JP6926240B2 - オンデバイス機械学習プラットフォーム - Google Patents
オンデバイス機械学習プラットフォーム Download PDFInfo
- Publication number
- JP6926240B2 JP6926240B2 JP2019565187A JP2019565187A JP6926240B2 JP 6926240 B2 JP6926240 B2 JP 6926240B2 JP 2019565187 A JP2019565187 A JP 2019565187A JP 2019565187 A JP2019565187 A JP 2019565187A JP 6926240 B2 JP6926240 B2 JP 6926240B2
- Authority
- JP
- Japan
- Prior art keywords
- context
- application
- computing device
- features
- training
- 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
- 238000010801 machine learning Methods 0.000 title claims description 138
- 238000012549 training Methods 0.000 claims description 202
- 238000000034 method Methods 0.000 claims description 63
- 230000004044 response Effects 0.000 claims description 8
- 238000013475 authorization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 59
- 230000008569 process Effects 0.000 description 30
- 230000013016 learning Effects 0.000 description 25
- 230000008901 benefit Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 16
- 230000002776 aggregation Effects 0.000 description 7
- 238000004220 aggregation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 7
- 239000011800 void material Substances 0.000 description 7
- 230000035045 associative learning Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012419 revalidation Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Stored Programmes (AREA)
Description
図1は、本開示の実施形態例に係るオンデバイス機械学習プラットフォーム122を含むコンピューティングデバイス例102のブロック図を示す。
class Learning {
...
static CollectionClient getCollectionClient(CollectionOptions options);
...
}
interface CollectionClient {
Task<Void> add(Example example);
Task<Void> clear();
}
class Learning {
...
static TrainerClient getTrainerClient(TrainerOptions options);
...
}
interface TrainerClient {
Task<Void> start(@Schedule int schedule);
Task<Void> stop();
}
class Learning {
...
static PredictorClient getPredictorClient(PredictorOptions options);
...
}
interface PredictorClient {
Task<PredictionResult> predictRank(Example example, Map<String, Example> candidates);
}
class MyLearningConfig {
static final ExampleCollectionOptions COLLECTION_OPTIONS =
ExampleCollectionOptions.create("myCollection)
.setTimeToLive(TimeUnit.DAYS.toMillis(7))
.addContext(ContextType.USER_LOCATION);
static final TrainerOptions TRAINER_OPTIONS =
TrainerOptions.create("myTrainer")
.setCollectionName(COLLECTION_OPTIONS.getCollectionName())
.setPersonalized(
"mrepo://myApp/training_plan",
"mrepo://myApp/initial_params",
"file:trained_params");
static final PredictorOptions PREDICTOR_OPTIONS =
PredictorOptions.create("myPredictor")
.setRanking(
"mrepo://myApp/prediction_plan",
TRAINER_OPTIONS.getTrainedParamsUri())
.addContext(ContextType.USER_LOCATION);
}
ExampleCollectionClient collection =
Learning.getExampleCollectionClient(COLLECTION_OPTIONS);
...
void onSomeEvent(SomeEvent event) {
collection.add(eventToExample(event));
}
void onCreated() {
TrainerClient trainer = Learning.getTrainerClient(TRAINER_OPTIONS);
trainer.start(Schedule.CONTINUOUSLY);
}
PredictorClient predictor = Learning.getPredictorClient(PREDICTOR_OPTIONS);
...
SomeEvent predict(SomeEvent event, Map<String, SomeEvent> candidates) {
PredictionResult result = predictor.predictRank(eventToExample(event), candsToExample(candidates));
if (result.notAvailable()) {
//これは、アーチファクトが訓練によりダウンロードされること、または計算されることが未だ行われていない場合に起こる可能性がある。
Log.warn(「予測がまだ利用可能でない、デフォルトを使用」)
return candidates.iterator().next();
}
return candidates.get(result.getKeys()[0]);
}
1.事例が事例集合へ記憶される前。注入されるコンテキストはCollectionOptionsによって特定できる。
2.事例が予測エンジンに渡される前。注入されるコンテキストはPredictorOptionsによって特定できる。
1.短い待ち時間。全てのコンテキストがオンデバイスプラットフォーム内にキャッシュされ、そして機械学習に配慮した形式に変換される。
2.オンデバイスプラットフォームへのIPC(プロセス間呼出し)が高速であれば、コンテキストをキャッシュすることでバッテリを節約する。
1.オンデバイスプラットフォームは、クライアントがオンデバイスプラットフォームに登録するときにパッケージ名およびAPIキーペアを得る。オンデバイスプラットフォームは、検証のために中央局にパッケージ名およびAPIキーペアを送る。
2.一旦クライアントが検証されると、オンデバイスプラットフォームは、クライアントがそのデバイスで使用するためのプラットフォームキーを生成することになる。
3.そのデバイスにおける将来のAPI呼出しのために、クライアントは、オンデバイスプラットフォームにプラットフォームキーを提供するべきである。
図8は、本開示の実施形態例に係る機械学習済みモデルを使用して推論を生成する方法例800のフローチャートを示す。
本明細書に述べた技術は、サーバ、データベース、ソフトウェアアプリケーションおよび他のコンピュータベースのシステムならびに、取られる措置およびそのようなシステムに/から送られる情報に言及する。コンピュータベースのシステムの固有の柔軟性がコンポーネント間でのタスクおよび機能性の各種の可能な構成、組合せおよび分割を可能にする。例えば、本明細書に述べたプロセスは単一のデバイスもしくはコンポーネントまたは組み合わさって作用する複数デバイスもしくはコンポーネントを使用して実装できる。データベースおよびアプリケーションは単一のシステムに実装できるまたは複数システムにわたって分散できる。分散されたコンポーネントは順次にまたは並列に動作できる。
112 プロセッサ
114 メモリ
116 ネットワークインタフェース
120a アプリケーション
120b アプリケーション
120c アプリケーション
122 オンデバイス機械学習プラットフォーム
124 集中事例データベース
126 コンテキストマネージャ
128 機械学習エンジン
130 集中モデルリポジトリ
132a 機械学習済みモデル
132b 機械学習済みモデル
132c 機械学習済みモデル
202 アプリケーション開発者
204 モデル
206 推論プラン
208 訓練プラン
210 クラウドサーバ
212 連合サーバ
214 デバイス
216 デバイス
218 ログ
402 メインプロセス
404 バックグラウンドプロセス
406 訓練エンジン
410 収集API
412 予測API
414 訓練API
420 収集APIサービス
422 予測APIサービス
424 訓練APIサービス
430 コンテキストプロバイダ
432 予測エンジン
434 アーチファクトマネージャ
440 記憶コンポーネント
442 表現型構成コンポーネント
444 ログマネージャ
Claims (20)
1つまたは複数のコンピュータ可読記憶媒体とを備えたコンピューティングデバイスであって、前記1つまたは複数のコンピュータ可読記憶媒体が、
前記1つまたは複数のプロセッサによって実装される1つまたは複数のアプリケーションと、
前記1つまたは複数のアプリケーションから受け取られた訓練事例を記憶する集中事例データベースと、
前記1つまたは複数のプロセッサに、以下の動作を行うオンデバイス機械学習プラットフォームを実装させる命令とを記憶し、前記動作が、
収集アプリケーションプログラミングインタフェースを介して、前記1つまたは複数のアプリケーションのうちの第1のアプリケーションから新たな訓練事例を受け取ることと、
前記コンピューティングデバイスと関連するコンテキストを記述した1つまたは複数のコンテキスト特徴を決定することと、
前記コンピューティングデバイスに記憶されている機械学習済みモデルを訓練する際の使用のために、前記集中事例データベースに前記1つまたは複数のコンテキスト特徴と共に前記新たな訓練事例を記憶することとを含む、
コンピューティングデバイス。
前記新たな訓練事例を記憶する前に、1つまたは複数のコンテキスト型の各々に対する前記第1のアプリケーションの許可状況を決定することであって、前記第1のアプリケーションおよび各コンテキスト型に対する前記許可状況が、前記第1のアプリケーションがコンテキスト型にアクセスする許可を有するかどうかを記述している、ことをさらに含み、
前記1つまたは複数のコンテキスト特徴と共に前記新たな訓練事例を記憶することが、
前記第1のアプリケーションがアクセスする許可を有するコンテキスト型に含まれるコンテキスト特徴のみと共に前記新たな訓練事例を記憶することを含む、
請求項1に記載のコンピューティングデバイス。
1つまたは複数のコンテキスト更新に基づいて、コンテキスト特徴のコンテキスト特徴キャッシュを維持することをさらに含み、
前記コンピューティングデバイスと関連する前記コンテキストを記述した前記1つまたは複数のコンテキスト特徴を決定することが、
前記コンテキスト特徴キャッシュから前記1つまたは複数のコンテキスト特徴にアクセスすることを含む、
請求項1または2に記載のコンピューティングデバイス。
前記新たな訓練事例の受取りに応じてコンテキストマネージャに前記1つまたは複数のコンテキスト特徴を要求することを含む、
請求項1から3のいずれか一項に記載のコンピューティングデバイス。
請求項1から4のいずれか一項に記載のコンピューティングデバイス。
前記動作が、
予測アプリケーションプログラミングインタフェースを介して前記第1のアプリケーションから入力データを受け取ることと、
前記コンピューティングデバイスと関連する前記コンテキストを記述した1つまたは複数の追加コンテキスト特徴を決定することと、
前記1つまたは複数の機械学習済みモデルのうちの少なくとも第1の機械学習済みモデルを利用して、前記入力データに基づいて、かつさらに前記1つまたは複数の追加コンテキスト特徴に基づいて、少なくとも1つの推論を生成することと、
前記予測アプリケーションプログラミングインタフェースを介して前記第1のアプリケーションに、前記第1の機械学習済みモデルによって生成された前記少なくとも1つの推論を提供することとをさらに含む、
請求項1から5のいずれか一項に記載のコンピューティングデバイス。
前記動作が、
訓練アプリケーションプログラミングインタフェースを介して前記第1のアプリケーションから、前記集中事例データベースに記憶されている1つまたは複数の訓練事例に基づいて前記1つまたは複数の機械学習済みモデルのうちの第1の機械学習済みモデルを再訓練するようにとの命令を受け取ることと、
前記命令に応じて、前記第1の機械学習済みモデルを、前記集中事例データベースに記憶されている前記1つまたは複数のコンテキスト特徴と共に前記新たな訓練事例に基づいて再訓練させることとをさらに含む、
請求項1から6のいずれか一項に記載のコンピューティングデバイス。
前記1つまたは複数のコンテキスト特徴を決定することが、
前記特定のユーザアカウントと関連する前記コンテキストを記述した前記1つまたは複数のコンテキスト特徴を決定することを含む、
請求項1から7のいずれか一項に記載のコンピューティングデバイス。
前記1つまたは複数のコンテキスト特徴のうちの少なくとも第1のコンテキスト特徴に満了期間を割り当てることを含み、
前記動作が、
前記第1のコンテキスト特徴に割り当てられる前記満了期間の終結において前記集中事例データベースから前記第1のコンテキスト特徴または前記新たな訓練事例全体を削除することをさらに含む、
請求項1から8のいずれか一項に記載のコンピューティングデバイス。
少なくとも1つのコンテキスト型に対する前記第1のアプリケーションの許可状況の変化の指示を受け取ることと、
前記許可状況の前記変化に応じて、前記第1のアプリケーションと関連する訓練事例と関連付けられる前記少なくとも1つのコンテキスト型のいかなるコンテキスト特徴も前記集中事例データベースから削除することとをさらに含む、
請求項1から9のいずれか一項に記載のコンピューティングデバイス。
前記コンテキスト特徴を削除した後に、前記集中事例データベースにおける前記第1のアプリケーションと関連する前記訓練事例を使用して前記第1のアプリケーションと関連する1つまたは複数の機械学習済みモデルを再訓練することをさらに含む、
請求項10に記載のコンピューティングデバイス。
予測アプリケーションプログラミングインタフェースを介して、コンピューティングデバイスに記憶されている1つまたは複数のアプリケーションのうちの第1のアプリケーションから入力データを受け取ることと、
前記コンピューティングデバイスと関連するコンテキストを記述した1つまたは複数のコンテキスト特徴を決定することと、
前記コンピューティングデバイスに記憶されている1つまたは複数の機械学習済みモデルのうちの少なくとも第1の機械学習済みモデルを利用して、前記入力データに基づいて、かつさらに前記1つまたは複数のコンテキスト特徴に基づいて、少なくとも1つの推論を生成することと、
前記予測アプリケーションプログラミングインタフェースを介して前記第1のアプリケーションに、前記第1の機械学習済みモデルによって生成された前記少なくとも1つの推論を提供することとを含む、
コンピュータ可読記憶媒体。
少なくとも前記第1の機械学習済みモデルを利用する前に、1つまたは複数のコンテキスト型の各々に対する前記第1のアプリケーションの許可状況を決定することであって、前記第1のアプリケーションおよび各コンテキスト型に対する前記許可状況が、前記第1のアプリケーションがコンテキスト型にアクセスする許可を有するかどうかを記述している、ことをさらに含み、
少なくとも前記第1の機械学習済みモデルを利用することが、
少なくとも前記第1の機械学習済みモデルを利用して、前記第1のアプリケーションがアクセスする許可を有するコンテキスト型に含まれるコンテキスト特徴のみを使用して、前記少なくとも1つの推論を生成することを含む、
請求項12に記載のコンピュータ可読記憶媒体。
1つまたは複数のコンテキスト更新に基づいて、コンテキスト特徴のコンテキスト特徴キャッシュを維持することをさらに含み、
前記コンピューティングデバイスと関連する前記コンテキストを記述した前記1つまたは複数のコンテキスト特徴を決定することが、
前記コンテキスト特徴キャッシュから前記1つまたは複数のコンテキスト特徴にアクセスすることを含む、
請求項12または13に記載のコンピュータ可読記憶媒体。
前記入力データの受取りに応じて、コンテキストマネージャに前記1つまたは複数のコンテキスト特徴を要求することを含む、
請求項12から14のいずれか一項に記載のコンピュータ可読記憶媒体。
前記1つまたは複数のコンテキスト特徴を決定することが、
前記特定のユーザアカウントと関連する前記コンテキストを記述した前記1つまたは複数のコンテキスト特徴を決定することを含む、
請求項12から15のいずれか一項に記載のコンピュータ可読記憶媒体。
収集アプリケーションプログラミングインタフェースを介してコンピューティングデバイスによって、前記コンピューティングデバイスに記憶されている1つまたは複数のアプリケーションのうちの第1のアプリケーションから新たな訓練事例を受け取るステップと、
前記コンピューティングデバイスによって、前記コンピューティングデバイスと関連するコンテキストを記述した1つまたは複数のコンテキスト特徴を決定するステップと、
前記コンピューティングデバイスによって、前記コンピューティングデバイスに記憶されている機械学習済みモデルを訓練する際の使用のために、前記コンピューティングデバイスの集中事例データベースに前記1つまたは複数のコンテキスト特徴と共に前記新たな訓練事例を記憶するステップとを含む、
コンピュータで実行される方法。
前記新たな訓練事例を記憶する前に、前記コンピューティングデバイスによって、1つまたは複数のコンテキスト型の各々に対する前記第1のアプリケーションの許可状況を決定するステップであって、前記第1のアプリケーションおよび各コンテキスト型に対する前記許可状況が、前記第1のアプリケーションがコンテキスト型にアクセスする許可を有するかどうかを記述している、ステップをさらに含み、
前記コンピューティングデバイスによって、前記1つまたは複数のコンテキスト特徴と共に前記新たな訓練事例を記憶するステップが、
前記コンピューティングデバイスによって、第1のアプリケーションがアクセスする許可を有するコンテキスト型に含まれるコンテキスト特徴のみと共に前記新たな訓練事例を記憶するステップを含む、
請求項17に記載のコンピュータで実行される方法。
前記コンピューティングデバイスによって、前記コンピューティングデバイスと関連する前記コンテキストを記述した1つまたは複数の追加コンテキスト特徴を決定するステップと、
前記コンピューティングデバイスによって、前記コンピューティングデバイスに記憶されている1つまたは複数の機械学習済みモデルのうちの少なくとも第1の機械学習済みモデルを利用して、前記入力データに基づいてかつ更に前記1つまたは複数の追加コンテキスト特徴に基づいて少なくとも1つの推論を生成するステップと、
前記予測アプリケーションプログラミングインタフェースを介して前記コンピューティングデバイスによって、前記第1のアプリケーションに前記第1の機械学習済みモデルによって生成された前記少なくとも1つの推論を提供するステップとをさらに含む、
請求項17または18に記載のコンピュータで実行される方法。
前記命令に応じて、前記コンピューティングデバイスによって、前記第1の機械学習済みモデルを前記集中事例データベースに記憶されている前記1つまたは複数のコンテキスト特徴と共に前記新たな訓練事例に基づいて再訓練させるステップとをさらに含む、
請求項17から19のいずれか一項に記載のコンピュータで実行される方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021127571A JP7252286B2 (ja) | 2017-08-11 | 2021-08-03 | オンデバイス機械学習プラットフォーム |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/674,910 US11138517B2 (en) | 2017-08-11 | 2017-08-11 | On-device machine learning platform |
US15/674,910 | 2017-08-11 | ||
PCT/US2018/029571 WO2019032157A1 (en) | 2017-08-11 | 2018-04-26 | LEARNING PLATFORM MACHINE ON DEVICE |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021127571A Division JP7252286B2 (ja) | 2017-08-11 | 2021-08-03 | オンデバイス機械学習プラットフォーム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020528588A JP2020528588A (ja) | 2020-09-24 |
JP6926240B2 true JP6926240B2 (ja) | 2021-08-25 |
Family
ID=62152682
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019565187A Active JP6926240B2 (ja) | 2017-08-11 | 2018-04-26 | オンデバイス機械学習プラットフォーム |
JP2021127571A Active JP7252286B2 (ja) | 2017-08-11 | 2021-08-03 | オンデバイス機械学習プラットフォーム |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021127571A Active JP7252286B2 (ja) | 2017-08-11 | 2021-08-03 | オンデバイス機械学習プラットフォーム |
Country Status (6)
Country | Link |
---|---|
US (2) | US11138517B2 (ja) |
EP (2) | EP3491588B1 (ja) |
JP (2) | JP6926240B2 (ja) |
KR (2) | KR102459835B1 (ja) |
CN (2) | CN118446333A (ja) |
WO (1) | WO2019032157A1 (ja) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018217635A1 (en) * | 2017-05-20 | 2018-11-29 | Google Llc | Application development platform and software development kits that provide comprehensive machine learning services |
US11341429B1 (en) * | 2017-10-11 | 2022-05-24 | Snap Inc. | Distributed machine learning for improved privacy |
EP3499459A1 (en) * | 2017-12-18 | 2019-06-19 | FEI Company | Method, device and system for remote deep learning for microscopic image reconstruction and segmentation |
US11501156B2 (en) * | 2018-06-28 | 2022-11-15 | International Business Machines Corporation | Detecting adversarial attacks through decoy training |
US11429853B2 (en) * | 2018-11-13 | 2022-08-30 | Gyrfalcon Technology Inc. | Systems and methods for determining an artificial intelligence model in a communication system |
KR20200109819A (ko) * | 2019-03-14 | 2020-09-23 | 삼성전자주식회사 | 전자 장치 및 이의 제어 방법 |
JP7238610B2 (ja) * | 2019-06-04 | 2023-03-14 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及びプログラム |
US20220047184A1 (en) * | 2019-06-25 | 2022-02-17 | Cochlear Limited | Body noise-based health monitoring |
CN110399804A (zh) * | 2019-07-01 | 2019-11-01 | 浙江师范大学 | 一种基于深度学习的食品检测识别方法 |
CN110362586B (zh) * | 2019-07-12 | 2021-08-03 | 之江实验室 | 一种无患者数据共享的多中心生物医学数据协同处理系统及方法 |
US11907810B2 (en) * | 2019-07-18 | 2024-02-20 | Qualcomm Incorporated | Concurrent optimization of machine learning model performance |
US11392796B2 (en) * | 2019-08-20 | 2022-07-19 | Micron Technology, Inc. | Feature dictionary for bandwidth enhancement |
US11836615B2 (en) | 2019-09-20 | 2023-12-05 | International Business Machines Corporation | Bayesian nonparametric learning of neural networks |
US11134039B1 (en) * | 2019-10-18 | 2021-09-28 | Twitter, Inc. | Dynamically controlling messaging platform client-side and server-side behavior |
US20210125105A1 (en) * | 2019-10-23 | 2021-04-29 | The United States Of America, As Represented By The Secretary Of The Navy | System and Method for Interest-focused Collaborative Machine Learning |
US11500929B2 (en) * | 2019-11-07 | 2022-11-15 | International Business Machines Corporation | Hierarchical federated learning using access permissions |
WO2021121585A1 (en) * | 2019-12-18 | 2021-06-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods for cascade federated learning for telecommunications network performance and related apparatus |
US12088719B2 (en) * | 2020-01-23 | 2024-09-10 | Subash Sundaresan | Method and system for incremental training of machine learning models on edge devices |
US11948096B2 (en) | 2020-03-13 | 2024-04-02 | International Business Machines Corporation | Adaptively adjusting influence in federated learning model updates |
EP3885704A1 (en) * | 2020-03-17 | 2021-09-29 | HERE Global B.V. | Method and apparatus for federated location fingerprinting |
KR102567565B1 (ko) * | 2020-03-31 | 2023-08-21 | 한국전자기술연구원 | 연합학습 자원 관리장치, 시스템 및 이의 자원 효율화 방법 |
CN112150280B (zh) * | 2020-10-16 | 2023-06-30 | 北京百度网讯科技有限公司 | 提升匹配效率的联邦学习方法及设备、电子设备和介质 |
US11929079B2 (en) | 2020-10-27 | 2024-03-12 | Samsung Electronics Co., Ltd | Electronic device for managing user model and operating method thereof |
KR102526261B1 (ko) * | 2020-12-04 | 2023-04-27 | 한국전자기술연구원 | 시공간 컨텍스트 피드백 기반 동적 ai 모델 선택 방법 |
CN114764967A (zh) * | 2021-01-14 | 2022-07-19 | 新智数字科技有限公司 | 联合学习框架下设备故障报警的方法 |
CN115271087A (zh) * | 2021-04-29 | 2022-11-01 | 华为云计算技术有限公司 | 获取知识的方法和装置 |
WO2023003595A1 (en) * | 2021-07-19 | 2023-01-26 | Sas Institute Inc. | Quality prediction using process data |
CN113515895B (zh) * | 2021-07-30 | 2024-03-01 | 北京中网易企秀科技有限公司 | 一种跨平台模型预测方法及装置 |
CN114048864A (zh) * | 2022-01-11 | 2022-02-15 | 中兴通讯股份有限公司 | 联邦学习数据的管理方法、电子设备和存储介质 |
US12118372B2 (en) * | 2022-09-20 | 2024-10-15 | Microsoft Technology Licensing, Llc | App usage models with privacy protection |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6968334B2 (en) * | 2001-05-15 | 2005-11-22 | Nokia Corporation | Method and business process to maintain privacy in distributed recommendation systems |
US8170841B2 (en) | 2004-04-16 | 2012-05-01 | Knowledgebase Marketing, Inc. | Predictive model validation |
JP2006134080A (ja) * | 2004-11-05 | 2006-05-25 | Ntt Docomo Inc | 携帯端末、及び、個人適応型コンテキスト獲得方法 |
JP4855970B2 (ja) | 2007-02-20 | 2012-01-18 | 株式会社エヌ・ティ・ティ・ドコモ | 端末装置およびプログラム |
US8214308B2 (en) | 2007-10-23 | 2012-07-03 | Sas Institute Inc. | Computer-implemented systems and methods for updating predictive models |
US8682814B2 (en) * | 2010-12-14 | 2014-03-25 | Symantec Corporation | User interface and workflow for performing machine learning |
US8606728B1 (en) | 2011-06-15 | 2013-12-10 | Google Inc. | Suggesting training examples |
US8935277B2 (en) * | 2012-03-30 | 2015-01-13 | Sap Se | Context-aware question answering system |
US9519647B2 (en) * | 2012-04-17 | 2016-12-13 | Sandisk Technologies Llc | Data expiry in a non-volatile device |
US8429103B1 (en) * | 2012-06-22 | 2013-04-23 | Google Inc. | Native machine learning service for user adaptation on a mobile platform |
US9336494B1 (en) | 2012-08-20 | 2016-05-10 | Context Relevant, Inc. | Re-training a machine learning model |
US8533148B1 (en) | 2012-10-01 | 2013-09-10 | Recommind, Inc. | Document relevancy analysis within machine learning systems including determining closest cosine distances of training examples |
US9218574B2 (en) | 2013-05-29 | 2015-12-22 | Purepredictive, Inc. | User interface for machine learning |
US20150046060A1 (en) | 2013-08-12 | 2015-02-12 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Adjusting Vehicle Settings |
US9286574B2 (en) | 2013-11-04 | 2016-03-15 | Google Inc. | Systems and methods for layered training in machine-learning architectures |
US10318882B2 (en) * | 2014-09-11 | 2019-06-11 | Amazon Technologies, Inc. | Optimized training of linear machine learning models |
US20160092793A1 (en) * | 2014-09-26 | 2016-03-31 | Thomson Reuters Global Resources | Pharmacovigilance systems and methods utilizing cascading filters and machine learning models to classify and discern pharmaceutical trends from social media posts |
US9412046B2 (en) | 2014-10-10 | 2016-08-09 | Facebook, Inc. | Training image adjustment preferences |
WO2016061283A1 (en) * | 2014-10-14 | 2016-04-21 | Skytree, Inc. | Configurable machine learning method selection and parameter optimization system and method |
US10713594B2 (en) | 2015-03-20 | 2020-07-14 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing machine learning model training and deployment with a rollback mechanism |
US9996804B2 (en) | 2015-04-10 | 2018-06-12 | Facebook, Inc. | Machine learning model tracking platform |
US10084743B2 (en) * | 2015-04-15 | 2018-09-25 | General Electric Company | Methods and systems for adaptive and contextual collaboration in a network |
US9626654B2 (en) | 2015-06-30 | 2017-04-18 | Linkedin Corporation | Learning a ranking model using interactions of a user with a jobs list |
US10380500B2 (en) | 2015-09-24 | 2019-08-13 | Microsoft Technology Licensing, Llc | Version control for asynchronous distributed machine learning |
US20170185723A1 (en) * | 2015-12-28 | 2017-06-29 | Integer Health Technologies, LLC | Machine Learning System for Creating and Utilizing an Assessment Metric Based on Outcomes |
US10664766B2 (en) | 2016-01-27 | 2020-05-26 | Bonsai AI, Inc. | Graphical user interface to an artificial intelligence engine utilized to generate one or more trained artificial intelligence models |
US11210583B2 (en) * | 2016-07-20 | 2021-12-28 | Apple Inc. | Using proxies to enable on-device machine learning |
-
2017
- 2017-08-11 US US15/674,910 patent/US11138517B2/en active Active
-
2018
- 2018-04-26 JP JP2019565187A patent/JP6926240B2/ja active Active
- 2018-04-26 EP EP18724422.3A patent/EP3491588B1/en active Active
- 2018-04-26 WO PCT/US2018/029571 patent/WO2019032157A1/en unknown
- 2018-04-26 KR KR1020217035225A patent/KR102459835B1/ko active IP Right Grant
- 2018-04-26 EP EP20183226.8A patent/EP3739527B1/en active Active
- 2018-04-26 CN CN202410375198.5A patent/CN118446333A/zh active Pending
- 2018-04-26 CN CN201880046455.3A patent/CN110869949B/zh active Active
- 2018-04-26 KR KR1020197038030A patent/KR102321924B1/ko active IP Right Grant
-
2021
- 2021-08-03 JP JP2021127571A patent/JP7252286B2/ja active Active
- 2021-09-20 US US17/479,364 patent/US20220004929A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3739527A1 (en) | 2020-11-18 |
EP3491588A1 (en) | 2019-06-05 |
KR102321924B1 (ko) | 2021-11-04 |
EP3739527B1 (en) | 2022-12-21 |
WO2019032157A1 (en) | 2019-02-14 |
US20190050749A1 (en) | 2019-02-14 |
JP2021177428A (ja) | 2021-11-11 |
CN118446333A (zh) | 2024-08-06 |
EP3491588B1 (en) | 2020-07-01 |
CN110869949A (zh) | 2020-03-06 |
JP7252286B2 (ja) | 2023-04-04 |
CN110869949B (zh) | 2024-04-09 |
US11138517B2 (en) | 2021-10-05 |
KR20200010480A (ko) | 2020-01-30 |
KR102459835B1 (ko) | 2022-10-27 |
JP2020528588A (ja) | 2020-09-24 |
KR20210134822A (ko) | 2021-11-10 |
US20220004929A1 (en) | 2022-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6926240B2 (ja) | オンデバイス機械学習プラットフォーム | |
JP6923676B2 (ja) | オンデバイス機械学習プラットフォーム | |
US11356440B2 (en) | Automated IoT device registration | |
US12020127B2 (en) | On-device machine learning platform to enable sharing of machine learned models between applications | |
US11171845B2 (en) | QoS-optimized selection of a cloud microservices provider | |
CN110832458B (zh) | 个性化机器学习模型的隐身模式 | |
US20140379914A1 (en) | Service consumption based on gamification level classification | |
EP3084589A1 (en) | Crowd sourced online application cache management | |
US10678752B2 (en) | Closure-based container volumes with ratio-based modeling | |
US20210109895A1 (en) | Determining user interface contexts for requested resources | |
WO2023025781A1 (en) | Providing a machine learning model based on desired metric values | |
Kuflik et al. | Enabling mobile user modeling: infrastructure for personalization in ubiquitous computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200124 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210222 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210521 |
|
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: 20210705 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210804 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6926240 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |