JP2019200551A - データから潜在因子を発見するニューラルネットワーク - Google Patents
データから潜在因子を発見するニューラルネットワーク Download PDFInfo
- Publication number
- JP2019200551A JP2019200551A JP2018094146A JP2018094146A JP2019200551A JP 2019200551 A JP2019200551 A JP 2019200551A JP 2018094146 A JP2018094146 A JP 2018094146A JP 2018094146 A JP2018094146 A JP 2018094146A JP 2019200551 A JP2019200551 A JP 2019200551A
- Authority
- JP
- Japan
- Prior art keywords
- data
- latent
- model
- codes
- input data
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Nonlinear Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
- Machine Translation (AREA)
Abstract
Description
M100 入力データのセット
M200 ノイズ
M300 ノイズデータのセット
M400 エンコーダモデル
M500 事前確率的レイヤ
M600 非線形確率活性化部のセット
M700 潜在コードのセット
M800 デコーダモデル
M900 再構築データのセット
M1100 フィードバック手法
Claims (15)
- ニューラルネットワーク環境において潜在因子をデータから発見する方法であって、
入力データのセットに対してノイズをデータノイズ部によって付加する工程と、
前記入力データのセットに基づいて、潜在コードのセットをエンコーダモデル及び非線形確率活性化部のセットによって計算する工程と、
前記潜在コードのセットをデコーダモデルによって複合することで、再構築データのセットを取得する工程と、
を含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
前記入力データのセットと、前記入力データのセットに対応し、エンコーダネットワークによって計算された前記潜在コードのセットとを用いて、分類モデルの訓練を行う工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
前記ニューラルネットワークに対して損失関数を適用し、コード損失値を取得する工程と、
前記再構築データのセットから、前記再構築データのセットの、前記入力データのセットに対する類似性を示す再構築損失値を計算する工程と、
前記再構築損失値及び前記コード損失値を用いて、総損失値を算出する工程と、
前記総損失値を低減するためのフィードバック手法を前記ニューラルネットワークに対して実行する工程と、
を更に含む潜在因子発見方法。 - 請求項3に記載の潜在因子発見方法において、
所定のコードのセットをコード変換モデルに提供する工程と、
前記再構築データのセットを、複数の所望の特徴属性を分類するように構成された分類モデルに提供する工程と、
前記分類モデルから取得した前記総損失値を用いて、前記分類モデルの訓練を行う工程と、
前記デコーダモデルに提供されると、所望の属性を生成するように構成された属性コードのセットを前記コード変換モデルによって生成する工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
誤分類されたデータサンプルのセットを第1の分類モデルから受信する工程と、
前記誤分類されたデータサンプルのセットに対応する潜在コードのセットを前記エンコーダモデルによって計算する工程と、
前記誤分類されたデータサンプルに対応する潜在コードのセットに基づいて、データサンプルのセットを前記デコーダモデルによって生成する工程と、
前記誤分類されたデータサンプルのセットに対応する潜在コードに基づいて生成された前記データサンプルのセットを用いて、機械学習手法を第2分類モデルに対して実行する工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
暗号データのセットを用いて、分類モデルに対して機械学習手法を実行する工程と、
非暗号データのセットに対応する第2潜在コードのセットを、前記エンコーダモデルによって計算する工程と、
前記暗号データのセットを用いて機械学習手法を実行し、前記非暗号データのセットに対応する前記第2潜在コードのセットを計算した後、前記非暗号データのセット及び前記第2潜在コードのセットを用いて、前記分類モデルに対して微調整手法を実行する工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
ノイズデータのセットを前記ニューラルネットワークによって受信する工程と、
前記ノイズデータのセットに基づいて、第2潜在コードのセットを前記エンコーダモデル及び前記非線形確率活性化部のセットによって計算する工程と、
前記第2潜在コードのセットを前記デコーダモデルによって複合することで、ノイズ除去データのセットを取得する工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
第2入力データのセットを受信する工程と、
前記第2入力データのセットに基づいて、第2潜在コードのセットをエンコーダモデル及び前記非線形確率活性化部のセットによって計算する工程と、
前記第2入力データのセットに基づいて計算された前記第2潜在コードのセットに対応するラベルのセットを前記第2入力データのセットに割り当てる工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
前記入力データのセットに基づいた前記潜在コードのセットをクライアント端末に送信する工程と、
前記デコーダモデルを用いて、前記クライアント端末によって前記入力データのセットを前記潜在コードのセットから再構築する工程と、
を更に含む潜在因子発見方法。 - 請求項1に記載の潜在因子発見方法において、
第1データのセットに対応する第1潜在コードのセットを受信する工程と、
第2データのセットに対応する第2潜在コードのセットを受信する工程と、
前記第1潜在コードのセットを前記第2潜在コードのセットに比較することで、前記第1データのセットが前記第2データのセットに対する類似性閾値を達成するか否かを判定する工程と、
前記第1データのセットが、前記第2データのセットに対する類似性閾値を達成すると判定した場合、前記第1データのセットと前記第2データのセットとを統合し、結合データのセットを生成する工程と、
を更に含む潜在因子発見方法。 - ニューラルネットワーク環境において潜在因子をデータから発見する装置であって、
前記装置は、
コンピュータ可読のコンピュータ命令のセットを有するメモリと、
前記コンピュータ可読の命令を実行するプロセッサと、
を備え、
前記コンピュータ可読の命令は、
入力データのセットに対してノイズをデータノイズ部によって付加する工程と、
前記入力データのセットに基づいて、潜在コードのセットをエンコーダモデル及び非線形確率活性化部のセットによって計算する工程と、
前記潜在コードのセットをデコーダモデルによって複合することで、再構築データのセットを取得する工程と、
を含む潜在因子発見装置。 - 請求項11に記載の潜在因子発見装置において、
前記コンピュータ可読の命令は、
前記入力データのセットと、前記入力データのセットに対応し、エンコーダネットワークによって計算された前記潜在コードのセットとを用いて、分類モデルの訓練を行う工程と、
を更に含む潜在因子発見装置。 - 請求項11に記載の潜在因子発見装置において、
前記コンピュータ可読の命令は、
前記ニューラルネットワークに対して損失関数を適用し、コード損失値を取得する工程と、
前記再構築データのセットから、前記再構築データのセットの、前記入力データのセットに対する類似性を示す再構築損失値を計算する工程と、
前記再構築損失値及び前記コード損失値を用いて、総損失値を算出する工程と、
前記総損失値を低減するためのフィードバック手法を前記ニューラルネットワークに対して実行する工程と、
を更に含む潜在因子発見装置。 - 複数の情報源を含むネットワーク通信環境におけるデータオーケストレーションプラットフォーム管理用のコンピュータプログラム製品であって、
前記コンピュータプログラム製品は、
プログラム命令を含み、一時的な信号ではないコンピュータ可読記憶媒体を備え、
前記プログラム命令は、
入力データのセットに対してノイズをデータノイズ部によって付加する工程と、
前記入力データのセットに基づいて、潜在コードのセットをエンコーダモデル及び非線形確率活性化部のセットによって計算する工程と、
前記潜在コードのセットをデコーダモデルによって複合することで、再構築データのセットを取得する工程と、
をプロセッサに実行させることを特徴とするコンピュータプログラム製品。 - 請求項14に記載のコンピュータプログラム製品において、
前記プログラム命令は、
所定のコードのセットをコード変換モデルに提供する工程と、
前記再構築データのセットを、複数の所望の特徴属性を分類するように構成された分類モデルに提供する工程と、
前記分類モデルから取得した前記総損失値を用いて、前記分類モデルの訓練を行う工程と、
前記デコーダモデルに提供されると所望の属性を生成するように構成された属性コードのセットを前記コード変換モデルによって生成する工程と、
を更に含むコンピュータプログラム製品。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018094146A JP7002404B2 (ja) | 2018-05-15 | 2018-05-15 | データから潜在因子を発見するニューラルネットワーク |
US16/389,532 US11468265B2 (en) | 2018-05-15 | 2019-04-19 | Neural networks for discovering latent factors from data |
EP19171496.3A EP3570221A1 (en) | 2018-05-15 | 2019-04-29 | Neural networks for discovering latent factors from data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018094146A JP7002404B2 (ja) | 2018-05-15 | 2018-05-15 | データから潜在因子を発見するニューラルネットワーク |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2019200551A true JP2019200551A (ja) | 2019-11-21 |
JP2019200551A5 JP2019200551A5 (ja) | 2020-11-26 |
JP7002404B2 JP7002404B2 (ja) | 2022-01-20 |
Family
ID=66323710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018094146A Active JP7002404B2 (ja) | 2018-05-15 | 2018-05-15 | データから潜在因子を発見するニューラルネットワーク |
Country Status (3)
Country | Link |
---|---|
US (1) | US11468265B2 (ja) |
EP (1) | EP3570221A1 (ja) |
JP (1) | JP7002404B2 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210111089A (ko) * | 2020-03-02 | 2021-09-10 | 단국대학교 산학협력단 | 딥러닝 네트워크를 이용한 전자코 가스 데이터 재구성 시스템 및 방법 |
KR20220011078A (ko) * | 2020-07-20 | 2022-01-27 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 능동적 인터랙션 방법, 장치, 전자 기기 및 판독 가능 기록 매체 |
WO2022101962A1 (ja) * | 2020-11-10 | 2022-05-19 | 日本電信電話株式会社 | 学習装置、学習方法およびプログラム |
WO2022101961A1 (ja) * | 2020-11-10 | 2022-05-19 | 日本電信電話株式会社 | 学習装置、学習方法およびプログラム |
JP7396159B2 (ja) | 2020-03-26 | 2023-12-12 | 富士通株式会社 | 画像処理装置、画像認識システム及び画像処理プログラム |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10127240B2 (en) | 2014-10-17 | 2018-11-13 | Zestfinance, Inc. | API for implementing scoring functions |
US11941650B2 (en) | 2017-08-02 | 2024-03-26 | Zestfinance, Inc. | Explainable machine learning financial credit approval model for protected classes of borrowers |
US11502841B2 (en) | 2018-03-07 | 2022-11-15 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US11489866B2 (en) | 2018-03-07 | 2022-11-01 | Private Identity Llc | Systems and methods for private authentication with helper networks |
US11394552B2 (en) | 2018-03-07 | 2022-07-19 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US11265168B2 (en) | 2018-03-07 | 2022-03-01 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US10938852B1 (en) | 2020-08-14 | 2021-03-02 | Private Identity Llc | Systems and methods for private authentication with helper networks |
US10721070B2 (en) | 2018-03-07 | 2020-07-21 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US11392802B2 (en) | 2018-03-07 | 2022-07-19 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US11789699B2 (en) | 2018-03-07 | 2023-10-17 | Private Identity Llc | Systems and methods for private authentication with helper networks |
US11138333B2 (en) | 2018-03-07 | 2021-10-05 | Private Identity Llc | Systems and methods for privacy-enabled biometric processing |
US11170084B2 (en) | 2018-06-28 | 2021-11-09 | Private Identity Llc | Biometric authentication |
US11210375B2 (en) | 2018-03-07 | 2021-12-28 | Private Identity Llc | Systems and methods for biometric processing with liveness |
US11960981B2 (en) | 2018-03-09 | 2024-04-16 | Zestfinance, Inc. | Systems and methods for providing machine learning model evaluation by using decomposition |
WO2019212857A1 (en) | 2018-05-04 | 2019-11-07 | Zestfinance, Inc. | Systems and methods for enriching modeling tools and infrastructure with semantics |
US11816541B2 (en) | 2019-02-15 | 2023-11-14 | Zestfinance, Inc. | Systems and methods for decomposition of differentiable and non-differentiable models |
US11977388B2 (en) * | 2019-02-21 | 2024-05-07 | Nvidia Corporation | Quantizing autoencoders in a neural network |
US10977729B2 (en) * | 2019-03-18 | 2021-04-13 | Zestfinance, Inc. | Systems and methods for model fairness |
DE102019127795A1 (de) * | 2019-10-15 | 2021-04-15 | Infineon Technologies Ag | Schaltung und ein Verfahren zum Bestimmen einer Lage eines Magneten und Joystick |
US12014529B2 (en) * | 2020-01-21 | 2024-06-18 | Samsung Electronics Co., Ltd. | Image processing method and apparatus using neural network |
CN111368976B (zh) * | 2020-02-27 | 2022-09-02 | 杭州国芯科技股份有限公司 | 基于神经网络特征识别的数据压缩方法 |
US11494976B2 (en) * | 2020-03-06 | 2022-11-08 | Nvidia Corporation | Neural rendering for inverse graphics generation |
US11776679B2 (en) * | 2020-03-10 | 2023-10-03 | The Board Of Trustees Of The Leland Stanford Junior University | Methods for risk map prediction in AI-based MRI reconstruction |
EP3975054A1 (en) * | 2020-09-29 | 2022-03-30 | Robert Bosch GmbH | Device and method for classifying an input signal using an invertible factorization model |
WO2022093249A1 (en) * | 2020-10-29 | 2022-05-05 | Hewlett-Packard Development Company, L.P. | Latent representation scrambler and generative network adjustments |
US11720962B2 (en) | 2020-11-24 | 2023-08-08 | Zestfinance, Inc. | Systems and methods for generating gradient-boosted models with improved fairness |
US11915343B2 (en) * | 2020-12-04 | 2024-02-27 | Adobe Inc. | Color representations for textual phrases |
US20220253856A1 (en) * | 2021-02-11 | 2022-08-11 | The Toronto-Dominion Bank | System and method for machine learning based detection of fraud |
CN113127058B (zh) * | 2021-04-28 | 2024-01-16 | 北京百度网讯科技有限公司 | 数据标注方法、相关装置及计算机程序产品 |
US20220405569A1 (en) * | 2021-06-22 | 2022-12-22 | Google Llc | Object Observation Tracking In Images Using Encoder-Decoder Models |
CN113703986B (zh) * | 2021-10-29 | 2022-03-11 | 苏州优鲜信网络生活服务科技有限公司 | 一种基于大数据的信息管理系统与方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017094267A1 (ja) * | 2015-12-01 | 2017-06-08 | 株式会社Preferred Networks | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 |
WO2017094899A1 (en) * | 2015-12-02 | 2017-06-08 | Preferred Networks, Inc. | Generative machine learning systems for drug design |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170328194A1 (en) * | 2016-04-25 | 2017-11-16 | University Of Southern California | Autoencoder-derived features as inputs to classification algorithms for predicting failures |
US10373055B1 (en) * | 2016-05-20 | 2019-08-06 | Deepmind Technologies Limited | Training variational autoencoders to generate disentangled latent factors |
WO2018085697A1 (en) | 2016-11-04 | 2018-05-11 | Google Llc | Training neural networks using a variational information bottleneck |
US10679129B2 (en) * | 2017-09-28 | 2020-06-09 | D5Ai Llc | Stochastic categorical autoencoder network |
-
2018
- 2018-05-15 JP JP2018094146A patent/JP7002404B2/ja active Active
-
2019
- 2019-04-19 US US16/389,532 patent/US11468265B2/en active Active
- 2019-04-29 EP EP19171496.3A patent/EP3570221A1/en not_active Ceased
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017094267A1 (ja) * | 2015-12-01 | 2017-06-08 | 株式会社Preferred Networks | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 |
WO2017094899A1 (en) * | 2015-12-02 | 2017-06-08 | Preferred Networks, Inc. | Generative machine learning systems for drug design |
Non-Patent Citations (1)
Title |
---|
PASCAL VINCENT ET AL.: "Extracting and Composing Robust Features with Denoising Autoencoders", PROCEEDINGS OF THE 25TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING, JPN7021004645, 5 July 2008 (2008-07-05), ISSN: 0004629696 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210111089A (ko) * | 2020-03-02 | 2021-09-10 | 단국대학교 산학협력단 | 딥러닝 네트워크를 이용한 전자코 가스 데이터 재구성 시스템 및 방법 |
KR102428334B1 (ko) | 2020-03-02 | 2022-08-02 | 단국대학교 산학협력단 | 딥러닝 네트워크를 이용한 전자코 가스 데이터 재구성 시스템 및 방법 |
JP7396159B2 (ja) | 2020-03-26 | 2023-12-12 | 富士通株式会社 | 画像処理装置、画像認識システム及び画像処理プログラム |
KR20220011078A (ko) * | 2020-07-20 | 2022-01-27 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 능동적 인터랙션 방법, 장치, 전자 기기 및 판독 가능 기록 매체 |
KR102551835B1 (ko) * | 2020-07-20 | 2023-07-04 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 능동적 인터랙션 방법, 장치, 전자 기기 및 판독 가능 기록 매체 |
US11734392B2 (en) | 2020-07-20 | 2023-08-22 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Active interaction method, electronic device and readable storage medium |
WO2022101962A1 (ja) * | 2020-11-10 | 2022-05-19 | 日本電信電話株式会社 | 学習装置、学習方法およびプログラム |
WO2022101961A1 (ja) * | 2020-11-10 | 2022-05-19 | 日本電信電話株式会社 | 学習装置、学習方法およびプログラム |
JP7436928B2 (ja) | 2020-11-10 | 2024-02-22 | 日本電信電話株式会社 | 学習装置、学習方法およびプログラム |
JP7513918B2 (ja) | 2020-11-10 | 2024-07-10 | 日本電信電話株式会社 | 学習装置、学習方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20190354806A1 (en) | 2019-11-21 |
JP7002404B2 (ja) | 2022-01-20 |
EP3570221A1 (en) | 2019-11-20 |
US11468265B2 (en) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7002404B2 (ja) | データから潜在因子を発見するニューラルネットワーク | |
Wang et al. | Kvt: k-nn attention for boosting vision transformers | |
He et al. | Neural factorization machines for sparse predictive analytics | |
Kouw et al. | Feature-level domain adaptation | |
Zhuang et al. | Supervised representation learning with double encoding-layer autoencoder for transfer learning | |
US20230021661A1 (en) | Forgery detection of face image | |
US20210374605A1 (en) | System and Method for Federated Learning with Local Differential Privacy | |
CN113544659A (zh) | 基于散列的有效用户建模 | |
Duan et al. | Efficient image encryption and compression based on a VAE generative model | |
US11886955B2 (en) | Self-supervised data obfuscation in foundation models | |
Oza et al. | Multiple class novelty detection under data distribution shift | |
US20230222762A1 (en) | Adversarially robust visual fingerprinting and image provenance models | |
Fan et al. | Image steganalysis via random subspace fisher linear discriminant vector functional link network and feature mapping | |
Ye et al. | A two-stage detection method of copy-move forgery based on parallel feature fusion | |
Ilyas et al. | E-Cap Net: an efficient-capsule network for shallow and deepfakes forgery detection | |
CN113239852B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
CN111552827B (zh) | 标注方法和装置、行为意愿预测模型训练方法和装置 | |
Sakai et al. | Training process of unsupervised learning architecture for gravity spy dataset | |
Chennupati | A structured approach to JPEG tampering detection using enhanced fusion algorithm | |
Berrahal et al. | A Comparative Analysis of Fake Image Detection in Generative Adversarial Networks and Variational Autoencoders | |
Sithungu et al. | Real-time age detection using a convolutional neural network | |
SrirangamSridharan et al. | Doc2img: A new approach to vectorization of documents | |
Gou et al. | Discriminative, Competitive, and Collaborative Representation‐Based Classification with l2‐Norm Regularizations | |
Li et al. | Face inpainting with dynamic structural information of facial action units | |
Li et al. | Maximal Domain Independent Representations Improve Transfer Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201013 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201013 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210928 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211102 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211206 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211227 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7002404 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |