JP2019507442A - 機械学習システムのトレーニング方法及びトレーニングシステム - Google Patents
機械学習システムのトレーニング方法及びトレーニングシステム Download PDFInfo
- Publication number
- JP2019507442A JP2019507442A JP2018546445A JP2018546445A JP2019507442A JP 2019507442 A JP2019507442 A JP 2019507442A JP 2018546445 A JP2018546445 A JP 2018546445A JP 2018546445 A JP2018546445 A JP 2018546445A JP 2019507442 A JP2019507442 A JP 2019507442A
- Authority
- JP
- Japan
- Prior art keywords
- loss function
- training
- current
- function value
- weight
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Numerical Control (AREA)
Abstract
Description
本出願の第1の実施形態は、機械学習システムのトレーニング方法を提供する。図1は、本出願の第1の実施形態による、機械学習システムのトレーニング方法のフロー図である。機械学習システムは、好適には分散型の機械学習システムであり、パラメータサーバを含む。パラメータサーバは、例えば、複数の作業マシン(作業者またはスレーブ)、複数のサーバ及びコーディネータを含んでよい。図1に示すように、トレーニング方法は以下のステップを含む。
本出願の第2の実施形態は、機械学習システムのトレーニング方法を提供する。図2は、本出願の第2の実施形態による、機械学習システムのトレーニング方法のフロー図である。機械学習システムは、好適には分散型の機械学習システムである。図2に示すように、トレーニング方法は以下のステップを含む。
本出願の第3の実施形態は、機械学習システムのトレーニング方法を提供する。図3は、本出願の第3の実施形態による、機械学習システムのトレーニング方法のフロー図である。機械学習システムは、好適には分散型の機械学習システムである。図3に示すように、トレーニング方法は以下のステップを含む。
本出願の第4の実施形態は、機械学習システムのトレーニングシステムを提供する。図4は、本出願の第4の実施形態による、機械学習システムのトレーニングシステムのブロック図である。機械学習システムは、好適には分散型の機械学習システムである。図4に示すように、トレーニングシステム400は、トレーニングデータを複数の作業マシンに割り当てるように構成されるトレーニングデータ割り当てモジュール401と、各作業マシンに割り当てられたトレーニングデータを複数のデータに分割するように構成されるトレーニングデータ分割モジュール402と、各データを基に各作業マシンによって計算されたローカル重み及びローカル損失関数値を取得するように構成される取得モジュール403と、各データを基に各作業マシンによって計算されたローカル重み及びローカル損失関数値を集計して現在の重み及び現在の損失関数値を取得するように構成される集計モジュール404と、現在の重み及び/または現在の損失関数値を使用してモデル異常検出を行うように構成される異常検出モジュール405と、モデル異常検出の結果が第1のタイプの異常であることに応じて、トレーニング用の機械学習システムに前回の集計の重み及び損失関数値を入力するように構成される第1の処理モジュール406と、モデル異常検出の結果が第2のタイプの異常であることに応じて、現在の重み及び/または現在の損失関数値を第1の閾値内にある現在の重み及び/または現在の損失関数値に修正し、トレーニング用の機械学習システムにそれらを入力するように構成される第2の処理モジュール407とを含む。
本出願の第5の実施形態は、機械学習システムのトレーニングシステムを提供する。図5は、本出願の第5の実施形態による、機械学習システムのトレーニングシステムのブロック図である。機械学習システムは、好適には分散型の機械学習システムである。図5に示すように、トレーニングシステム500は、トレーニングデータを複数の作業マシンに割り当てるように構成されるトレーニングデータ割り当てモジュール501と、各作業マシンに割り当てられたトレーニングデータを複数のデータに分割するように構成されるトレーニングデータ分割モジュール502と、各データを基に各作業マシンによって計算されたローカル重み及びローカル損失関数値を取得するように構成される取得モジュール503と、各データを基に各作業マシンによって計算されたローカル重み及びローカル損失関数値を集計して現在の重み及び現在の損失関数値を取得するように構成される集計モジュール504と、現在の重み及び/または現在の損失関数値を使用してモデル異常検出を行うように構成される異常検出モジュール505と、モデル異常検出の結果が第1のタイプの異常であることに応じて、トレーニング用の機械学習システムに前回の集計の重み及び損失関数値を入力するように構成される第1の処理モジュール506と、モデル異常検出の結果が第2のタイプの異常であることに応じて、現在の重み及び/または現在の損失関数値を第1の閾値内にある現在の重み及び/または現在の損失関数値に修正し、トレーニング用の機械学習システムにそれらを入力するように構成される第2の処理モジュール507とを含む。
本出願の第6の実施形態は、機械学習システムのトレーニングシステムを提供する。図6は、本出願の第6の実施形態による、機械学習システムのトレーニングシステムのブロック図である。機械学習システムは、好適には分散型の機械学習システムである。図6に示すように、トレーニングシステムは、トレーニングデータを複数の作業マシンに割り当てるように構成されるトレーニングデータ割り当てモジュール601と、各作業マシンに割り当てられたトレーニングデータを複数のデータに分割するように構成されるトレーニングデータ分割モジュール602と、各データを基に各作業マシンによって計算されたローカル重み及びローカル損失関数値を取得するように構成される取得モジュール603と、各データを基に各作業マシンによって計算されたローカル重み及びローカル損失関数値を集計して現在の重み及び現在の損失関数値を取得するように構成される集計モジュール604と、現在の重み及び/または現在の損失関数値を使用してモデル異常検出を行うように構成される異常検出モジュール605と、モデル異常検出の結果が第1のタイプの異常であることに応じて、トレーニング用の機械学習システムに前回の集計の重み及び損失関数値を入力するように構成される第1の処理モジュール606と、モデル異常検出の結果が第2のタイプの異常であることに応じて、現在の重み及び/または現在の損失関数値を第1の閾値内にある現在の重み及び/または現在の損失関数値に修正し、トレーニング用の機械学習システムにそれらを入力するように構成される第2の処理モジュール607とを含む。
Claims (20)
- 機械学習システムのトレーニング方法であって、トレーニングデータは前記機械学習システムをトレーニングするために使用され、前記トレーニング方法は、
前記トレーニングデータを複数の作業マシンに割り当てることと、
各作業マシンによって割り当てられたトレーニングデータを複数のデータに分割し、各データを基に各作業マシンによって計算されたローカル重み及びローカル損失関数値を取得することと、
各データを基に各作業マシンによって計算された前記ローカル重み及び前記ローカル損失関数値を集計し、現在の重み及び現在の損失関数値を取得することと、
前記現在の重み及び/または前記現在の損失関数値を使用して、モデル異常検出を行うことと、
前記モデル異常検出の結果が第1のタイプの異常であることに応じて、前回の集計の重み及び損失関数値を前記トレーニング用の機械学習システムに入力することと、
前記モデル異常検出の前記結果が第2のタイプの異常であることに応じて、前記現在の重み及び/または前記現在の損失関数値を第1の閾値内にある現在の重み及び/または現在の損失関数値に修正し、前記トレーニング用の機械学習システムにそれらを入力することと
を備える、前記方法。 - 前記現在の重み及び/または前記現在の損失関数値を使用して前記モデル異常検出を行うことは、
前記現在の損失関数値が前回の集計の損失関数値のk倍より大きいかどうかを判定することと、
前記現在の損失関数値が前記前回の集計の前記損失関数値のk倍より大きいかどうかを判定することに応じて、前記モデル異常検出の結果が第1のタイプの異常であると判定することと
を備える、請求項1に記載のトレーニング方法。 - 前記現在の重み及び/または前記現在の損失関数値を使用して前記モデル異常検出を行うことは、
前記現在の重みの要素の最大値及び/または最小値の絶対値が所定の第2の閾値より大きいかどうかを判定することと、
前記現在の重みの前記要素の前記最大値及び/または前記最小値の前記絶対値が前記所定の第2の閾値より大きいかどうかを判定することに応じて、前記モデル異常検出の前記結果が第2のタイプの異常であると判定することと
を備える、請求項1に記載のトレーニング方法。 - 前記モデル異常検出の前記結果が前記第2のタイプの異常であることに応じて、前記現在の重み及び/または前記現在の損失関数値を前記第1の閾値内の前記現在の重み及び/または前記現在の損失関数値に修正することは、前記第1の閾値より大きい前記最大値及び/または前記最小値の前記絶対値を有する要素を前記第1の閾値ずつ減算し、各要素が前記第1の閾値内に収まる現在の重みを取得することを備える、請求項3に記載のトレーニング方法。
- 前記現在の重み及び/または前記現在の損失関数値を使用して前記モデル異常検出を行うことは、
第1のn集計の損失関数値の平均値が第1の集計の損失関数値より大きいかどうかを判定することと、
前記第1のn集計の前記損失関数値の前記平均値が前記第1の集計の前記損失関数値より大きいかどうかを判定することに応じて、前記モデル異常検出の前記結果が前記第1のタイプの異常であると判定することと
を備える、請求項1に記載のトレーニング方法。 - 前記現在の重み及び/または前記現在の損失関数値を使用して前記モデル異常検出を行った後、前記方法はさらに、前記モデル異常検出の結果が正常であることに応じて、前記現在の重み及び/または前記現在の損失関数値を前記トレーニング用の機械学習システムに入力することを備える、請求項1に記載のトレーニング方法。
- 前記モデル異常検出の前記結果が正常であることに応じて、前記現在の重み及び/または前記現在の損失関数値を前記トレーニング用の機械学習システムに入力した後、前記方法はさらに、
前記トレーニングが終了したかどうかを判定することと、
前記トレーニングが終了したと判定することに応じて、モデルを生成することと、
前記トレーニングが終了していないと判定することに応じて、各データを基に各作業マシンによって計算された前記ローカル重み及び前記ローカル損失関数値の前記取得を再度繰り返すことと
を備える、請求項6に記載のトレーニング方法。 - 前記トレーニングが終了したかどうかを判定することは、前記現在の損失関数値及び前記前回の集計の前記損失関数値が第3の閾値より小さいことを検出することに応じて、前記トレーニングが終了したことを判定することを備える、請求項6に記載のトレーニング方法。
- 前記複数の作業マシンに前記トレーニングデータを割り当てる前に、前記方法はさらに、前記トレーニングデータを取得することを備え、前記トレーニングデータを前記複数の作業マシンに割り当てることはさらに、各作業マシンの識別に従って、前記複数の作業マシンに前記トレーニングデータを割り当てることを備える、請求項1に記載のトレーニング方法。
- 各データを基に各作業マシンによって計算された前記ローカル重み及び前記ローカル損失関数値を集計し、前記現在の重み及び前記現在の損失関数値を取得することは、
各データを基に各作業マシンによって計算されたローカル重みを合計して、前記現在の重みを取得することと、
各データを基に各作業マシンによって取得されたローカル損失関数値を合計して、前記現在のローカル損失関数を取得することと
を備える、請求項1に記載のトレーニング方法。 - 機械学習システムのトレーニングシステムであって、トレーニングデータは前記機械学習システムをトレーニングするために使用され、前記トレーニングシステムは、
前記トレーニングデータを複数の作業マシンに割り当てるように構成されるトレーニングデータ割り当てモジュールと、
各作業マシンに割り当てられたトレーニングデータを複数のデータに分割するように構成されるトレーニングデータ分割モジュールと、
各データを基に各作業マシンによって計算されたローカル重み及びローカル損失関数値を取得するように構成される取得モジュールと、
各データを基に各作業マシンによって計算された前記ローカル重み及び前記ローカル損失関数値を集計し、現在の重み及び現在の損失関数値を取得するように構成される集計モジュールと、
前記現在の重み及び/または前記現在の損失関数値を使用して、モデル異常検出を行うように構成される異常検出モジュールと、
前記モデル異常検出の結果が第1のタイプの異常であることに応じて、前回の集計の重み及び損失関数値を前記トレーニング用の機械学習システムに入力するように構成される第1の処理モジュールと、
前記モデル異常検出の前記結果が第2のタイプの異常であることに応じて、前記現在の重み及び/または前記現在の損失関数値を、第1の閾値内にある現在の重み及び/または現在の損失関数値に修正し、それらを前記トレーニング用の機械学習システムに入力するように構成される第2の処理モジュールと
を備える、前記トレーニングシステム。 - 前記異常検出モジュールは、
前記現在の損失関数値が前回の集計の損失関数値のk倍より大きいかどうかを判定するように構成される第1の判定サブモジュールと、
前記現在の損失関数値が前記前回の集計の前記損失関数値のk倍より大きいかどうかを判定することに応じて、前記モデル異常検出の結果が第1のタイプの異常であると判定するように構成される第1の決定サブモジュールと
を備える、請求項11に記載のトレーニングシステム。 - 前記異常検出モジュールは、
前記現在の重みの要素の最大値及び/または最小値の絶対値が所定の第2の閾値より大きいかどうかを判定するように構成される第2の判定サブモジュールと、
前記現在の重みの前記要素の前記最大値及び/または前記最小値の前記絶対値が前記所定の第2の閾値より大きいかどうかを判定することに応じて、前記モデル異常検出の前記結果が第2のタイプの異常であると判定するように構成される第2の決定サブモジュールと
を備える、請求項11に記載のトレーニングシステム。 - 前記モデル異常検出の前記結果が前記第2のタイプの異常である場合、前記現在の重み及び/または前記現在の損失関数値を前記第1の閾値内の前記現在の重み及び/または前記現在の損失関数値に修正することは、所定の第2の閾値より大きい前記最大値及び/または前記最小値の前記絶対値を有する要素を前記第1の閾値ずつ減算し、各要素が前記第1の閾値内に収まる現在の重みを取得することを備える、請求項13に記載のトレーニングシステム。
- 前記異常検出モジュールは、
第1のn集計の損失関数値の平均値が第1の集計の損失関数値より大きいかどうかを判定するように構成される第3の判定サブモジュールと、
前記第1のn集計の前記損失関数値の前記平均値が前記第1の集計の前記損失関数値より大きいかどうかを判定することに応じて、前記モデル異常検出の前記結果が前記第1のタイプの異常であると判定するように構成される第3の決定サブモジュールと
を備える、請求項11に記載のトレーニングシステム。 - 前記モデル異常検出の前記結果が正常であることに応じて、前記現在の重み及び/または前記現在の損失関数値を前記トレーニング用の機械学習システムに入力するように構成されるトレーニングモジュールをさらに備える、請求項11に記載のトレーニングシステム。
- 前記トレーニングが終了したかどうかを判定するように構成される終了判定モジュールと、
前記トレーニングが終了したと判定することに応じて、モデルを生成するように構成されるモデル生成モジュールと、
前記トレーニングが終了していないと判定することに応じて、各データを基に各作業マシンによって計算された前記ローカル重み及び前記ローカル損失関数値を再度取得することを行うように構成されるリターン実行モジュールと
をさらに備える、請求項16に記載のトレーニングシステム。 - 前記終了判定モジュールは、前記現在の損失関数値及び前記前回の集計の前記損失関数値が前記第3の閾値より小さいことを検出することに応じて、前記トレーニングが終了したことを判定するように構成される、請求項16に記載のトレーニングシステム。
- 前記トレーニングデータを取得するように構成されるトレーニングデータ取得モジュールをさらに備え、前記トレーニングデータ割り当てモジュールは、各作業マシンの識別に従って、前記トレーニングデータを前記複数の作業マシンに割り当てるように構成される、請求項11に記載のトレーニングシステム。
- 前記集計モジュールは、
各データを基に各作業マシンによって計算されたローカル重みを合計して、前記現在の重みを取得するように構成される重み集積モジュールと、
各データを基に各作業マシンによって取得されたローカル損失関数値を合計して、前記現在のローカル損失関数を取得するように構成される損失関数値集積モジュールと
を備える、請求項11に記載のトレーニングシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610125904.6 | 2016-03-04 | ||
CN201610125904.6A CN107153630B (zh) | 2016-03-04 | 2016-03-04 | 一种机器学习系统的训练方法和训练系统 |
PCT/CN2017/074318 WO2017148314A1 (zh) | 2016-03-04 | 2017-02-21 | 一种机器学习系统的训练方法和训练系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019507442A true JP2019507442A (ja) | 2019-03-14 |
JP7004661B2 JP7004661B2 (ja) | 2022-01-21 |
Family
ID=59743465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018546445A Active JP7004661B2 (ja) | 2016-03-04 | 2017-02-21 | 機械学習システムのトレーニング方法及びトレーニングシステム |
Country Status (6)
Country | Link |
---|---|
US (1) | US11257005B2 (ja) |
EP (1) | EP3425527A4 (ja) |
JP (1) | JP7004661B2 (ja) |
CN (1) | CN107153630B (ja) |
TW (1) | TWI740896B (ja) |
WO (1) | WO2017148314A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022544827A (ja) * | 2019-08-20 | 2022-10-21 | マイクロン テクノロジー,インク. | プライバシー保護を備えた分散型機械学習 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754105B (zh) | 2017-11-07 | 2024-01-05 | 华为技术有限公司 | 一种预测方法及终端、服务器 |
US10042879B1 (en) * | 2017-11-13 | 2018-08-07 | Lendingclub Corporation | Techniques for dynamically enriching and propagating a correlation context |
US11354301B2 (en) | 2017-11-13 | 2022-06-07 | LendingClub Bank, National Association | Multi-system operation audit log |
CN107944990A (zh) * | 2017-12-29 | 2018-04-20 | 山大地纬软件股份有限公司 | 一种基于机器学习的精准化推送的综合柜员装置及方法 |
CN108875776B (zh) * | 2018-05-02 | 2021-08-20 | 北京三快在线科技有限公司 | 模型训练方法和装置、业务推荐的方法和装置、电子设备 |
CN110689133B (zh) * | 2018-06-20 | 2023-09-05 | 深信服科技股份有限公司 | 一种训练机器学习引擎的方法、系统及相关装置 |
CN109902167B (zh) * | 2018-12-04 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 嵌入结果的解释方法和装置 |
US12039458B2 (en) * | 2019-01-10 | 2024-07-16 | Visa International Service Association | System, method, and computer program product for incorporating knowledge from more complex models in simpler models |
CN111507483A (zh) * | 2019-01-30 | 2020-08-07 | 鸿富锦精密电子(天津)有限公司 | 返修板检测装置、方法及计算机可读存储介质 |
CN110084380A (zh) * | 2019-05-10 | 2019-08-02 | 深圳市网心科技有限公司 | 一种迭代训练方法、设备、系统及介质 |
CN110263294B (zh) * | 2019-05-23 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 损失函数取值的确定方法、装置和电子设备 |
US10956597B2 (en) | 2019-05-23 | 2021-03-23 | Advanced New Technologies Co., Ltd. | Loss function value determination method and device and electronic equipment |
CN110837657B (zh) * | 2019-11-06 | 2023-03-14 | 腾讯云计算(北京)有限责任公司 | 数据处理方法、客户端、服务器及存储介质 |
CN111159961B (zh) * | 2019-12-13 | 2024-02-02 | 杭州广立微电子股份有限公司 | 一种基于曲线数据的异常检测方法及系统 |
CN114067379A (zh) * | 2020-07-28 | 2022-02-18 | 北京君正集成电路股份有限公司 | 一种人脸角度检测模型训练中损失函数的设计方法 |
CN111881983B (zh) * | 2020-07-30 | 2024-05-28 | 平安科技(深圳)有限公司 | 基于分类模型的数据处理方法、装置、电子设备及介质 |
CN112527631A (zh) * | 2020-11-18 | 2021-03-19 | 武汉迈威通信股份有限公司 | bug定位方法、系统、电子设备及存储介质 |
US11310563B1 (en) * | 2021-01-07 | 2022-04-19 | Dish Network L.L.C. | Searching for and prioritizing audiovisual content using the viewer's age |
CN113298127B (zh) * | 2021-05-12 | 2024-08-06 | 深圳前海微众银行股份有限公司 | 训练异常检测模型的方法及电子设备 |
CN113378914B (zh) * | 2021-06-08 | 2023-06-30 | 上海壁仞智能科技有限公司 | 虚假关联性去除方法及装置 |
CN114021464A (zh) * | 2021-11-09 | 2022-02-08 | 京东科技信息技术有限公司 | 数据处理方法、装置和存储介质 |
CN114282624B (zh) * | 2021-12-29 | 2024-07-19 | 北京天融信网络安全技术有限公司 | 对象标注方法、装置、设备及介质 |
CN117668719B (zh) * | 2023-11-14 | 2024-08-16 | 深圳大学 | 一种自适应阈值的隧道监测数据异常检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001344590A (ja) * | 2000-05-31 | 2001-12-14 | Fuji Electric Co Ltd | ニューラルネットワーク及びその学習方法、解析方法並びに異常判定方法 |
JP2009288933A (ja) * | 2008-05-28 | 2009-12-10 | Sony Corp | 学習装置、学習方法、及びプログラム |
JP2012022558A (ja) * | 2010-07-15 | 2012-02-02 | Hitachi Ltd | 分散計算システム |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100640264B1 (ko) * | 2002-03-02 | 2007-02-28 | 김용대 | 앙상블 모형을 이용한 데이터 마이닝 모형 구축 장치 및그 방법 |
US7467118B2 (en) * | 2006-01-12 | 2008-12-16 | Entelos Inc. | Adjusted sparse linear programming method for classifying multi-dimensional biological data |
US20070233679A1 (en) * | 2006-04-03 | 2007-10-04 | Microsoft Corporation | Learning a document ranking function using query-level error measurements |
JP5206197B2 (ja) | 2008-07-28 | 2013-06-12 | 富士通株式会社 | 規則学習方法、プログラム及び装置 |
CN102176698A (zh) * | 2010-12-20 | 2011-09-07 | 北京邮电大学 | 一种基于迁移学习的用户异常行为检测方法 |
CN102737126B (zh) * | 2012-06-19 | 2014-03-12 | 合肥工业大学 | 云计算环境下的分类规则挖掘方法 |
TWI474673B (zh) * | 2012-12-06 | 2015-02-21 | Inst Information Industry | 工作負載分配裝置及其工作負載分配方法 |
CN104077306B (zh) * | 2013-03-28 | 2018-05-11 | 阿里巴巴集团控股有限公司 | 一种搜索引擎的结果排序方法及系统 |
CN103425996B (zh) * | 2013-08-01 | 2017-08-25 | 华南理工大学 | 一种并行分布式的大规模图像识别方法 |
US9953271B2 (en) | 2013-11-22 | 2018-04-24 | California Institute Of Technology | Generation of weights in machine learning |
CN104008420A (zh) * | 2014-05-26 | 2014-08-27 | 中国科学院信息工程研究所 | 一种基于自动编码机的分布式离群点检测方法及系统 |
CN105187411B (zh) * | 2015-08-18 | 2018-09-14 | 福建省海峡信息技术有限公司 | 一种分布式异常检测网络数据流的方法 |
US11087234B2 (en) | 2016-01-29 | 2021-08-10 | Verizon Media Inc. | Method and system for distributed deep machine learning |
-
2016
- 2016-03-04 CN CN201610125904.6A patent/CN107153630B/zh active Active
-
2017
- 2017-02-13 TW TW106104648A patent/TWI740896B/zh active
- 2017-02-21 JP JP2018546445A patent/JP7004661B2/ja active Active
- 2017-02-21 EP EP17759165.8A patent/EP3425527A4/en not_active Withdrawn
- 2017-02-21 WO PCT/CN2017/074318 patent/WO2017148314A1/zh active Application Filing
-
2018
- 2018-08-31 US US16/119,585 patent/US11257005B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001344590A (ja) * | 2000-05-31 | 2001-12-14 | Fuji Electric Co Ltd | ニューラルネットワーク及びその学習方法、解析方法並びに異常判定方法 |
JP2009288933A (ja) * | 2008-05-28 | 2009-12-10 | Sony Corp | 学習装置、学習方法、及びプログラム |
JP2012022558A (ja) * | 2010-07-15 | 2012-02-02 | Hitachi Ltd | 分散計算システム |
Non-Patent Citations (1)
Title |
---|
浦 晃 ほか: "「分散計算環境における並列パーセプトロンの将棋評価関数への適用」", 情報処理学会研究報告 ゲーム情報学(GI) [ONLINE], vol. 第2014-GI-31巻, 第6号, JPN6021013261, 10 March 2014 (2014-03-10), pages 1 - 8, ISSN: 0004485048 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022544827A (ja) * | 2019-08-20 | 2022-10-21 | マイクロン テクノロジー,インク. | プライバシー保護を備えた分散型機械学習 |
JP7450019B2 (ja) | 2019-08-20 | 2024-03-14 | マイクロン テクノロジー,インク. | プライバシー保護を備えた分散型機械学習 |
Also Published As
Publication number | Publication date |
---|---|
US11257005B2 (en) | 2022-02-22 |
CN107153630A (zh) | 2017-09-12 |
TW201734871A (zh) | 2017-10-01 |
EP3425527A4 (en) | 2019-11-27 |
CN107153630B (zh) | 2020-11-06 |
JP7004661B2 (ja) | 2022-01-21 |
EP3425527A1 (en) | 2019-01-09 |
TWI740896B (zh) | 2021-10-01 |
WO2017148314A1 (zh) | 2017-09-08 |
US20180365595A1 (en) | 2018-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7004661B2 (ja) | 機械学習システムのトレーニング方法及びトレーニングシステム | |
KR102192863B1 (ko) | 정보 권고 방법 및 장치 | |
CN108009016B (zh) | 一种资源负载均衡控制方法及集群调度器 | |
CN107305611B (zh) | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 | |
JP2019537115A (ja) | ユーザー異常行動検出方法、装置及びシステム | |
WO2014193399A1 (en) | Influence score of a brand | |
JP6985518B2 (ja) | パーソナライズされた推奨を生成するために適合されたクライアント、サーバ、およびクライアント−サーバシステム | |
TW201928709A (zh) | 對模型預測值進行融合的方法、裝置和設備 | |
CN108920665B (zh) | 基于网络结构和评论文本的推荐评分方法及装置 | |
US20180365339A1 (en) | Application classification method and apparatus | |
CN108366012B (zh) | 一种社交关系建立方法、装置及电子设备 | |
CN113572697A (zh) | 一种基于图卷积神经网络与深度强化学习的负载均衡方法 | |
CN110555172A (zh) | 用户关系挖掘方法及装置、电子设备和存储介质 | |
Haslegrave et al. | Preferential attachment with choice | |
CN104462443A (zh) | 数据处理方法和装置 | |
JPWO2014125796A1 (ja) | システム分析装置、及び、システム分析方法 | |
US20150347174A1 (en) | Method, Apparatus, and System for Migrating Virtual Machine | |
JP2019020930A (ja) | 学習装置、学習方法、学習プログラム、学習用データ及びモデル | |
CN110969379B (zh) | 一种替代物料的筛选方法及相关装置 | |
CN111444292A (zh) | 快消品数据处理方法、装置、电子设备及存储介质 | |
CN109600245B (zh) | 服务器自动配置方法及装置 | |
JP2020035219A (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
CN115509776B (zh) | 基于电力工程智慧监理平台的数据分析方法及系统 | |
CN111132208A (zh) | 一种容量预测方法以及容量预测装置 | |
JP6705869B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200221 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210326 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210413 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210712 |
|
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: 20211207 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220104 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7004661 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |