方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN117093840A (zh)

Similar Documents

Publication Publication Date Title
CN113360711B (zh) 视频理解任务的模型训练和执行方法、装置、设备及介质
CN113378835B (zh) 标注模型训练、样本标注方法及相关装置
CN114267375B (zh) 音素检测方法及装置、训练方法及装置、设备和介质
CN117749676A (zh) 工控协议的逆向解析和漏洞测试方法、装置、设备及介质
CN113792876B (zh) 骨干网络的生成方法、装置、设备以及存储介质
CN113033373B (zh) 用于训练人脸识别模型及识别人脸的方法及相关装置
CN117994021A (zh) 一种资产核销方式的辅助配置方法、装置、设备及介质
CN112784102B (zh) 视频检索方法、装置和电子设备
CN118210670A (zh) 日志异常检测方法、装置、电子设备及存储介质
CN116340831B (zh) 一种信息分类方法、装置、电子设备及存储介质
CN117056728A (zh) 一种时间序列生成方法、装置、设备和存储介质
CN115147547B (zh) 人体重建方法和装置
CN114141236B (zh) 语言模型更新方法、装置、电子设备及存储介质
CN117093840A (zh) 一种评价结果确定方法、装置、设备和存储介质
CN111859985B (zh) Ai客服模型测试方法、装置、电子设备及存储介质
CN114297380A (zh) 一种数据处理方法、装置、设备及存储介质
CN117115568B (zh) 数据筛选方法、装置、设备及存储介质
CN113360798B (zh) 泛滥数据识别方法、装置、设备和介质
CN113190779B (zh) 网页评估方法和装置
CN115361308B (zh) 一种工控网络数据风险确定方法、装置、设备及存储介质
CN113391989B (zh) 程序评估方法、装置、设备、介质及程序产品
CN113836291B (zh) 数据处理方法、装置、设备和存储介质
CN116628167B (zh) 一种响应确定方法、装置、电子设备及存储介质
CN116340864B (zh) 一种模型漂移检测方法、装置、设备及其存储介质
CN113360602B (zh) 用于输出信息的方法、装置、设备以及存储介质

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